YOLO ऑब्जेक्ट डिटेक्शन समझाया गया

ऑब्जेक्ट डिटेक्शन एक कंप्यूटर विज़न तकनीक है जो किसी छवि या वीडियो के भीतर वस्तुओं की पहचान और उनका स्थानीयकरण करती है। 

TL;DR

• YOLO (You Only Look Once) एक रियल-टाइम ऑब्जेक्ट डिटेक्शन एल्गोरिदम है जो एक ही फॉरवर्ड पास में छवियों को प्रोसेस करता है, जिससे यह दो-स्टेज डिटेक्टरों की तुलना में काफी तेज होता है
• एल्गोरिदम छवियों को ग्रिड में विभाजित करता है, कॉन्फिडेंस स्कोर के साथ बाउंडिंग बॉक्स का पूर्वानुमान लगाता है, और ओवरलैपिंग डिटेक्शन को फ़िल्टर करने के लिए Non-Maximum Suppression का उपयोग करता है
• YOLO 2015 की v1 से लेकर YOLOv10, YOLOv11, YOLOv12, और YOLO26 (2026) तक विकसित हुआ है, जहां प्रत्येक संस्करण ने गति, सटीकता या दोनों में सुधार किया है
• आम अनुप्रयोगों में स्वचालित वाहन, हेल्थकेयर इमेजिंग, कृषि, सुरक्षा निगरानी, और स्पोर्ट्स एनालिटिक्स शामिल हैं
• pip install ultralytics के साथ इंस्टॉल करें और Python API या CLI से इन्फरेंस चलाएँ

इमेज लोकलाइज़ेशन वह प्रक्रिया है जिसमें बाउंडिंग बॉक्स का उपयोग करके एक या एकाधिक वस्तुओं के सही स्थान की पहचान की जाती है; ये बॉक्स वस्तुओं के चारों ओर खींचे गए आयत होते हैं। यह प्रक्रिया कभी-कभी इमेज क्लासिफिकेशन या इमेज रिकग्निशन के साथ भ्रमित हो जाती है, जिसका उद्देश्य किसी छवि या उसमें मौजूद वस्तु की श्रेणी/वर्ग का पूर्वानुमान लगाना होता है। 

नीचे का चित्रण उपरोक्त व्याख्या का दृश्य रूपांतरण है। छवि में पहचानी गई वस्तु “Person” है। 

छवि: लेखक द्वारा

इस संकल्पनात्मक ब्लॉग में, आप पहले ऑब्जेक्ट डिटेक्शन के लाभ समझेंगे और उसके बाद YOLO, अत्याधुनिक ऑब्जेक्ट डिटेक्शन एल्गोरिदम, से परिचय होगा। 

दूसरे भाग में, हम YOLO एल्गोरिदम और इसके काम करने के तरीके पर अधिक ध्यान देंगे। उसके बाद, हम YOLO का उपयोग करते हुए कुछ वास्तविक जीवन के अनुप्रयोग देंगे। 

अंतिम खंड में 2015 से 2024 तक YOLO के विकास की व्याख्या होगी और फिर अगले चरणों पर निष्कर्ष दिया जाएगा। 

YOLO क्या है?

You Only Look Once (YOLO) एक अत्याधुनिक, रियल-टाइम ऑब्जेक्ट डिटेक्शन एल्गोरिदम है, जिसे 2015 में Joseph Redmon, Santosh Divvala, Ross Girshick, और Ali Farhadi ने अपने प्रसिद्ध शोधपत्र You Only Look Once: Unified, Real-Time Object Detection में प्रस्तुत किया था। 

लेखकों ने ऑब्जेक्ट डिटेक्शन समस्या को वर्गीकरण के बजाय एक प्रतिगमन (regression) कार्य के रूप में गढ़ा, जिसमें एक ही convolutional neural network (CNN) द्वारा स्थानिक रूप से बाउंडिंग बॉक्स अलग किए जाते हैं और प्रत्येक पहचानी गई छवि को संभावनाएँ सौंपी जाती हैं।

यदि आप इमेज क्लासिफिकेशन में रुचि रखते हैं, तो Image Modeling with Keras in Python कोर्स पर विचार करें, जहाँ आप इमेज क्लासिफिकेशन कार्यों के लिए Keras-आधारित डीप न्यूरल नेटवर्क बनाते हैं। यदि आप Pytorch में अधिक रुचि रखते हैं, तो Deep Learning with PyTorch आपको convolutional neural networks और उनसे अधिक सक्षम मॉडल बनाने का तरीका सिखाएगा।

ऑब्जेक्ट डिटेक्शन के लिए YOLO लोकप्रिय क्यों है?

कुछ कारण जिनसे YOLO प्रतिस्पर्धा में आगे है, वे हैं:

• गति 
• डिटेक्शन सटीकता 
• बेहतर सामान्यीकरण 
• ओपन-सोर्स

आइए इन विशेषताओं को थोड़ा विस्तार से देखें।

1. गति

YOLO अत्यंत तेज है क्योंकि यह जटिल पाइपलाइनों से नहीं जूझता। यह 45 फ्रेम प्रति सेकंड (FPS) की दर से छवियों को प्रोसेस कर सकता है। इसके अलावा, YOLO अन्य रियल-टाइम सिस्टम्स की तुलना में औसत औसत सटीकता (mAP) में दोगुने से अधिक तक पहुँचता है, जो इसे रियल-टाइम प्रोसेसिंग के लिए एक बेहतरीन उम्मीदवार बनाता है। 

नीचे दिए गए ग्राफ़ से, हम देखते हैं कि 91 FPS के साथ YOLO अन्य ऑब्जेक्ट डिटेक्टरों से बहुत आगे है।

अन्य अत्याधुनिक ऑब्जेक्ट डिटेक्टरों की तुलना में YOLO की गति (स्रोत)

