Ultralytics YOLO modelleri ile videolarda hareketli nesneleri takip etme kılavuzu

Elektrikli parçaları monte edebilen robotlar, aşırı hız yapan araçları tespit eden sistemler ve müşterilerin nasıl alışveriş yaptığını takip eden akıllı perakende çözümleri; tüm bu yenilikler computer vision teknolojisine dayanır. Bu, makinelerin görüntüleri ve videoları analiz edip anlamlandırmasına yardımcı olan bir yapay zeka (AI) dalıdır.

Örneğin bir robotun, farklı parçaları doğru şekilde bir araya getirmek için bunları tanıması ve takip etmesi gerekir. Benzer şekilde bir trafik sistemi, araçları tespit etmek, plakaları okumak ve birinin hız sınırını aştığını belirlemek için computer vision kullanabilir. Bu arada mağazalarda vision AI, müşterilerin neye baktığını veya neyi aldığını takip etmeye yardımcı olabilir ve hatta stok takibi yapabilir.

Bu tür uygulamalar, çok çeşitli görsel görevleri destekleyen Ultralytics YOLO11 gibi computer vision modelleri ile güçlendirilir. Bu görevlerin çoğu tek bir görüntüden içgörü toplamaya odaklansa da, özellikle ilgi çekici bir görev olan object tracking, bir dizi görüntü veya video karesi boyunca nesnelerin hareketini izlemek için kullanılabilir.

Şekil 1. Araçları tespit etme ve takip etme örneği.

Bu kılavuzda, object tracking işleminin nasıl çalıştığına daha yakından bakacak ve nasıl kullanıldığına dair gerçek dünya örneklerini inceleyeceğiz. Ayrıca Ultralytics YOLO11 gibi vision AI modellerinin object tracking işlemlerini nasıl desteklediğini tartışacağız. Hadi başlayalım!

Link to this sectionComputer vision takip sistemlerine daha yakından bakış#

Object tracking, nesnelerin video kareleri boyunca hareketini izlemek için kullanılan bir computer vision task olup sistemlerin işlerin zaman içinde nasıl değiştiğini izlemesine ve anlamasına yardımcı olur. Bu, insanların bir tenis maçını izlerken topun kortta ileri geri hareketini gözleriyle takip etmesi gibi, hareket eden bir kişiyi veya nesneyi doğal olarak takip etmelerine çok benzer.

Aynı şekilde object tracking, topun hareketini gerçek zamanlı olarak izlemek için kameralar ve AI kullanılmasını içerir. Bu teknoloji, özellikle hız, yörünge ve oyuncu konumlandırma gibi analizler sayesinde evdeki izleyicilere oyunun akışını daha iyi anlama imkanı sunabilir.

Bu tür bir görsel takip insanlara zahmetsiz görünse de machine vision söz konusu olduğunda, vision AI modelleriyle desteklenen bir dizi adımı içerir. İşte object tracking işleminin nasıl çalıştığına dair basit bir döküm:

• Video yakalama: Kameralar video kaydeder ve nesnelerin bir sahne boyunca zaman içinde nasıl hareket ettiğini yakalar.
• Nesneleri tespit etme: YOLO11 gibi AI destekli computer vision models, insanlar, araçlar veya ürünler gibi belirli nesneleri tanımlamak ve konumlandırmak için her kareyi analiz edebilir.
• Kimlik atama: Bir nesne tespit edildiğinde, takip algoritmaları ona birden fazla kare boyunca izlemek için benzersiz bir ID atar ve sistemin, hareket etse bile onun aynı nesne olduğunu bilmesini sağlar.
• Hareketi izleme: Sistem hareketi zaman içinde takip eder ve bu veriler; hız, yön ve diğer nesnelerle etkileşim gibi verileri toplamak için kullanılabilir.
• İçgörü oluşturma: Bu bilgiler gerçek zamanlı olarak analiz sağlamak, karar verme sürecine yardımcı olmak veya özel kullanım durumuna bağlı olarak görsel kaplamalar oluşturmak için kullanılabilir.

