YOLO Ailesi (YOLO Family)

object-detectionreal-timedeep-learningcomputer-visionedge-deployment

YOLO (You Only Look Once - Yalnizca Bir Kez Bak), nesne tespitini tek bir regresyon problemi olarak yeniden cerceveleyerek sinir lama kutularini ve sınıf olasıliklar tek bir ileri geciste tahmin eder. Bu mimari karar, gerçek zamanli tespiti pratik hale getirmis ve YOLO'yu tarımsal bilgisayarli gorunun merkezine tasimistir.

Mimarinin Evrimi

YOLOv1 (2016), görüntüyu bir izgaraya bolerek hucre basina sinirlama kutusu tahminleri yapti. Hizli olmasina ragmen küçük nesneler ve kalabalik sahnelerde zorluk cekiyordu. YOLOv2/v3, capa kutulari, Özellik Piramit Aglari aracılığıyla cok ölçekli özellik haritalari ve Darknet omurgalari sunarak hiz korunurken doğruluğu önemli ölçüde iyilestirdi.

YOLOv5 (Ultralytics, PyTorch), temiz kod tabani, kolay eğitim boru hatti ve aktif toplulugu sayesinde tarımsal araştırmada en yaygin benimsenen surum oldu. 2020-2023 yillari arasında ürün hastalığısi tespiti, meyve sayimi ve yabani ot tanimlamasi üzerine yayinlanan çalışmalarin cogu YOLOv5 kullandi.

YOLOv7, daha iyi gradyan akisi için E-ELAN (Genisletilmis Verimli Katman Toplama Agi) ve çıkarım hizindan odun vermeden doğruluğu artiran egitillebilir ucretsiz yöntemler (bag-of-freebies) sundu. YOLOv8, tespit, segmentasyon ve sınıflandırmayi tek bir cerceve altinda birlestirdi ve yeni tarımsal nesne ölçeklerine uyumu basitlestiren capasiz bir tespit basi tanintti. YOLOv9 ve sonraki varyantlar, programlanabilir gradyan bilgisi ve hafif mimariler aracılığıyla verimliligi iyilestirmeye devam etmektedir.

Hiz-Dogruluk Odesumleri

YOLO modelleri boyut varyantlariyla (nano, küçük, orta, büyük, cok büyük) gelir. NVIDIA Jetson veya akilli telefon NPU'lari gibi cihazlarda tarımsal kenar daginitimi için nano ve küçük varyantlar 30+ FPS'de çalışırken, daha büyük varyantlar cevrimdisi analiz için mAP'yi maksimize eder. Dogru varyantin secimi, sistemin bir Robotic Harvesting platformunda gerçek zamanli mi calistigina yoksa Uav Agriculture görüntülerin toplu olarak mi isledidgine baglidir.

Tarımsal Uyarlamalar

Standart YOLO mimarilerinin tarımsal sahneler için modifikasyona ihtiyaci vardir:

Küçük nesne tespiti, hedeflerin yüksek çözünürlüklu tarla görüntülernde yalnizca birkac piksel kapladiği bocek zararli tespiti için kritiktir. Stratejiler arasında daha yüksek çözünürlüktte dorduncu bir tespit basi ekleme, büyük görüntüleri doselemek için SAHI (Dilimleme Destekli Hiper Çıkarım) kullanma ve küçük hedef yoğunluguna ayarlanmis mozaik arttirma ile eğitim yer alir.

Okluzyon (kapatma) sorunlari, yaprak ve dallarin hedefin kisimlarini gizledigi meyve tespitinde yaygindirr. YOLO boynuna entegre edilen dikkat mekanizmalari (bkz. Attention Mechanisms) (örneğin CBAM veya SE bloklari), agin gorunur meyve bölgelerine odaklanmasina yardimci olur. CutOut ve kopyala-yapistir gibi arttirmalar, eğitim sirasinda oklüzyonu simule eder.

Havadan görüntüde tespit, IHA görüntülernden aşırı ölçek varyasyonu ve yoğun nesne sikistirmasi (örneğin, bir fidanlikte bireysel bitkilerin sayilmasi) gibi zorluklar sunar. Yonlendirilmis sinirlama kutulari (OBB) ve YOLO tabanli örnek segmentasyonu, eksen hizali olmayan nesnelere daha siki uyumlar saglayarak bunlari ele alir.

Ince Ayar Stratejileri

Tarımsal YOLO modelleri neredeyse her zaman sifirdan egitilmek yerine COCO on-eğitimli ağırlıklardan ince ayar yapilir. En iyi uygulamalar sunlardir:

Ilk birkac epoch için omurgayi dondur, ardindan tam ince ayar için serbest birak.
Sifirdan eğitimden bir kat büyükluk siralamasi daha düşük bir öğrenme orani kullan.
Agresif arttirma uygula: mozaik, karistirma (mixup), HSV titresimi ve simule edilmis tarla aydinlatma değişimi gibi alana ozgu dönüşümler (bkz. Image Preprocessing).
Eğitim annotasyonlarindaki k-ortalamalar kurelemesi aracılığıyla capa kutusu en-boy oranlarinin tarımsal hedeflerle eslesmesini sagla (örneğin, sira ürünleri için uzun, meyveler için kare).