2. उच्च डिटेक्शन सटीकता

सटीकता में YOLO अन्य अत्याधुनिक मॉडलों से कहीं आगे है, और पृष्ठभूमि त्रुटियाँ बहुत कम होती हैं। 

3. बेहतर सामान्यीकरण

यह विशेष रूप से YOLO के नए संस्करणों के लिए सही है, जिन पर आगे चर्चा होगी। इन प्रगतियों के साथ, YOLO ने नए डोमेनों के लिए बेहतर सामान्यीकरण प्रदान करके एक कदम और आगे बढ़ाया है, जो इसे तेज़ और मज़बूत ऑब्जेक्ट डिटेक्शन पर आधारित अनुप्रयोगों के लिए बेहतरीन बनाता है। 

उदाहरण के लिए, Automatic Detection of Melanoma with Yolo Deep Convolutional Neural Networks पेपर बताता है कि पहली संस्करण YOLOv1 में मेलेनोमा रोग की स्वचालित पहचान के लिए mAP सबसे कम था, जबकि YOLOv2 और YOLOv3 बेहतर रहे।

4. ओपन-सोर्स 

YOLO को ओपन-सोर्स बनाने से समुदाय ने मॉडल को लगातार बेहतर किया है। यही एक कारण है कि YOLO ने कम समय में इतनी अधिक प्रगति की है। 

YOLO आर्किटेक्चर

YOLO आर्किटेक्चर GoogleNet के समान है। जैसा कि नीचे दर्शाया गया है, इसमें 24 कन्वोल्यूशनल लेयर्स, चार मैक्स-पूलिंग लेयर्स, और दो फुली कनेक्टेड लेयर्स हैं।

YOLO आर्किटेक्चर (मूल शोधपत्र से, लेखक द्वारा संशोधित)

आर्किटेक्चर इस प्रकार कार्य करता है:

• इनपुट छवि को कन्वोल्यूशनल नेटवर्क में भेजने से पहले 448x448 में रिसाइज़ किया जाता है।
• पहले चैनलों की संख्या कम करने के लिए 1x1 कन्वोल्यूशन लागू किया जाता है, उसके बाद 3x3 कन्वोल्यूशन से क्यूबॉइडल आउटपुट उत्पन्न होता है।
• एक्टिवेशन फंक्शन ReLU है, अंतिम लेयर को छोड़कर, जो रैखिक (linear) एक्टिवेशन का उपयोग करती है।
• बैच नॉर्मलाइज़ेशन और ड्रॉपआउट जैसी अतिरिक्त तकनीकें मॉडल को रेगुलराइज़ करती हैं और ओवरफिटिंग से बचाती हैं।

Deep Learning in Python ट्रैक या PyTorch CNN Tutorial पूरा करके, आप Keras का उपयोग कर जटिल, बहु-आउटपुट नेटवर्क को ट्रेन और टेस्ट करने और डीप लर्निंग में गहराई तक जाने के लिए तैयार होंगे।

YOLO ऑब्जेक्ट डिटेक्शन कैसे काम करता है?

अब जब आप आर्किटेक्चर समझ चुके हैं, तो आइए एक सरल उपयोग मामले के माध्यम से उच्च-स्तरीय अवलोकन करें कि YOLO एल्गोरिदम ऑब्जेक्ट डिटेक्शन कैसे करता है।

“कल्पना कीजिए कि आपने एक YOLO एप्लिकेशन बनाया है जो किसी दी गई छवि से खिलाड़ियों और फुटबॉल को पहचानता है। 

लेकिन आप इस प्रक्रिया को किसी को, खासकर नए लोगों को, कैसे समझाएँगे?

 → यही इस खंड का उद्देश्य है। आप समझेंगे कि YOLO ऑब्जेक्ट डिटेक्शन कैसे करता है और छवि (A) से छवि (B) तक कैसे पहुँचा जाता है।”

छवि: लेखक द्वारा

एल्गोरिदम निम्न चार तरीकों पर आधारित है: 

• रेज़िडुअल ब्लॉक्स
• बाउंडिंग बॉक्स रिग्रेशन
• Intersection Over Union या संक्षेप में IOU
• Non-Maximum Suppression (NMS) 

आइए इन्हें एक-एक कर करीब से देखें। 

1. रेज़िडुअल ब्लॉक्स

यह पहला चरण मूल छवि (A) को समान आकार की NxN ग्रिड कोशिकाओं में विभाजित करके शुरू होता है, जहाँ N, हमारे मामले में, 4 है, जैसा कि दाएँ की छवि में दिखाया गया है। ग्रिड की प्रत्येक सेल उस वस्तु के स्थानीयकरण और उसके वर्ग की भविष्यवाणी करने के लिए जिम्मेदार है, जिसे वह कवर करती है, साथ ही प्रायिकता/कॉन्फिडेंस मान के साथ। 

छवि: लेखक द्वारा

2. बाउंडिंग बॉक्स रिग्रेशन

अगला चरण उन बाउंडिंग बॉक्स का निर्धारण करना है जो आयत होते हैं और छवि में सभी वस्तुओं को हाईलाइट करते हैं। किसी दी गई छवि में जितनी वस्तुएँ हों, उतने बाउंडिंग बॉक्स हो सकते हैं। 

YOLO इन बाउंडिंग बॉक्स के गुण एकल रिग्रेशन मॉड्यूल से निम्न स्वरूप में निर्धारित करता है, जहाँ Y प्रत्येक बाउंडिंग बॉक्स के लिए अंतिम वेक्टर निरूपण है। 

Y = [pc, bx, by, bh, bw, c1, c2]

यह विशेष रूप से मॉडल के प्रशिक्षण चरण के दौरान महत्वपूर्ण है।

• pc उस ग्रिड की प्रायिकता स्कोर को दर्शाता है जिसमें कोई ऑब्जेक्ट है। उदाहरण के लिए, लाल रंग वाले सभी ग्रिड का प्रायिकता स्कोर शून्य से अधिक होगा। दाईं ओर की छवि सरल रूप है क्योंकि प्रत्येक पीली सेल की प्रायिकता शून्य (अमहत्वपूर्ण) है। 