Link to this sectionYOLO ile object detection ve tracking karşılaştırması#

YOLO11 tarafından desteklenen ve object tracking ile yakından ilgili olan bir diğer computer vision görevi ise object detection işlemidir. Şimdi bu iki görev arasındaki farkı keşfedelim.

Object detection, tek bir görüntü veya video karesi içindeki ilgi çekici nesnelerin tanımlanmasını ve konumlandırılmasını içerir. Örneğin, sürücüsüz bir araç, yerleşik kameralar tarafından yakalanan tek bir karede bir dur işaretini veya bir yayayı tanımak için object detection kullanır. "Bu görüntüde ne var ve nerede?" sorusuna yanıt verir. Ancak, nesnenin bir sonraki hamlesi hakkında hiçbir bilgi sağlamaz.

Object tracking, zaman içindeki hareketin anlaşılmasını ekleyerek object detection işlemini geliştirir. İkisi arasındaki temel fark, zaman ve hareketi nasıl ele aldıklarıdır. Object detection her kareyi bağımsız bir anlık görüntü olarak ele alırken, object tracking nesnenin gelecekteki konumunu tahmin etmek için geçmiş verileri kullanarak kareler arasındaki bağlantıyı kurar.

İkisini birleştirerek, dinamik ortamlarda gerçek zamanlı takip yapabilen güçlü vision AI sistemleri oluşturabiliriz. Örneğin, otomatik bir güvenlik sistemi bir alana giren kişileri tespit edebilir ve hareketlerini kare boyunca sürekli olarak takip edebilir.

Link to this sectionUltralytics YOLO modelleri kullanılarak gerçek zamanlı takip#

Artık object detection ve tracking arasındaki farkı ele aldığımıza göre, YOLO11 gibi Ultralytics YOLO modellerinin gerçek zamanlı object tracking işlemini nasıl desteklediğine bir göz atalım.

YOLO modelleri kendi başlarına takip algoritmaları olmasa da, her video karesindeki nesneleri tespit ederek temel bir rol oynarlar. Nesneler tespit edildikten sonra, sistemin hareketlerini kareden kareye takip etmesini sağlamak için onlara benzersiz ID'ler atayacak takip algoritmalarına ihtiyaç duyulur.

Bu ihtiyacı karşılamak için Ultralytics Python package, object detection işlemini BoT-SORT ve ByteTrack gibi popüler takip algoritmalarıyla sorunsuz bir şekilde entegre eder. Bu entegrasyon, kullanıcıların tespit ve takip işlemlerini minimum kurulumla birlikte çalıştırmasını sağlar.

YOLO modellerini object tracking için kullanırken, uygulamanızın gereksinimlerine göre hangi takip algoritmasını uygulayacağınızı seçebilirsiniz. Örneğin BoT-SORT, hareket tahmini ve deep learning kullanımı sayesinde öngörülemeyen şekilde hareket eden nesneleri takip etmek için iyi bir seçenektir. Öte yandan ByteTrack, nesneler bulanık veya kısmen gizli olsa bile güvenilir takibi sürdürerek kalabalık sahnelerde özellikle iyi performans gösterir.

Şekil 2. Ultralytics Python package, BoT-SORT ve ByteTrack'i sorunsuz bir şekilde entegre eder.

Link to this sectionÖzel YOLO modeli eğitimi object tracking ile nasıl ilişkilidir?#

Custom training, YOLO11 gibi önceden eğitilmiş bir object detection modelinin, standart veri kümelerinde yer almayan nesneleri tanıması için belirli bir veri kümesi üzerinde ince ayar yapılması sürecidir. Takip sisteminizin özel veya alışılmadık nesneleri izlemesi gerektiğinde bu durum özellikle önemlidir.

