Eklenti 2025

Grasshopper Plugin

MaskRCNN in Grasshopper

Rhino/Grasshopper Ortamında Derin Öğrenme Tabanlı Nesne Segmentasyonu

MaskRCNN in Grasshopper, Mask R-CNN derin öğrenme çerçevesini doğrudan Rhino/Grasshopper ortamına entegre eden bir eklentidir. Veri seti hazırlamadan model eğitimine, tespitden yayın kalitesinde model karşılaştırmasına kadar tüm makine öğrenmesi iş akışı, C# ile yazılmış görsel programlama komponentleri aracılığıyla yönetilir.

Eklenti, Python ve TensorFlow ile komut satırı etkileşimi ihtiyacını ortadan kaldırarak derin öğrenmeyi parametrik tasarım ortamında çalışan mimar ve araştırmacılar için erişilebilir hâle getirir.

Ortam Kurulumu

Python & TensorFlow
GPU yapılandırması

Veri Seti Hazırlama

Bölme & birleştirme
Temizlik & onarım

Model Eğitimi

Mask R-CNN
COCO transfer öğrenme

Tespit & Çıkarım

Nesne segmentasyonu
Güven skoru

Analiz & Karşılaştırma

CSV / MD / LaTeX
Performans raporu

MaskRCNN in Grasshopper — Grasshopper kanvas genel görünüşü

Grasshopper kanvas genel görünüşü — 95 komponent, 8 fonksiyonel modül halinde düzenlenmiştir.

Komponent Modülleri

Eklenti, sekiz fonksiyonel modülden oluşmaktadır. Her modül belirli bir görevi üstlenir ve veri akışı soldan sağa doğru ilerler: ortam kurulumundan veri seti yönetimine, eğitimden tespite ve analize.

Environment Setup

Ortam Kurulumu

Git, Miniconda, Mask R-CNN deposu, COCO ağırlıkları ve Python ortamını tek butonla kurar. Durum kontrolü ile eksik bağımlılıkları raporlar.

Dataset Splitter

Veri Seti Bölücü

Etiketlenmiş görselleri belirtilen oranla eğitim ve doğrulama setlerine ayırır. Rastgele karıştırma ve tekrarlanabilir tohumlama destekler.

Dataset Merger

Veri Seti Birleştirici

Yeni etiketlenmiş görselleri mevcut bölünmüş veri setine, dağılımı bozmadan entegre eder.

Dataset Cleaner & Fixer

Veri Seti Temizleyici

Yetim görseller, sınır dışı koordinatlar, kendini kesen poligonlar ve dejenere maskeler gibi yaygın etiketleme hatalarını otomatik tespit eder ve onarır.

Model Training

Model Eğitimi

COCO ön eğitimli ağırlıklardan transfer öğrenme ile özel model eğitir. Epoch, öğrenme oranı ve adım sayısı gibi hiperparametreler Grasshopper girdileri olarak kontrol edilir.

Detection & Inference

Tespit ve Çıkarım

Eğitilmiş model ile yeni görsellerden nesne tespiti yapar. Sınıf etiketleri, güven skorları, sınırlayıcı kutular ve ikili maskeler üretir.

Model Analyzer

Model Analizci

Eğitim sonrası değerlendirme yapar: kayıp eğrileri, mAP, sınıf bazlı kesinlik/duyarlılık ve dışa aktarılabilir grafikler üretir.

Model Comparator

Model Karşılaştırıcı

Birden fazla modeli kapsamlı şekilde karşılaştırır. CSV, Markdown ve LaTeX formatlarında yayın kalitesinde tablolar oluşturur ve en iyi modeli belirler.

İş Akışı

VERİ SETİ HAZIRLAMA

Süreç, etiketlenmiş görsel veri setinin hazırlanmasıyla başlar. VIA (VGG Image Annotator) JSON formatındaki poligon etiketlemeleri, Dataset Splitter ile eğitim ve doğrulama setlerine ayrılır. Yeni veriler eklendiğinde Dataset Merger mevcut dağılımı koruyarak birleştirme yapar. Dataset Cleaner, eğitim başlamadan önce altı farklı tanılama kontrolü çalıştırarak hatalı etiketlemeleri otomatik onarır.

EĞİTİM VE TESPİT

Eğitim modülü, ResNet-101 omurga ağı ve Feature Pyramid Network (FPN) üzerinden çok ölçekli özellik çıkarımı yapan Mask R-CNN mimarisini kullanır. MS COCO ön eğitimli ağırlıklardan transfer öğrenme uygulanır. Eğitilen model, Detection modülü ile yeni görseller üzerinde çıkarım yapar; duvar, pencere, kapı gibi mimari öğeleri sınıf etiketleri ve güven skorlarıyla birlikte tespit eder.

ANALİZ VE KARŞILAŞTIRMA

Model Analyzer eğitim sonrası kayıp eğrilerini, mAP değerlerini ve sınıf bazlı performans metriklerini hesaplar. Model Comparator ise birden fazla modeli doğrulama kaybı, parametre sayısı, verimlilik ve genel skor gibi metriklere göre karşılaştırır. Sonuçlar doğrudan Grasshopper'dan CSV, Markdown ve LaTeX (booktabs) formatlarında dışa aktarılır.

C# ile yazılmış 95 Grasshopper komponenti sayesinde veri seti hazırlığından yayın kalitesinde model karşılaştırmasına kadar tüm derin öğrenme süreci tek ortamda yönetilir.

UYGULAMA ALANI

Eklenti, mimari fotoğraf ve renderlardan yapı bileşenlerini (duvar, pencere, kapı, cephe elemanları) tespit etmek için kullanılabilir. Eğitilen modeller, tespit edilen yapı geometrisini çevresel simülasyonla birleştiren daha geniş iş akışlarına beslenebilir. Yapısal eleman tanıma, inşaat ilerleme takibi, hasar tespiti veya kentsel morfoloji analizi gibi herhangi bir nesne segmentasyonu görevine uygulanabilir.

Tür Grasshopper Eklentisi

Araçlar Rhino/Grasshopper, C#, Python

Yöntem Mask R-CNN, ResNet-101 + FPN

Çıktı 8 komponent