छवि: लेखक द्वारा

• bx, by बाउंडिंग बॉक्स के केंद्र के x और y निर्देशांक हैं, जो घेरने वाली ग्रिड सेल के सापेक्ष होते हैं। 
• bh, bw बाउंडिंग बॉक्स की ऊँचाई और चौड़ाई हैं, जो घेरने वाली ग्रिड सेल के सापेक्ष होती हैं। 
• c1 और c2 दो वर्गों, Player और Ball, से संबंधित हैं। आपके उपयोग मामले के अनुसार कक्षाएँ अधिक भी हो सकती हैं। 

समझने के लिए, नीचे दाईं ओर वाले खिलाड़ी पर थोड़ा अधिक ध्यान दें। 

छवि: लेखक द्वारा

3. Intersection Over Union या IOU

अधिकांश समय, किसी छवि में एक ही वस्तु के लिए पूर्वानुमान हेतु कई ग्रिड बॉक्स प्रत्याशी हो सकते हैं, भले ही सभी प्रासंगिक न हों। IOU (0 और 1 के बीच का मान) का लक्ष्य ऐसे ग्रिड बॉक्स को हटा देना है ताकि केवल प्रासंगिक बॉक्स ही रहें। इसके पीछे की तर्कशक्ति यह है: 

• उपयोगकर्ता IOU चयन थ्रेशोल्ड तय करता है, जो उदाहरण के लिए 0.5 हो सकता है। 
• फिर YOLO प्रत्येक ग्रिड सेल का IOU निकालता है, जो Intersection क्षेत्र को Union क्षेत्र से विभाजित करके मिलता है। 
• अंत में, यह उन ग्रिड सेल के पूर्वानुमान को नज़रअंदाज़ करता है जिनका IOU ≤ थ्रेशोल्ड है और जिनका IOU > थ्रेशोल्ड है उन्हें रखता है। 

नीचे बाएँ वाले ऑब्जेक्ट पर ग्रिड चयन प्रक्रिया लागू करने का चित्रण है। देखा जा सकता है कि मूल रूप से उस वस्तु के दो ग्रिड प्रत्याशी थे, और अंत में केवल “Grid 2” का चयन हुआ। 

छवि: लेखक द्वारा

4. Non-Max Suppression या NMS

IOU के लिए थ्रेशोल्ड सेट करना हमेशा पर्याप्त नहीं होता, क्योंकि किसी ऑब्जेक्ट के कई बॉक्स थ्रेशोल्ड से अधिक IOU के साथ हो सकते हैं, और उन सभी बॉक्स को छोड़ने से शोर आ सकता है। यहाँ NMS काम आता है ताकि केवल सबसे उच्च प्रायिकता स्कोर वाले बॉक्स ही रहें। 

YOLO के अनुप्रयोग

YOLO ऑब्जेक्ट डिटेक्शन का हमारे रोज़मर्रा के जीवन में कई तरह से उपयोग होता है। इस खंड में, हम हेल्थकेयर, कृषि, सुरक्षा निगरानी और स्वचालित कारों जैसे क्षेत्रों में इसके कुछ उपयोग कवर करेंगे।

ऑब्जेक्ट डिटेक्शन को हेल्थकेयर और कृषि जैसी कई व्यावहारिक उद्योगों में अपनाया गया है। आइए प्रत्येक को विशिष्ट उदाहरणों के साथ समझें। 

हेल्थकेयर

विशेष रूप से सर्जरी में, रियल-टाइम में अंगों का स्थानीयकरण करना चुनौतीपूर्ण हो सकता है, क्योंकि एक मरीज से दूसरे तक जैविक विविधता होती है। Kidney Recognition in CT ने YOLOv3 का उपयोग किया ताकि कंप्यूटरीकृत टोमोग्राफी (CT) स्कैन से 2D और 3D में किडनी का स्थानीयकरण करने में आसानी हो। 

Biomedical Image Analysis in Python कोर्स आपको Python का उपयोग करके बायोमेडिकल इमेज डेटा को खोजने, संशोधित करने और मापने की बुनियादी बातें सीखने में मदद कर सकता है।  

YOLOv3 द्वारा 2D किडनी डिटेक्शन (छवि: Kidney Recognition in CT using YOLOv3 से)

कृषि

Artificial Intelligence और रोबोटिक्स आधुनिक कृषि में बड़ी भूमिका निभाते हैं। हार्वेस्टिंग रोबोट विज़न-आधारित रोबोट हैं जिन्हें फलों और सब्जियों की मैनुअल तोड़ाई को बदलने के लिए पेश किया गया। इस क्षेत्र के सर्वोत्तम मॉडलों में से एक YOLO का उपयोग करता है। Tomato detection based on a modified YOLOv3 framework में, लेखकों ने बताया कि उन्होंने कुशल हार्वेस्ट के लिए फलों और सब्जियों के प्रकारों की पहचान करने हेतु YOLO का कैसे उपयोग किया। 

छवि: संशोधित YOLOv3 फ्रेमवर्क आधारित टमाटर डिटेक्शन से (स्रोत)

सुरक्षा निगरानी

हालाँकि ऑब्जेक्ट डिटेक्शन का उपयोग प्रायः सुरक्षा निगरानी में होता है, यह इसका एकमात्र अनुप्रयोग नहीं है। COVID-19 महामारी के दौरान YOLOv3 का उपयोग लोगों के बीच सोशल डिस्टेंस उल्लंघन का अनुमान लगाने के लिए किया गया। 

आप इस विषय पर A deep-learning-based social distance monitoring framework for COVID-19 से और पढ़ सकते हैं। 