Kenar Dağıtımi (Edge Deployment)

YOLO'nun TensorRT, ONNX veya TFLite'a donusturulmesi, tarla donaniminda dağıtımı mumkun kilar. Niceleme (FP16 veya INT8), minimum doğruluk kaybiyla model boyutunu kucultur ve çıkarımi hizlandirir. Bu boru hatti, Robotic Harvesting'deki gerçek zamanli sistemleri, tarla ici yabani ot ilaclama cihazlarini ve akilli telefon kameralarindan hastalıklari tespit eden Mobile Crop Advisory uygulamalarini guclendirir.

Ingest Edilen Makalelerden Bulgular

[Liu & Wang, 2020] — Domates hastalıklari ve zararlilari tespiti için geliştirilmiş YOLOv3 modeli. Gerçek dogal ortamda toplanan domates hastalıklari ve zararlilari görüntüleri üzerinde calismma yapildi (erken yanikligi, gri kuf, gec yanikligi, yaprak kufu, yaprak sinekcisi, beyazsinek vb.). YOLOv3 üzerinde yapilan uc temel iyilestirme:

Görüntü piramidi tabanli cok ölçekli özellik tespiti: Ust örnekleme ile yüksek seviye anlamsal özellikler ve düşük seviye konum bilgisi birlestirildi. Darknet-53 omurgasindan 3 farkli ölçekte özellik haritasi elde edildi ve özellik fuzyonu piramidi olusturuldu. Iki ek residuel birim eklenerek görüntü özellik ifadesi guclendirildi.
K-means kümeleme ile nesne kutusu boyut optimizasyonu: Kendi veri setine ozgu 9 boyutlu oncelikli kutu (anchor box) belirlendi: (44,11), (53,18), (60,22), (73,25), (78,27), (81,31), (89,41), (97,43), (109,51). Bu boyutlar küçükten buyuge siralanarak uc farkli ölçekteki özellik haritalarına dagitildi.
Cok ölçekli eğitim stratejisi: Tam bağlantı katmani tam evrismim işlemine donusturuldu. Eğitim sirasinda görüntü boyutu 320'den 608'e kadar 32'nin katlari seklinde rastgele degistirildi (her 10 turda bir farkli boyut secildi); bu sayede model farkli çözünürlüklere uyum sagladi.

Karşılaştırmali sonuçlar (mAP / tespit suresi): | Algoritma | Dogruluk (mAP) | Tespit Suresi | |-----------|---------------|---------------| | SSD | %84,32 | 25,69 ms | | Faster R-CNN | %90,67 | 2.868,94 ms | | Orijinal YOLOv3 | %88,31 | 21,18 ms | | Gelistirilmis YOLOv3 | %92,39 | 20,39 ms |

Gelistirilmis YOLOv3, hem en yüksek doğruluğu hem de en kisa tespit suresini ayni anda elde etti. Özellikle küçük nesne (XS, S boyutlari) tespitinde diger uc algoritmadan belirgin şekilde üstün performans gösterdi -- bu, zararlilarin farkli gelişim evrelerindeki (nimf/larva ve eriskin) boyut farkliligini ele almak için kritik oneme sahiptir. Farkli çözünürlükteki görüntüler (320, 608, 1024) için de en yüksek doğruluk elde edildi. Model, gerçek zamanli domates hastalığı ve zararlisi tespit gorevlerini başarıyla karsiladi. (496 atif)

[Gao & Zhang, 2023] — YOLOv8 tabanlı tek aşamalı dedektörlerle meyve tespiti. Tarımsal meyve tespiti için özel veri seti oluşturularak YOLOv8 mimarisi kapsamlı biçimde değerlendirilmiştir. Bu deneylerde YOLOv8, önceki bazı YOLO sürümleriyle yapılan kıyaslarda daha güçlü sonuçlar vermiştir; bu da tek aşamalı tespit yaklaşımlarının tarımsal uygulamalarda hız ve doğruluk dengesi açısından pratik olabileceğini düşündürmektedir. Çalışma, YOLOv8'in çapasız (anchor-free) tespit başlığının farklı boyut ve şekillerdeki meyvelere daha iyi uyum sağlayabildiğini raporlamıştır. Uygulama alanları: otomatik hasat optimizasyonu, israf azaltma ve hassas tarım.

[Kamat et al., 2025] — Çok sınıflı meyve olgunluk tespiti için YOLO ailesinin karşılaştırmalı kıyaslaması. Çilek ve avokado görüntülerinde dört olgunluk aşaması (ham, kısmen olgun, olgun, çürük) tespiti için YOLOv5, YOLOv6, YOLOv7 ve SSD-MobileNetV1 değerlendirilmiştir. Temel bulgular:

YOLOv6 en iyi genel performansı gösterdi: mAP %99,5 ve 85,2 FPS çıkarım hızı ile doğruluk-hız dengesinde üstün.
5 katlı çapraz doğrulama ile model sağlamlığı teyit edildi.
SSD-MobileNetV1 hız avantajına rağmen doğrulukta geride kaldı.
Doğal aydınlatma koşullarında ve farklı oklüzyon seviyelerinde model dayanıklılığı test edildi.
Sonuç: Gerçek zamanlı meyve kalite izleme ve akıllı sınıflandırma sistemleri için YOLOv6, YOLO ailesi içinde en dengeli seçenek olarak öne çıkmıştır. Bu bulgu, YOLOv8'in her görev için en iyi olmadığını ve görev özelliğine göre YOLO versiyonu seçiminin önemini vurgular.