Takip sistemleri, önce nesneyi tanıması için detection modeline güvenir. Bir YOLO modeli belirli bir makine türü veya yaban hayatı türü gibi belirli bir öğeyi tespit edemezse, takip algoritması onu takip edemez.

İşte bu yüzden custom training önemlidir: detection modelinin takip etmek istediğiniz nesneleri doğru bir şekilde tanımlayabilmesini sağlar.

Ayrıca bu süreçte yalnızca detection modelinin ince ayarlandığını unutmamak önemlidir. BoT-SORT veya ByteTrack gibi takip algoritmaları özel olarak eğitilmez; bunlar yalnızca tespit edilen nesneleri kareler boyunca takip etmek için YOLO modelinden gelen çıktıları kullanır.

Link to this sectionUltralytics YOLO ile object tracking uygulamaları#

Artık object tracking işleminin ne olduğu ve nasıl çalıştığı hakkında daha iyi bir anlayışa sahip olduğumuza göre, bu teknolojinin etki yarattığı bazı gerçek dünya uygulamalarını keşfedelim.

Link to this sectionHız tahmini için Ultralytics YOLO kullanılarak gerçek zamanlı takip#

Computer vision ile etkinleştirilen speed estimation sistemleri, object detection ve tracking gibi görevlere bağlıdır. Bu sistemler, ister araç, ister bisikletli, isterse bir insan olsun, bir nesnenin ne kadar hızlı hareket ettiğini hesaplamak için tasarlanmıştır. Bu bilgi, trafik yönetiminden güvenlik izlemeye ve endüstriyel otomasyona kadar çeşitli uygulamalar için çok önemlidir.

Ultralytics YOLO11 gibi bir model kullanılarak nesneler video kareleri boyunca tespit edilebilir ve takip edilebilir. Bir nesnenin belirli bir süre boyunca ne kadar mesafe katettiği analiz edilerek sistem, hızını tahmin edebilir.

Şekil 3. Hız tahmini için YOLO11'in object-tracking desteğini kullanma.

Link to this sectionÜretimde object tracking keşfi#

Üretim süreçleri hızlı ve oldukça karmaşık olabilir, bu da üretilen her bir öğeyi manuel olarak takip etmeyi zorlaştırır. Object tracking, ürünlerin her üretim aşamasında hareket ederken izlenmesini otomatikleştirmek için iyi bir çözüm sunar. Fabrikaların işleri yavaşlatmadan yüksek doğruluk ve verimlilik seviyelerini korumalarına yardımcı olabilir.

Konveyör bandındaki ürünleri saymaktan kusurları tespit etmeye veya doğru montajı doğrulamaya kadar object tracking, aksi takdirde zaman alıcı veya hataya açık olacak görevlere görünürlük ve kontrol getirir. Bu teknoloji, hız ve hassasiyetin kritik olduğu food processing, elektronik ve paketleme gibi yüksek hacimli endüstrilerde özellikle etkilidir.

Şekil 4. YOLO11 kullanarak bir montaj hattında gıda ürünlerini takip etme ve sayma örneği.

Link to this sectionPerakende analizinde object tracking genel bakışı#

Her gün sayısız müşteri retail stores içine girip çıkıyor ve davranışlarını anlamak, hem müşteri deneyimini hem de iş performansını iyileştirmenin anahtarıdır. Object tracking, perakendecilerin müdahaleci veya manuel yöntemlere ihtiyaç duymadan yaya trafiğini izlemesini, bekleme sürelerini ölçmesini ve hareket modellerini analiz etmesini mümkün kılar.

Bireyleri mağazaya girerken, çıkarken ve mağaza içinde dolaşırken takip ederek işletmeler; yoğun saatler, popüler alanlar ve hatta kuyruk uzunlukları hakkında içgörü kazanabilirler. Bu içgörüler personel görevlendirmesi, mağaza düzeni ve envanter yerleşimi ile ilgili kararları bilgilendirebilir ve sonuçta daha verimli operasyonlara ve artan satışlara yol açabilir.