स्वचालित कारें

रियल-टाइम ऑब्जेक्ट डिटेक्शन स्वचालित वाहन प्रणालियों के डीएनए का हिस्सा है। यह एकीकरण इसलिए महत्वपूर्ण है क्योंकि वाहनों को सही लेन और आसपास की सभी वस्तुओं व पैदल यात्रियों की सटीक पहचान करनी होती है ताकि सड़क सुरक्षा बढ़े। YOLO का रियल-टाइम गुण इसे साधारण इमेज सेगमेंटेशन तरीकों की तुलना में बेहतर उम्मीदवार बनाता है। 

YOLO का विकास: 2015 से 2024 तक

2015 में पहली रिलीज़ के बाद से, YOLO विभिन्न संस्करणों के साथ काफी विकसित हुआ है। इस खंड में, हम इन संस्करणों के बीच के अंतर समझेंगे।

YOLO या YOLOv1: शुरुआती बिंदु

YOLO का पहला संस्करण ऑब्जेक्ट डिटेक्शन के लिए गेम चेंजर था क्योंकि यह तेज़ी और कुशलता से वस्तुओं को पहचान सकता था। 

हालाँकि, अन्य समाधानों की तरह, YOLO के पहले संस्करण की अपनी सीमाएँ थीं: 

• यह छवियों के समूह में छोटे ऑब्जेक्ट्स का पता लगाने में संघर्ष करता है, जैसे स्टेडियम में लोगों का समूह। इसका कारण यह है कि YOLO आर्किटेक्चर में प्रत्येक ग्रिड को सिंगल-ऑब्जेक्ट डिटेक्शन के लिए डिज़ाइन किया गया है। 
• फिर, YOLO नए या असामान्य आकारों का सफलतापूर्वक पता लगाने में सक्षम नहीं है। 
• अंततः, डिटेक्शन प्रदर्शन का अनुमान लगाने के लिए प्रयुक्त लॉस फंक्शन छोटे और बड़े बाउंडिंग बॉक्स दोनों के लिए त्रुटियों को समान मानता है, जो वास्तव में गलत लोकलाइज़ेशन पैदा करता है। 

YOLOv2 या YOLO9000

YOLOv2 को 2016 में इस विचार के साथ बनाया गया कि YOLO मॉडल को बेहतर, तेज़ और मज़बूत बनाया जाए।

सुधारों में, अन्य के अलावा, नए आर्किटेक्चर के रूप में Darknet-19 का उपयोग, बैच नॉर्मलाइज़ेशन, उच्च इनपुट रेज़ोल्यूशन, एंकर के साथ कन्वोल्यूशन लेयर्स, डाइमेंशनलिटी क्लस्टरिंग, और (5) फाइन-ग्रेन्ड फीचर्स शामिल हैं। 

बैच नॉर्मलाइज़ेशन 

बैच नॉर्मलाइज़ेशन लेयर जोड़ने से प्रदर्शन में 2% mAP का सुधार हुआ। इसने रेगुलराइज़ेशन प्रभाव भी दिया, जिससे ओवरफिटिंग रोकी जा सकी। 

उच्च इनपुट रेज़ोल्यूशन

YOLOv2 सीधे 224×224 के बजाय 448×448 के उच्च रेज़ोल्यूशन इनपुट का उपयोग करता है, जिससे मॉडल अपने फ़िल्टरों को उच्च रेज़ोल्यूशन छवियों पर बेहतर प्रदर्शन के लिए अनुकूलित कर पाता है। इस दृष्टिकोण ने ImageNet डेटा पर 10 epochs ट्रेनिंग के बाद सटीकता में 4% mAP की वृद्धि की। 

एंकर बॉक्स के साथ कन्वोल्यूशन लेयर्स

YOLOv1 की तरह वस्तुओं के बाउंडिंग बॉक्स के सटीक निर्देशांक की भविष्यवाणी करने के बजाय, YOLOv2 फुली कनेक्टेड लेयर्स को एंकर बॉक्स से बदलकर समस्या को सरल बनाता है। इससे सटीकता थोड़ी घटती है, लेकिन मॉडल का रिकॉल 7% तक बढ़ता है, जो आगे सुधार की गुंजाइश देता है।

डाइमेंशनलिटी क्लस्टरिंग

YOLOv2 पहले बताए गए एंकर बॉक्स को मैनुअल चयन के बजाय k=5 के साथ k-means डाइमेंशनलिटी क्लस्टरिंग से स्वचालित रूप से खोजता है। यह नया तरीका रिकॉल और प्रिसिजन के बीच एक अच्छा संतुलन प्रदान करता है।

k-means डाइमेंशनलिटी क्लस्टरिंग को बेहतर समझने के लिए हमारे K-Means Clustering in Python with scikit-learn और K-Means Clustering in R ट्यूटोरियल देखें। ये Python और R में k-means क्लस्टरिंग की अवधारणा पर प्रकाश डालते हैं। 

फाइन-ग्रेन्ड फीचर्स

YOLOv2 पूर्वानुमान 13x13 फीचर मैप्स उत्पन्न करता है, जो बड़े ऑब्जेक्ट डिटेक्शन के लिए पर्याप्त है। लेकिन बहुत सूक्ष्म ऑब्जेक्ट्स के लिए, आर्किटेक्चर को 26 × 26 × 512 फीचर मैप को 13 × 13 × 2048 फीचर मैप में बदलकर और उसे मूल फीचर्स के साथ कंसकैटिनेट करके संशोधित किया जा सकता है। इस दृष्टिकोण से मॉडल के प्रदर्शन में 1% सुधार हुआ। 

YOLOv3: एक क्रमिक सुधार 

एक क्रमिक सुधार YOLOv2 पर करते हुए YOLOv3 बनाया गया। 

परिवर्तन मुख्य रूप से नए नेटवर्क आर्किटेक्चर: Darknet-53 में है। यह 106-लेयर वाला न्यूरल नेटवर्क है, जिसमें अपसैंपलिंग नेटवर्क और रेज़िडुअल ब्लॉक्स हैं। यह Darknet-19 (YOLOv2 का बैकबोन) की तुलना में कहीं बड़ा, तेज़ और अधिक सटीक है। यह नया आर्किटेक्चर कई स्तरों पर लाभकारी रहा:

बेहतर बाउंडिंग बॉक्स पूर्वानुमान

YOLOv3 प्रत्येक बाउंडिंग बॉक्स के लिए ऑब्जेक्टनेस स्कोर की भविष्यवाणी करने हेतु लॉजिस्टिक रिग्रेशन मॉडल का उपयोग करता है। 

अधिक सटीक क्लास पूर्वानुमान 

YOLOv2 में प्रयुक्त softmax के बजाय, YOLOv3 ने स्वतंत्र लॉजिस्टिक क्लासिफ़ायर्स पेश किए ताकि बाउंडिंग बॉक्स के वर्ग को अधिक सटीकता से भविष्यवाणी की जा सके। यह ओवरलैपिंग लेबल (जैसे Person → Soccer Player) वाले अधिक जटिल डोमेनों में भी उपयोगी है। softmax प्रत्येक बॉक्स को एक ही वर्ग तक सीमित कर देता, जो हमेशा सच नहीं होता।

विभिन्न स्केल पर अधिक सटीक पूर्वानुमान

YOLOv3 इनपुट छवि के प्रत्येक स्थान पर अलग-अलग स्केल पर तीन पूर्वानुमान करता है, जिससे पिछली लेयर्स से अपसैंपलिंग में मदद मिलती है। यह रणनीति बेहतर गुणवत्ता वाली आउटपुट छवि के लिए सूक्ष्म और अधिक सार्थक सेमांटिक जानकारी प्रदान करती है। 

YOLOv4: ऑब्जेक्ट डिटेक्शन की इष्टतम गति और सटीकता

YOLO का यह संस्करण सभी पिछले संस्करणों और अन्य अत्याधुनिक ऑब्जेक्ट डिटेक्टरों की तुलना में इष्टतम गति और सटीकता प्रदान करता है। 

नीचे की छवि दिखाती है कि YOLOv4 गति में YOLOv3 और FPS को क्रमशः 10% और 12% से मात देता है। 

YOLOv3 और अन्य अत्याधुनिक ऑब्जेक्ट डिटेक्टरों की तुलना में YOLOv4 की गति (स्रोत)

YOLOv4 विशेष रूप से प्रोडक्शन सिस्टम्स के लिए डिज़ाइन किया गया है और समानांतर कंप्यूटेशन के लिए ऑप्टिमाइज़्ड है। 

YOLOv4 की आर्किटेक्चर का बैकबोन CSPDarknet53 है, जिसमें 3 × 3 फ़िल्टर्स के साथ 29 कन्वोल्यूशनल लेयर्स और लगभग 27.6 मिलियन पैरामीटर्स हैं। 

यह आर्किटेक्चर, YOLOv3 की तुलना में, बेहतर ऑब्जेक्ट डिटेक्शन हेतु निम्न को जोड़ता है: 

• Spatial Pyramid Pooling (SPP) ब्लॉक रिसेप्टिव फील्ड को काफ़ी बढ़ाता है, सबसे प्रासंगिक संदर्भ फीचर्स को अलग करता है, और नेटवर्क की गति को प्रभावित नहीं करता। 
• YOLOv3 में प्रयुक्त Feature Pyramid Network (FPN) के बजाय, YOLOv4 PANet का उपयोग अलग-अलग डिटेक्शन स्तरों से पैरामीटर एग्रीगेशन के लिए करता है। 
• डेटा ऑगमेंटेशन में मोज़ाइक तकनीक का उपयोग होता है जो चार ट्रेनिंग छवियों को संयोजित करती है, साथ ही self-adversarial प्रशिक्षण का उपयोग किया जाता है। 
• जेनेटिक एल्गोरिद्म का उपयोग कर इष्टतम हाइपर-पैरामीटर चयन किया जाता है। 

YOLOR: You Only Look One Representation

Multiple Tasks के लिए एकीकृत नेटवर्क के रूप में, YOLOR उस यूनिफाइड नेटवर्क पर आधारित है जो explicit और implicit नॉलेज दृष्टिकोणों का संयोजन है।

यूनिफाइड नेटवर्क आर्किटेक्चर (स्रोत)

Explicit नॉलेज सामान्य या सचेतन सीखना है। दूसरी ओर, implicit लर्निंग अवचेतन रूप से (अनुभव से) होती है।

इन दोनों तकनीकों को मिलाकर, YOLOR तीन प्रक्रियाओं पर आधारित एक अधिक मज़बूत आर्किटेक्चर बनाता है: (1) फीचर एलाइनमेंट, (2) ऑब्जेक्ट डिटेक्शन के लिए प्रेडिक्शन एलाइनमेंट, और (3) मल्टी-टास्क लर्निंग के लिए कैनॉनिकल रिप्रेजेंटेशन

प्रेडिक्शन एलाइनमेंट

यह दृष्टिकोण प्रत्येक फीचर पिरामिड नेटवर्क (FPN) के फीचर मैप में एक implicit रिप्रेजेंटेशन जोड़ता है, जिससे लगभग 0.5% तक प्रिसिजन में सुधार होता है। 

ऑब्जेक्ट डिटेक्शन के लिए प्रेडिक्शन रिफाइनमेंट

नेटवर्क की आउटपुट लेयर्स में implicit रिप्रेजेंटेशन जोड़कर मॉडल की भविष्यवाणियों को परिष्कृत किया जाता है। 

मल्टी-टास्क लर्निंग के लिए कैनॉनिकल रिप्रेजेंटेशन

मल्टी-टास्क ट्रेनिंग में सभी कार्यों के साझा लॉस फंक्शन पर संयुक्त ऑप्टिमाइज़ेशन की आवश्यकता होती है। यह प्रक्रिया मॉडल के कुल प्रदर्शन को घटा सकती है, और इस समस्या को प्रशिक्षण के दौरान कैनॉनिकल रिप्रेजेंटेशन के एकीकरण से कम किया जा सकता है। 

