A Comparative Study of Faster R-CNN, Mask R-CNN, and YOLOv8 for Object Detection and Instance Segmentation, with a Custom-Class Transfer-Learning Case Study

कंप्यूटर विज़न की दुनिया में, मशीनें दुनिया को केवल रंगों और आकारों के संग्रह के रूप में नहीं, बल्कि विशिष्ट वस्तुओं से भरे एक दृश्य के रूप में देखना सीख रही हैं। यह क्षेत्र, जिसे ऑब्जेक्ट डिटेक्शन (वस्तु पहचान) के रूप में जाना जाता है, वह तकनीक है जो एक स्वयं-चालित कार को पैदल यात्री को पहचानने, एक सुरक्षा कैमरे को घुसपैठिए का पता लगाने, या एक मेडिकल स्कैनर को ट्यूमर की पहचान करने की अनुमति देती है। एक मशीन के लिए ऐसा करने के लिए, उसे दो कठिन कार्य एक साथ करने होंगे: उसे यह ढूंढना होगा कि चित्र के भीतर एक वस्तु कहाँ स्थित है, और उसे यह भी तय करना होगा कि वह वस्तु वास्तव में क्या है। वर्षों से, शोधकर्ता इसे सिखाने के सर्वोत्तम तरीके पर बहस करते रहे हैं। कुछ दृष्टिकोण एक सतर्क निरीक्षक की तरह कार्य करते हैं, जो यह सुनिश्चित करने के लिए धीरे-धीरे और व्यवस्थित रूप से एक छवि को स्कैन करता है कि हर विवरण सही है, जबकि अन्य एक त्वरित दृष्टि की तरह कार्य करते हैं, जो गति को प्राथमिकता देने के लिए एक ही बार में पूरे दृश्य को प्रोसेस करते हैं। इंजीनियरों के लिए केंद्रीय प्रश्न यह है कि पूर्णतः सटीक होने और वास्तविक समय में काम करने के लिए पर्याप्त तेज़ होने के बीच इस संतुलन को कैसे बनाया जाए।

वेस्ट फ्लोरिडा विश्वविद्यालय में मुहम्मद उस्मान असलम द्वारा किया गया एक हालिया अध्ययन तीन अलग-अलग कंप्यूटर प्रणालियों का परीक्षण करके इस संतुलन का अन्वेषण करता है जो दुनिया को देखने के लिए डिज़ाइन की गई हैं। यह शोध दो स्थापित विधियों की तुलना करता है जो चरणों में काम करती हैं—जिनमें से एक वस्तुओं के चारों ओर सटीक रूपरेखा भी बना सकती है—एक नई, तेज़ विधि के विरुद्ध जो छवियों को एक ही बार में प्रोसेस करती है। यह अध्ययन केवल मानक परीक्षण छवियों पर इन प्रणालियों की तुलना करने से कहीं अधिक करता है; यह एक व्यावहारिक समस्या का समाधान करता है जिसे मानक परीक्षण अक्सर छोड़ देते हैं: क्या होता है जब एक मशीन ऐसी वस्तु का सामना करती है जिसे उसे पहचानने के लिए कभी सिखाया नहीं गया है? इसका उत्तर देने के लिए, शोधकर्ता ने एक सैन्य बख्तरबंद वाहनों (मिलिट्री आर्मर्ड व्हीकल) को पहचानने के लिए एक तेज़, आधुनिक प्रणाली को प्रशिक्षित किया, जो कि उन छवियों की मानक लाइब्रेरी में मौजूद नहीं है जिनका उपयोग अधिकांश कंप्यूटर विज़न मॉडल को प्रशिक्षित करने के लिए किया जाता है।

