Havadan hedef tespiti: veri seti mühendisliği ve model eğitimi

İnsansız hava aracının yirmi ile kırk metre irtifadan yerdeki hedefleri bulması, o irtifada hedefin karede yalnızca seksen ile yüz yirmi piksel yer kaplaması nedeniyle klasik bir tespit problemi değildir. Bu projede işi baştan kurduk.

Ham 4K kareleri yüzde kırk örtüşmeli 1280×1280 karolara bölen bir veri hattı yazdık; böylece küçük hedefler modelin sabit girdi boyutuna indirilirken erimiyor. Sınıf dengesizliğini sınıf bazlı çoğaltma çarpanlarıyla düzelttik ve yaklaşık 2.100 ham kareden ~15.000 görüntülük dengeli bir eğitim seti ürettik. Farklı kaynaklardan gelen setler birleştirilirken dosya adı ve algısal hash ile tekilleştirme yapıldı, on beş farklı kaynak sınıf iki hedef sınıfına indirildi.

Metriği şişirmeyen doğrulama

En kritik karar doğrulama setiydi. Train ve validation ayrımını görüntü seviyesinde yaptık, yani aynı sahnenin karoları iki tarafa bölünmüyor; bu olmadan model kendi eğitim verisini doğruluyor ve metrik yalancı bir biçimde yükseliyor. Doğrulama setini bilinçli olarak yalnızca gerçek drone karelerinden kurduk; internetten toplanmış kolay görsellerle metrik şişirmedik. Yanlış pozitifleri kontrol altında tutmak için nesnesiz arka plan karoları da sete enjekte edildi.

Model bu veri üzerinde mAP50 0,904 ve mAP50-95 0,691 değerlerine ulaştı. Eğitim 33. epoch’ta yakınsayıp 48’de erken durdu; bu bize “daha uzun eğitim değil, daha çeşitli veri gerekiyor” teşhisini tahminle değil sayıyla verdi.

Model gömülü kartta TensorRT FP16 ile çalışacak biçimde konumlandırıldı; eğitim ve çıkarım çözünürlüğünün eşit tutulması ayrı bir disiplin olarak uygulandı. Görüntü işleme yükü uçuş kontrolünden ayrı bir işlemciye alınıp ikisi ağ üzerinden haberleştirildi, böylece görü yükü sıçradığında uçuş güvenliği etkilenmiyor.