निम्न ग्राफ़िक से, हम देख सकते हैं कि YOLOR ने MS COCO डेटा पर अन्य मॉडलों की तुलना में अत्याधुनिक इन्फरेंस स्पीड हासिल की।

YOLOv4 और अन्य मॉडलों की तुलना में YOLOR का प्रदर्शन (स्रोत)

YOLOX: 2021 में YOLO श्रृंखला से आगे

यह एक बेसलाइन का उपयोग करता है जो YOLOv3 का संशोधित संस्करण है, जिसका बैकबोन Darknet-53 है।

Exceeding YOLO Series in 2021 पेपर में प्रकाशित, YOLOX ने पुराने संस्करणों की तुलना में बेहतर मॉडल बनाने हेतु निम्न चार मुख्य विशेषताएँ प्रस्तुत कीं।

एक कुशल डीकपल्ड हेड

पिछले YOLO संस्करणों में प्रयुक्त कपल्ड हेड मॉडलों के प्रदर्शन को घटाता पाया गया। YOLOX इसके बजाय डीकपल्ड हेड का उपयोग करता है, जो क्लासिफिकेशन और लोकलाइज़ेशन कार्यों को अलग करता है, और इस प्रकार मॉडल के प्रदर्शन को बढ़ाता है। 

मज़बूत डेटा ऑगमेंटेशन

डेटा ऑगमेंटेशन दृष्टिकोण में Mosaic और MixUp के एकीकरण से YOLOX का प्रदर्शन काफ़ी बढ़ा।  

एंकर-फ्री प्रणाली

 एंकर-आधारित एल्गोरिद्म आंतरिक रूप से क्लस्टरिंग करते हैं, जो इन्फरेंस समय बढ़ाता है। YOLOX में एंकर मैकेनिज़्म हटाने से प्रति छवि पूर्वानुमानों की संख्या घटी और इन्फरेंस समय में उल्लेखनीय सुधार हुआ। 

लेबल असाइनमेंट के लिए SimOTA

Intersection over Union (IoU) दृष्टिकोण का उपयोग करने के बजाय, लेखक ने SimOTA प्रस्तुत किया, जो एक अधिक मज़बूत लेबल असाइनमेंट रणनीति है, जो न केवल प्रशिक्षण समय को कम करती है बल्कि अतिरिक्त हाइपरपैरामीटर समस्याओं से भी बचती है। इसके अलावा, इसने डिटेक्शन mAP में 3% सुधार किया।

YOLOv5

अन्य संस्करणों की तुलना में, YOLOv5 का शोधपत्र प्रकाशित नहीं है, और यह YOLO का पहला संस्करण है जिसे Darknet के बजाय Pytorch में लागू किया गया। 

Glenn Jocher द्वारा जून 2020 में जारी, YOLOv5, YOLOv4 के समान, अपनी आर्किटेक्चर के बैकबोन के रूप में CSPDarknet53 का उपयोग करता है। रिलीज़ में पाँच अलग-अलग मॉडल आकार शामिल हैं: YOLOv5s (सबसे छोटा), YOLOv5m, YOLOv5l, और YOLOv5x (सबसे बड़ा)।

YOLOv5 आर्किटेक्चर में एक प्रमुख सुधार Focus लेयर का एकीकरण है, जो एक सिंगल लेयर द्वारा दर्शाई जाती है, जिसे YOLOv3 की पहली तीन लेयर्स को बदलकर बनाया गया है। इस एकीकरण ने लेयर्स और पैरामीटर्स की संख्या घटाई और mAP पर किसी बड़े प्रभाव के बिना फॉरवर्ड और बैकवर्ड गति दोनों में वृद्धि की। 

निम्न चित्रण YOLOv4 और YOLOv5s के बीच प्रशिक्षण समय की तुलना करता है।

YOLOv4 और YOLOv5 के बीच प्रशिक्षण समय की तुलना (स्रोत)

YOLOv6: औद्योगिक अनुप्रयोगों के लिए सिंगल-स्टेज ऑब्जेक्ट डिटेक्शन फ्रेमवर्क

औद्योगिक अनुप्रयोगों के लिए समर्पित, हार्डवेयर-फ्रेंडली कुशल डिज़ाइन और उच्च प्रदर्शन के साथ, YOLOv6 (MT-YOLOv6) फ्रेमवर्क को Meituan, एक चीनी ई-कॉमर्स कंपनी, द्वारा जारी किया गया। 

Pytorch में लिखा गया यह नया संस्करण आधिकारिक YOLO का हिस्सा नहीं था, फिर भी इसका नाम YOLOv6 पड़ा क्योंकि इसका बैकबोन मूल वन-स्टेज YOLO आर्किटेक्चर से प्रेरित था। 

YOLOv6 ने YOLOv5 पर तीन महत्वपूर्ण सुधार प्रस्तुत किए: हार्डवेयर-फ्रेंडली बैकबोन और नेक डिज़ाइन, एक कुशल डीकपल्ड हेड, और अधिक प्रभावी प्रशिक्षण रणनीति।

नीचे दर्शाए अनुसार, COCO डेटासेट पर सटीकता और गति के मामले में YOLOv6 ने पिछले YOLO संस्करणों की तुलना में बेहतरीन परिणाम दिए।

अत्याधुनिक कुशल ऑब्जेक्ट डिटेक्टरों की तुलना। सभी मॉडलों का TensorRT 7 के साथ परीक्षण किया गया, सिवाय क्वांटाइज़्ड मॉडल के, जो TensorRT 8 के साथ है (स्रोत)