जांच की शुरुआत इन तीन प्रणालियों, जिन्हें Faster R-CNN, Mask R-CNN और YOLOv8 के रूप में जाना जाता है, की संरचना की जांच करके हुई। पहली दो प्रणालियाँ दो-चरणीय प्रक्रिया की तरह काम करती हैं। पहले, वे एक छवि को स्कैन करती हैं ताकि उन क्षेत्रों का पता लगाया जा सके जिनमें कोई वस्तु हो सकती है, और फिर वे उन विशिष्ट क्षेत्रों का विश्लेषण करती हैं ताकि यह तय किया जा सके कि वस्तु क्या है और उसकी सीमाएँ कहाँ हैं। Mask R-CNN एक तीसरा चरण जोड़ता है, जिससे यह प्रत्येक वस्तु के चारों ओर पिक्सेल-परफेक्ट रूपरेखा खींच सकता है, जिससे उसे बैकग्राउंड और अन्य ओवरलैपिंग वस्तुओं से अलग किया जा सके। ये विधियाँ उच्च सटीकता के लिए जानी जाती हैं लेकिन इनके लिए अधिक कंप्यूटिंग शक्ति और समय की आवश्यकता होती है। तीसरी प्रणाली, YOLOv8, एक अलग दृष्टिकोण अपनाती है। यह एक ही पास में पूरी छवि को देखती है, और एक साथ हर वस्तु के स्थान और प्रकार की भविष्यवाणी करती है। यह डिज़ाइन गति के लिए बनाया गया है, जो इसे वीडियो निगरानी जैसे वास्तविक समय के अनुप्रयोगों के लिए आदर्श बनाता है, हालांकि ऐतिहासिक रूप से इसे बहुत छोटी या भीड़भाड़ वाली वस्तुओं पर थोड़ा कम सटीक माना जाता रहा है।

इन प्रणालियों को वास्तविक दुनिया में परखने के लिए, शोधकर्ता ने सामान्य वस्तुओं जैसे लोग, कारें और जानवरों वाली छवियों के एक मानक सेट का उपयोग किया ताकि यह देखा जा सके कि प्री-ट्रेन्ड सिस्टम कैसा प्रदर्शन करते हैं। जब Faster R-CNN सिस्टम को बीटल्स (गुबरैले) की छवियां दिखाई गईं, तो इसने उन्हें सही ढंग से पहचाना लेकिन उसी स्थान पर "कीटों" (इन्सेक्ट्स) के लिए अतिरिक्त, कम-विश्वास वाले अनुमान भी प्रस्तुत किए, जिससे पता चला कि सिस्टम कभी-कभी संघर्ष करता है जब विभिन्न श्रेणियों की वस्तुएं ओवरलैप होती हैं या एक जैसी दिखती हैं। जब इसे एक पक्षी की तस्वीर दिखाई गई, तो सिस्टम "बर्ड," "एनिमल," या पक्षी के एक विशिष्ट प्रकार के बीच हिचकिचाता रहा, जिससे पता चला कि इसकी शब्दावली उन 80 विशिष्ट श्रेणियों तक सीमित है जिन्हें इसे मूल रूप से सिखाया गया था। Mask R-CNN सिस्टम ने मानक छवियों पर प्रभावशाली प्रदर्शन किया, भीड़ में ओवरलैपिंग जेब्रा और लोगों को सटीक रूपरेखा के साथ सफलतापूर्वक अलग किया, लेकिन ऐसा करने के लिए इसे काफी अधिक कंप्यूटिंग संसाधनों की आवश्यकता पड़ी।

हालाँकि, अध्ययन का सबसे महत्वपूर्ण हिस्सा इन प्रणालियों को कुछ ऐसा दिखाने की कोशिश करना था जो उन्होंने पहले कभी नहीं देखा था: टैंक। मानक कंप्यूटर विज़न मॉडल "क्लोज्ड-वोकैबुलरी" (सीमित शब्दावली वाले) सिस्टम होते हैं, जिसका अर्थ है कि वे केवल उन विशिष्ट वस्तुओं की सूची को पहचान सकते हैं जिन पर उन्हें प्रशिक्षित किया गया है। जब शोधकर्ता ने मानक Faster R-CNN और Mask R-CNN मॉडलों को सैन्य बख्तरबंद वाहनों की तस्वीरें दिखाईं, तो मशीनें उन्हें टैंक के रूप में पहचानने में विफल रहीं। इसके बजाय, उन्होंने छवियों को अपनी ज्ञात श्रेणियों में जबरन फिट किया, और टैंकों को "ट्रक" या "कार" के रूप में लेबल किया। यह मशीन की आकार देखने की क्षमता की विफलता नहीं थी, बल्कि इसकी शब्दावली की सीमा थी; बस इसके शब्दकोश में "टंक" शब्द नहीं था।

