Uzaktaki küçük trafik işaretlerini algılamak için uyarlanabilir çok ölçekli hafif bir ağ

Neden minik yol işaretleri önemli?

Günümüz sürücü destek sistemleri ve otonom araçlar, yolun ilerisinde küçük bir nokta halinde görünen trafik işaretlerini bile hızlı ve güvenilir biçimde fark etmeye dayanır. Küçük bir hız sınırı levhasını kaçırmak veya bir uyarıyı yanlış okumak, geç veya güvensiz kararlara yol açabilir. Ancak araç içi bilgisayarların işlem gücü sınırlıdır ve uzak işaretler binalar, ağaçlar ve parlama nedeniyle kolayca kaybolur. Bu makale, ağır donanım gerektirmeden gerçek zamanlı olarak uzak ve küçük trafik işaretlerini seçip çıkarmak üzere tasarlanmış süzülmüş bir görme sistemi olan YOLO‑AML’yi tanıtıyor.

Küçük işaretleri görmekteki zorluk

Gerçek trafik sahnelerinde aynı tip işaret yakınsa çok büyük görünürken, uzaktayken görüntünün binde birinden daha azını kaplayabilir. Hava koşulları, gölgeler ve engeller bu işaretleri daha da bulanıklaştırır veya gizler; gösterge panelleri ve yol kenarı karmaşası ise dikkat dağıtan desenler oluşturur. Geleneksel bilgisayarlı görme yöntemleri, ışık değişimlerine karşı zorlanan el ile tasarlanmış renk ve kenar ipuçlarına dayanıyordu. Yaygın kullanılan YOLO ailesi gibi yeni derin öğrenme sistemleri daha hızlı ve daha doğru olsa da, verileri verimli işlemek için görüntüleri küçülttüklerinde ince ayrıntıları yitirirler ve genellikle araç içi cihazların ayıramayacağı kadar fazla hesaplama gücüne gereksinim duyarlar.

Detayları koruyan daha hafif bir ağ

YOLO‑AML, güncel bir YOLO tasarımından yola çıkar ve iç katmanlarını hem daha hafif hem de küçük ayrıntılara daha duyarlı olacak şekilde yeniden şekillendirir. Görüntüyü küçültürken pikselleri atmaya eğilimli standart işlemler yerine, sistem bu pikselleri ek kanallara yeniden düzenleyen bir "space‑to‑depth" adımı kullanır. Bu, bilgi kaybı olmadan genişlik ve yüksekliği azaltır, hesaplamayı düşürürken küçük işaretlerin dokusunu korur. CLSKA adında yeniden tasarlanmış bir omurga modülü, hem yerel kenarları hem de daha geniş çevreyi görmek için büyük ama ekonomik filtre desenleri kullanır; böylece ağ, küçük bir kırmızı veya sarı bölmeyi çevresindeki yol bağlamıyla ilişkilendirebilir ve boyutunun fırlamasını önler.

Dikkati ayarlamak ve kutuları daha akıllı ölçmek

Yalnızca detayı korumak yeterli değildir; çünkü uzak sahneler ağaçlar, binalar, sokak lambaları ve yol işaretleriyle doludur ve bunlar detektörü yanıltabilir. Bunu ele almak için YOLO‑AML, NAST adında bir dikkat bloğu ekler; bu blok, ağırlık getirmeden ağ içindeki mevcut normalizasyon değerlerini rehber olarak yeniden kullanır. Arka plan gibi davranan kanallar ve pikseller bastırılırken potansiyel işaretlere benzeyenler güçlendirilir; hepsi ekstra ağır katmanlar eklemeden yapılır. Çıkış aşamasında sistem ayrıca işaretlerin çevresine kutu çizme biçimini öğrenme yöntemini değiştirir. Ufak bir kutunun birkaç piksel kaymasıyla sıfıra hızla düşebilen örtüşme skoru yerine, her kutuyu yumuşak bir leke olarak ele alır ve bu lekeler arasındaki benzerliği düzgün bir mesafe ölçüsüyle değerlendirir. Bu, işaretler son derece küçük olduğunda bile modele kararlı eğitim sinyalleri sağlar.

Sistemi teste koymak

Yazarlar YOLO‑AML’yi geniş bir Çin yol işareti veri kümesi ve ayrı bir Avrupa kıyaslamasında değerlendirir; binlerce kentsel ve otoyol sahnesini kapsar. Güçlü bir temel modele ve birkaç popüler YOLO çeşidine kıyasla, yeni sistem daha yüksek oranlarda gerçek işaret tespiti yaparken daha hızlı çalışır ve daha az parametre kullanır. Ana veri setinde model boyutunu yaklaşık altıda bir oranında küçültür ve işlem hızını artırırken doğruluğu, özellikle uzak ve kısmen gizlenmiş işaretler için iyileştirir. Görsel "ısı haritaları" ağın gerçek işaretlere daha sıkı odaklandığını ve ilgisiz dokular ve gölgeler tarafından daha az dikkatinin dağıldığını doğrular. Düşük güçlü bir Jetson Nano kartında yapılan testler, yönteminin sıkı bellek ve hız sınırlarında da çalıştığını gösterir; bu da gömülü kullanım için uygunluğunu vurgular.

Geleceğin otomobilleri için anlamı

Günlük ifadeyle YOLO‑AML, bir araca daha keskin uzun menzilli görüş ve daha iyi odak kazandırmak gibidir; üstelik beyni küçük ve verimli kalır. Küçük görüntü detaylarını koruyarak, dikkati karmaşadan uzaklaştırarak ve kutu pozisyonlarını yargılamada daha toleranslı bir yöntem kullanarak sistem, küçük trafik işaretlerini daha erken ve daha güvenilir şekilde fark edebilir. Bu doğruluk, hız ve hafiflik bileşimi, her milisaniyenin ve her watt hesaplamanın önemli olduğu geleceğin sürücü destek ve otonom sürüş platformları için umut verici bir yapı taşı yapar.

Atıf: Liang, R., Qu, W. & Li, S. An adaptive multi-scale lightweight network for long-distance small traffic sign detection. Sci Rep 16, 13459 (2026). https://doi.org/10.1038/s41598-026-43920-y

Anahtar kelimeler: özerk sürüş, trafik işareti tespiti, küçük nesne tespiti, hafif sinir ağları, YOLO