• YOLOv6-N ने COCO डेटासेट पर 35.9% AP हासिल किया, और NVIDIA Tesla T4 GPU पर 1234 FPS (थ्रूपुट्स) प्राप्त किए।
• YOLOv6-S ने 869 FPS पर 43.3% AP के साथ नया अत्याधुनिक स्तर हासिल किया।
• YOLOv6-M और YOLOv6-L ने भी क्रमशः 49.5% और 52.3% पर बेहतर सटीकता प्रदर्शन हासिल किया, समान इन्फरेंस स्पीड के साथ। 

ये सभी विशेषताएँ YOLOv6 को औद्योगिक अनुप्रयोगों के लिए उपयुक्त एल्गोरिदम बनाती हैं।

YOLOv7: Trainable bag-of-freebies सेट और रियल-टाइम ऑब्जेक्ट डिटेक्टरों के लिए नया अत्याधुनिक स्तर

YOLOv7 जुलाई 2022 में Trained bag-of-freebies sets new state-of-the-art for real-time object detectors पेपर में जारी किया गया। यह संस्करण ऑब्जेक्ट डिटेक्शन के क्षेत्र में महत्वपूर्ण कदम है, और सटीकता व गति के मामले में सभी पिछले मॉडलों को पार कर गया।

अन्य रियल-टाइम ऑब्जेक्ट डिटेक्टरों की तुलना में YOLOv7 का इन्फरेंस समय (स्रोत)

YOLOv7 ने (1) आर्किटेक्चर और (2) Trainable bag-of-freebies स्तर पर बड़ा परिवर्तन किया:

आर्किटेक्चरल स्तर

YOLOv7 ने Extended Efficient Layer Aggregation Network (E-ELAN) को एकीकृत कर अपनी आर्किटेक्चर में सुधार किया, जिससे मॉडल बेहतर शिक्षण हेतु अधिक विविध फीचर्स सीख सकता है। 

इसके अतिरिक्त, YOLOv7 अपनी आर्किटेक्चर को उन मॉडलों की आर्किटेक्चर को कंसकैटिनेट करके स्केल करता है जिनसे यह व्युत्पन्न है, जैसे YOLOv4, Scaled YOLOv4, और YOLO-R। इससे मॉडल विभिन्न इन्फरेंस स्पीड की आवश्यकताओं को पूरा कर पाता है।

कंसकैटिनेशन-आधारित मॉडल के लिए डेप्थ और विड्थ का कंपाउंड स्केलिंग (स्रोत)

Trainable bag-of-freebies

bag-of-freebies शब्द का आशय प्रशिक्षण लागत बढ़ाए बिना मॉडल की सटीकता बढ़ाने से है, और यही कारण है कि YOLOv7 ने न केवल इन्फरेंस स्पीड बढ़ाई, बल्कि डिटेक्शन सटीकता भी।

YOLOv8: मॉड्यूलैरिटी और लचीलापन बढ़ाना

YOLOv8 अधिक मॉड्यूलर और लचीला डिज़ाइन प्रस्तुत करता है, जो कस्टमाइज़ेशन और फाइन-ट्यूनिंग को आसान बनाता है। ऑब्जेक्ट डिटेक्शन से आगे, जैसे सेगमेंटेशन और पोज़ एस्टीमेशन, के लिए बिल्ट-इन सपोर्ट।

• हल्के मॉडल स्पीड और सटीकता के बीच संतुलन को और बेहतर बनाते हैं, छोटे मॉडल आकार एज डिवाइसेज़ पर रियल-टाइम अनुप्रयोगों के लिए उपयुक्त हैं।
• कस्टम डेटासेट्स के साथ आसानी से एकीकरण हेतु कस्टम डेटा सपोर्ट जोड़ता है, जिससे यह विशिष्ट अनुप्रयोगों के लिए बहुमुखी बनता है।
• YOLOv8 प्रोडक्शन सेटिंग्स में आसान डिप्लॉयमेंट और मॉडल मैनेजमेंट के लिए नए API भी जोड़ता है।

YOLO-NAS (Neural Architecture Search): आर्किटेक्चर का अनुकूलन

YOLO-NAS Neural Architecture Search (NAS) का उपयोग करके अपने-आप एक अनुकूलित आर्किटेक्चर डिज़ाइन करता है, ताकि बिना मैनुअल ट्यूनिंग के प्रदर्शन अधिकतम हो।

• यह प्रदर्शन और संसाधन उपयोग के बीच इष्टतम संतुलन के लिए डिज़ाइन किया गया है, जो उच्च-सटीकता और लो-लेटेंसी दोनों प्रकार के अनुप्रयोगों के लिए उपयुक्त है।
• यह छवि के भीतर अलग-अलग वस्तुओं के लिए रेज़ोल्यूशन को स्वचालित रूप से समायोजित करता है, जिससे इन्फरेंस प्रक्रिया और अनुकूलित होती है।

YOLOv9: रियल-टाइम ऑब्जेक्ट डिटेक्शन के लिए क्रांतिकारी तकनीकें

YOLO-World: ज़ीरो-शॉट ऑब्जेक्ट डिटेक्शन

Tencent की AI Lab द्वारा विकसित YOLO-World एक नया प्रतिमान प्रस्तुत करता है: "prompt then detect." पारंपरिक YOLO मॉडलों के विपरीत जिन्हें विशिष्ट ऑब्जेक्ट वर्गों पर प्रशिक्षण की आवश्यकता होती है, YOLO-World बिना फाइन-ट्यूनिंग के टेक्स्ट प्रॉम्प्ट के आधार पर वस्तुओं का पता लगा सकता है।

यह ज़ीरो-शॉट क्षमता जस्ट-इन-टाइम टेक्स्ट एन्कोडिंग की आवश्यकता को समाप्त करती है, और V100 GPU पर 74.1 FPS तक प्राप्त करती है। YOLO-World विशेष रूप से उपयोगी है जब आपको प्रशिक्षण डेटा एकत्र किए बिना कस्टम ऑब्जेक्ट्स का पता लगाना हो।