इसे हल करने के लिए, शोधकर्ता ने YOLOv8 प्रणाली की ओर रुख किया और 'ट्रांसफर लर्निंग' नामक तकनीक का उपयोग किया। शून्य से शुरू करने के बजाय, सिस्टम को टैंकों के केवल बीस चित्रों के एक छोटे, कस्टम डेटासेट के साथ दिया गया, जिन्हें एक मानव द्वारा मैन्युअल रूप से लेबल किया गया था। फिर सिस्टम को इन छवियों के छोटे सेट पर फाइन-ट्यून किया गया। परिणाम आश्चर्यजनक था। YOLOv8 सिस्टम, जिसे इस नए वर्ग के लिए अनुकूलित किया गया था, ने संग्रहालय के प्रदर्शनों और बाहरी फोटोग्राफों में उच्च विश्वास के साथ टैंकों की सफलतापूर्वक पहचान की। इसने एक खुले मैदान में चलते हुए बख्तरबंद वाहन को भी पहचाना, धुंधलेपन और दूरी के बावजूद, यह साबित करते हुए कि एक हल्का, तेज़ डिटेक्टर बहुत कम डेटा के साथ एक नए, विशिष्ट कार्य के लिए जल्दी से अनुकूलित किया जा सकता है।

अध्ययन निष्कर्ष निकालता है कि जबकि पुराने, दो-चरणीय सिस्टम सामान्य उद्देश्यों के लिए उत्कृष्ट बने हुए हैं जहाँ ज्ञात वस्तुओं के लिए उच्च सटीकता की आवश्यकता होती है, वे नई श्रेणियों के मामले में कठोर हैं। वे उस चीज़ को नहीं पहचान सकते जिसे उन्हें स्पष्ट रूप से नहीं सिखाया गया है। इसके विपरीत, YOLOv8 सिंगल-स्टेज सिस्टम ने एक लचीलापन दिखाया जो व्यावहारिक अनुप्रयोगों के लिए अत्यधिक मूल्यवान है। इसने दिखाया कि मानव प्रयास के एक छोटे से हिस्से के साथ, कुछ नई छवियों को लेबल करके, एक तेज़ डिटेक्टर को पूरी तरह से नई वस्तुओं को पहचानने के लिए विस्तारित किया जा सकता है। यह सुझाव देता है कि कई वास्तविक दुनिया की समस्याओं के लिए, जहाँ लक्ष्य सामान्य श्रेणियों के बजाय विशिष्ट, कस्टम वस्तुओं का पता लगाना है, वहाँ पुराने, धीमे तरीकों की कच्ची सटीकता की तुलना में नए सिंगल-स्टेज दृष्टिकोण की गति और अनुकूलन क्षमता अधिक उपयोगी हो सकती है। शोध यह भी नोट करता है कि यह क्षेत्र तेजी से आगे बढ़ रहा है, जिसमें नए मॉडल उभर रहे हैं जो सिंगल-स्टेज सिस्टम की गति और पुराने सिस्टम की सटीकता को मिलाने का प्रयास करते हैं, लेकिन मूल सबक स्पष्ट है: सबसे अच्छा उपकरण इस बात पर निर्भर करता है कि आपको ऐसी मशीन चाहिए जो दुनिया के बारे में सब कुछ जानती हो, या एक ऐसी जो कुछ नया देखना जल्दी सीख सके।