Object Detection (D-FINE)

📥 Girdiler

Image Analiz edilecek giriş görüntüsü. Renkli veya gri tonlamalı görüntüleri kabul eder.

📤 Çıktılar

Result Renk kodlu sınırlayıcı kutularla (bounding boxes) açıklanmış görüntü. Draw Boxes etkinleştirildiğinde görünür. Boxes Her tespit için sınırlayıcı kutu koordinatlarının listesi. Labels Tespit edilen sınıf isimlerinin metin olarak listesi. Scores Her tespit için güven skorları.

🕹️ Kontroller

Model Size Hız ile doğruluk arasında denge kurmak için model boyutunu seçin (örnekler: Nano / Small / Medium / Large / XLarge). Daha küçük modeller daha hızlı; daha büyük modeller daha iyi lokalizasyon sağlar. Select Classes Hangi nesne sınıflarının tespit edileceğini seçin. Hiçbir sınıf seçilmezse, tüm kullanılabilir sınıflar dikkate alınır. Draw Boxes Çıktı görüntüsünde sınırlayıcı kutuların ve etiketlerin çizilip çizilmeyeceğini açıp kapatır. Threshold Tespitleri filtrelemek için kullanılan güven eşiğini ayarlar (0–100%). Daha yüksek değerler daha az ama daha güvenilir tespit üretir.

🎯 Temel Özellikler

• Gecikme ve tespit kalitesi arasında denge kurmak için birden çok model boyutu.

• Sadece ilgilendiğiniz nesnelere odaklanmak için sınıf düzeyi filtreleme.

• Hassasiyet kontrolü için güven eşiği ayarı.

• Renkli kutular ve metin etiketleri ile yerleşik, okunması kolay görselleştirme.

• Mümkün olduğunda daha hızlı çıkarım için mevcut donanım hızlandırmasını kullanır.

📝 Nasıl Kullanılır

1. Giriş görüntüsünü Image girişine verin.

2. Ortamınıza uygun bir Model Size seçin (hızlı vs. doğru).

3. İstenirse yanlış pozitifleri azaltmak ve işlemi hızlandırmak için Select Classes ile belirli sınıfları seçin.

4. Tespit hassasiyetini kontrol etmek için Threshold değerini ayarlayın. Yaklaşık 30 ile başlayın ve yukarı/aşağı ayarlayın.

5. Önizleme için Draw Boxes seçeneğini açın ve Result çıktısını izleyin.

📊 Blok Ne Yapar

Blok çalıştırıldığında gelen görüntüyü analiz eder, tespit edilen nesnelerin sınırlayıcı kutularını, etiketlerini ve güven skorlarını döndürür ve isteğe bağlı olarak kutular ve etiket metinleriyle açıklanmış bir görselleştirme görüntüsü üretir.

💡 İpuçları ve Püf Noktaları

• Giriş görüntüleriniz çok büyükse ve işlem yavaşsa, bu bloktan önce Image Resize ekleyerek çözünürlüğü düşürün.

• Küçük, düşük çözünürlüklü görüntülerde tanıma oranını artırmak için önce Super Resolution deneyin.

• Sonuçları UI'da görüntülemek için bu bloğu Show Image ile bağlayın veya Draw Boxes açarak Result çıktısını kullanın.

• Çok kareli iş akışlarında tespitleri zaman içinde izlemek istiyorsanız Boxes ve Labels çıktısını Object_Detection_Tracker bloğuna besleyin.

• Tespit görüntülerini veya örnekleri veri seti oluşturma veya hata ayıklama için Image Logger veya Image Write ile kaydedin.

• Tespit meta verilerini (labels, scores, positions) raporlama veya diğer sistemlere aktarma için Data to JSON veya CSV Export kullanın.

• Sadece belirli alanlarla ilgileniyorsanız, hatalı pozitifleri azaltmak ve hızı artırmak için tespit öncesi Image ROI veya Image ROI Select ile kırpma yapın.

🛠️ Sorun Giderme

• Hiç tespit yoksa: Threshold değerini düşürmeyi ve/veya daha az sınıf seçmeyi deneyin. Giriş görüntüsü kalitesini kontrol edin; gerekirse Super Resolution veya daha iyi aydınlatma kullanın.

• Çok fazla yanlış pozitif varsa: Threshold değerini artırın ve Select Classes ile ilgili sınıflarla sınırlandırın.

• Performans yavaşsa: daha küçük bir Model Size seçin veya giriş çözünürlüğünü azaltmak için Image Resize ekleyin. GPU kullanılabiliyorsa ortamınızda etkinleştirildiğinden emin olun.

• Görselleştirme eksikse: açıklamalı görüntü almak için Draw Boxes etkin olduğundan emin olun veya çıktıları önizlemek için Show Image bağlayın.