Şekil 5. Bir mağazaya giren ve çıkan insanları izlemek için YOLO11'in object-tracking yeteneklerini kullanma.

Link to this sectionObject tracking avantajları ve dezavantajları#

Perakende mağazalarından fabrika zeminlerine kadar object tracking, verimlilik, güvenlik ve genel deneyim gibi faktörleri iyileştirmek için her türlü endüstride kullanılıyor. İşte object tracking işleminin çeşitli endüstrilere getirebileceği temel faydalardan bazıları:

• Gerçek zamanlı uyarılar sağlar: Object tracking ile entegre sistemler, kısıtlı bir alana bir kişinin girmesi veya bir teslimatın çok uzun süre bir yerde bırakılması gibi alışılmadık bir durum tespit edildiğinde otomatik olarak uyarı verecek şekilde yapılandırılabilir.
• Diğer sistemlerle entegre olur: Object-tracking verileri; facial recognition, termal kameralar veya envanter sistemleri gibi diğer teknolojilerle birleştirilerek daha da güçlü içgörüler elde edilebilir.
• Uzun vadede maliyet etkindir: İlk kurulum yatırım gerektirse de otomatik takip, manuel iş gücü ihtiyacını azaltır, hata oranlarını düşürür ve zaman içinde operasyonel maliyetleri azaltır.

Bu avantajlar object tracking işleminin farklı kullanım durumlarını nasıl olumlu etkilediğini vurgulasa da, uygulanmasındaki zorlukları da göz önünde bulundurmak önemlidir. Object tracking işleminin bazı sınırlamalarına daha yakından bakalım:

• Crowded environments içinde zorluk: Konserler, alışveriş merkezleri veya şehir sokakları gibi yoğun ortamlarda, takip sistemleri birbirine yakın olan insanlar veya nesneleri ayırt etmekte zorlanabilir, bu da karışıklığa veya yanlış sonuçlara yol açabilir.

• Çevresel koşullara duyarlıdır: Kötü aydınlatma, sis, hızlı hareket veya kamera sarsıntısı, özellikle dış mekan veya kontrolsüz ortamlarda sistemin nesneleri doğru bir şekilde takip etme yeteneğini etkileyebilir.

• Gizlilik ve yasal endişeler: Kişisel verilerin uygunsuz kullanımı, kullanıcı rızasının olmaması veya kamusal alanlarda gözetim, etik sorunlar yaratabilir ve gizlilik yasalarına uyumsuzluğa yol açabilir.

Link to this sectionÖne çıkanlar#

Object tracking, makinelerin zaman içinde nesnelerin hareketini izlemesini sağlayan bir computer vision görevidir. Araç hızını tahmin etmekten montaj hattındaki ürünleri saymaya ve spordaki oyuncu hareketlerini analiz etmeye kadar çok çeşitli gerçek dünya senaryolarında kullanılır.

YOLO11 gibi Vision AI modelleri ve BoT-SORT ve ByteTrack gibi takip algoritmaları ile object tracking daha hızlı, daha akıllı ve farklı endüstrilerde daha erişilebilir hale geldi. Object-tracking teknolojisi geliştikçe, sistemlerin her karede daha akıllı, verimli ve duyarlı olmasına yardımcı oluyor.

Bilgisayarlı görü ve yapay zeka hakkında daha fazla bilgi mi istiyorsun? Bilgisayarlı görü projeni başlatmak için GitHub depomuzu keşfet, topluluğumuzla bağlantı kur ve lisanslama seçeneklerimize göz at. Üretimde yapay zeka ve otomotiv sektöründe bilgisayarlı görü gibi yenilikleri keşfediyorsan, daha fazlasını öğrenmek için çözüm sayfalarımızı ziyaret et.