2024 में लॉन्च किए गए v9 संस्करण में निम्न जैसी कई नवीन तकनीकें पेश की गईं:

• Programmable Gradient Information (PGI): एक नई तकनीक जो प्रशिक्षण के दौरान ग्रेडिएंट फ्लो को अनुकूलित करती है, जिससे जटिल डेटासेट से कुशलतापूर्वक सीखने की मॉडल की क्षमता बढ़ती है।
• Generalized Efficient Layer Aggregation Network (GELAN): एक महत्वपूर्ण आर्किटेक्चरल सुधार जो फीचर लर्निंग और एग्रीगेशन को और बेहतर बनाता है, जिससे सटीकता और गति दोनों में सुधार होता है।

YOLOv9 ने MS COCO डेटासेट पर नए बेंचमार्क स्थापित किए हैं, जो पिछले संस्करणों की तुलना में बेहतर प्रदर्शन दर्शाते हैं, विशेष रूप से प्रिसिजन और विभिन्न कार्यों में अनुकूलनशीलता के संदर्भ में। यद्यपि एक अलग ओपन-सोर्स टीम द्वारा विकसित, YOLOv9 Ultralytics YOLOv5 के कोडबेस पर आधारित है, जो ऑब्जेक्ट डिटेक्शन की सीमाओं को आगे बढ़ाने में AI समुदाय के सहयोगात्मक प्रयास को दर्शाता है।

यह नवीनतम संस्करण प्रशिक्षण प्रक्रिया और आर्किटेक्चर दोनों में महत्वपूर्ण प्रगति को उजागर करता है, जो रियल-टाइम अनुप्रयोगों के लिए दक्षता, अनुकूलता और सटीकता पर केंद्रित है।

YOLOv10: NMS-मुक्त रियल-टाइम ऑब्जेक्ट डिटेक्शन

मई 2024 में Tsinghua University के शोधकर्ताओं द्वारा जारी, YOLOv10 रियल-टाइम ऑब्जेक्ट डिटेक्शन में एक महत्वपूर्ण प्रगति है। प्रमुख नवाचार इन्फरेंस के दौरान Non-Maximum Suppression (NMS) को हटाना है, जो परंपरागत रूप से डिटेक्शन पाइपलाइन में लेटेंसी जोड़ता था।

YOLOv10 NMS-मुक्त प्रशिक्षण के लिए संगत डुअल असाइनमेंट्स पेश करता है, जो one-to-many और one-to-one लेबल असाइनमेंट्स को जोड़ता है। यह दृष्टिकोण प्रशिक्षण दक्षता बनाए रखते हुए NMS-मुक्त इन्फरेंस को सक्षम बनाता है। पेपर के अनुसार, YOLOv10-S, RT-DETR-R18 की तुलना में 1.8× तेज़ है, समान सटीकता पर, और 2.8× कम पैरामीटर्स का उपयोग करता है।

YOLOv11: उन्नत मॉड्यूलैरिटी और मल्टी-टास्क सपोर्ट

Ultralytics (YOLOv5 और YOLOv8 के निर्माता) द्वारा विकसित, YOLOv11 कई कंप्यूटर विज़न कार्यों का समर्थन करता है: ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, इमेज क्लासिफिकेशन, कीपॉइंट डिटेक्शन, और oriented bounding box (OBB) डिटेक्शन। YOLOv11x मॉडल MS COCO बेंचमार्क पर 54.7% mAP प्राप्त करता है।

YOLOv12: अटेंशन-आधारित आर्किटेक्चर

YOLOv12 YOLO आर्किटेक्चर में अटेंशन मैकेनिज़्म जोड़ता है, जिससे मॉडल की प्रासंगिक इमेज क्षेत्रों पर ध्यान देने की क्षमता सुधरती है। यह संस्करण ओवरलैपिंग ऑब्जेक्ट्स वाले जटिल दृश्यों पर बेहतर सटीकता प्राप्त करता है, जबकि रियल-टाइम प्रदर्शन बनाए रखता है।

YOLO26: नवीनतम विकास (2026)

Ultralytics द्वारा जनवरी 2026 में जारी YOLO26 एक एंड-टू-एंड, एज-ऑप्टिमाइज़्ड मॉडल है जो पाँच मुख्य कार्यों का समर्थन करता है: ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, पोज़ एस्टीमेशन, oriented object detection (OBB), और इमेज क्लासिफिकेशन। यह YOLO वंश में सर्वोच्च सटीकता प्राप्त करता है, जबकि तेज़ इन्फरेंस स्पीड बनाए रखता है।

YOLO26 विभिन्न डिप्लॉयमेंट परिदृश्यों के लिए सटीकता और गति के संतुलन के उद्देश्य से कई मॉडल आकार (Nano, Small, Medium, Large, Extra Large) प्रदान करता है। इसे इंस्टॉल करें और इस तरह उपयोग करें:

from ultralytics import YOLO

# Load the model
model = YOLO("yolo26m.pt")

# Run inference
results = model("image.jpg")
results[0].show()

निष्कर्ष

इस लेख में YOLO के लाभों को अन्य अत्याधुनिक ऑब्जेक्ट डिटेक्शन एल्गोरिद्म की तुलना में कवर किया गया, और 2015 से 2026 तक इसके विकास का, प्रमुख सुधारों के साथ, विवरण दिया गया। 

YOLO की तेज़ प्रगति को देखते हुए, इसमें कोई संदेह नहीं कि यह ऑब्जेक्ट डिटेक्शन के क्षेत्र में बहुत लंबे समय तक अग्रणी बना रहेगा। 

इस लेख का अगला चरण वास्तविक दुनिया के मामलों पर YOLO एल्गोरिद्म का अनुप्रयोग होगा। तब तक, हमारा Introduction to Deep Learning in Python कोर्स आपको न्यूरल नेटवर्क की बुनियादें और Python में Keras 2.0 का उपयोग कर डीप लर्निंग मॉडल बनाना सिखा सकता है।