Ultralytics YOLO modelleriyle videolardaki hareketli nesneleri takip etme rehberi

Elektrikli parçaları monte edebilen robotlar, hız yapan araçları yakalayan sistemler ve müşterilerin alışveriş alışkanlıklarını izleyen akıllı perakende çözümleri; tüm bu yenilikler bilgisayarlı görüye dayanır. Bilgisayarlı görü, makinelerin görüntüleri ve videoları analiz edip anlamasına yardımcı olan bir yapay zekâ (AI) dalıdır.

Örneğin bir robotun parçaları doğru şekilde bir araya getirebilmek için farklı parçaları tanıması ve takip etmesi gerekir. Benzer şekilde bir trafik sistemi, otomobilleri tespit etmek, plakaları okumak ve birinin hız sınırını aşıp aşmadığını belirlemek için bilgisayarlı görü kullanabilir. Mağazalarda ise Görsel Yapay Zekâ, müşterilerin nelere baktığını veya neleri aldığını izlemeye, hatta envanteri takip etmeye yardımcı olabilir.

Bu tür uygulamalar, çok çeşitli görsel görevleri destekleyen Ultralytics YOLO11 gibi bilgisayarlı görü modelleriyle çalışır. Bu görevlerin çoğu tek bir görüntüden bilgi elde etmeye odaklanır; ancak özellikle ilgi çekici bir görev olan nesne takibi, nesnelerin bir dizi görüntü veya video karesi boyunca hareketini izlemek için kullanılabilir.

Şekil 1. Otomobilleri tespit etme ve izleme örneği.

Bu kılavuzda nesne takibinin nasıl çalıştığına daha yakından bakacak ve gerçek dünyada nasıl kullanıldığına dair örnekleri inceleyeceğiz. Ultralytics YOLO11 gibi görsel yapay zekâ modellerinin nesne takibini nasıl desteklediğini de ele alacağız.

Bilgisayarlı görü takip sistemlerine daha yakından bakış#

Nesne takibi, nesnelerin video kareleri boyunca hareketini izlemek için kullanılan bir bilgisayarlı görü görevidir; sistemlerin nesneleri izlemesine ve zaman içindeki değişimleri anlamasına yardımcı olur. Bu, insanların hareket eden bir kişiyi veya nesneyi gözleriyle doğal olarak takip etmesine çok benzer. Örneğin tenis maçı izlerken gözlerin kortta bir o yana bir bu yana hareket eden topu takip eder.

Benzer şekilde nesne takibi, topun hareketini gerçek zamanlı olarak izlemek için kamera ve yapay zekâ kullanır. Bu teknoloji, özellikle hız, yörünge ve oyuncu konumlandırması gibi analizler aracılığıyla evdeki izleyicilerin oyunun akışını daha iyi anlamasını sağlayabilir.

Bu tür görsel takip insanlara zahmetsiz görünebilir; ancak makine görüşü söz konusu olduğunda, Görsel Yapay Zekâ modelleriyle desteklenen bir dizi adım gerekir. Nesne takibinin nasıl çalıştığına dair basit bir özet şöyle:

• Video yakalama: Kameralar video kaydı alarak nesnelerin bir sahnede zaman içinde nasıl hareket ettiğini kaydeder.
• Nesneleri tespit etme: YOLO11 gibi yapay zekâ destekli bilgisayarlı görü modelleri, insan, araç veya ürün gibi belirli nesneleri tanımlamak ve konumlandırmak için her kareyi analiz edebilir.
• Kimlik atama: Bir nesne algılandığında izleme algoritmaları, nesneyi birden fazla kare boyunca takip etmek için ona benzersiz bir kimlik atar; böylece nesne hareket etse bile sistem aynı nesne olduğunu bilir.
• Hareketi izleme: Sistem, hareketi zaman içinde takip eder ve bu veriler hız, yön ve diğer nesnelerle etkileşimler gibi bilgileri toplamak için kullanılabilir.
• Öngörüler oluşturma: Bu bilgiler, kullanım senaryosuna bağlı olarak gerçek zamanlı analizler sunmak, karar verme süreçlerine yardımcı olmak veya görsel katmanları desteklemek için kullanılabilir.

Nesne algılama ve izlemeyi YOLO ile karşılaştırma#

Ultralytics YOLO11 tarafından desteklenen ve nesne izlemeyle yakından ilişkili bir diğer bilgisayarlı görü görevi de nesne algılamadır. Bu iki görev arasındaki farkı inceleyelim.

Nesne algılama, tek bir görüntü veya video karesi içindeki ilgi çekici nesneleri belirlemeyi ve konumlarını saptamayı içerir. Örneğin, otonom bir araç, yerleşik kameralarla yakalanan tek bir karedeki dur işaretini veya yayayı tanımak için nesne algılamayı kullanır. Şu soruyu yanıtlar: “Bu görüntüde ne var ve nerede?” Ancak nesnenin daha sonra nereye gideceği hakkında bilgi vermez.

Nesne izleme, zaman içindeki hareketi anlamayı ekleyerek nesne algılama üzerine kuruludur. İki görev arasındaki temel fark, zamanı ve hareketi ele alış biçimleridir. Nesne algılama her kareyi bağımsız bir anlık görüntü olarak değerlendirirken nesne izleme, geçmiş verileri kullanarak nesnenin gelecekteki konumunu tahmin eder ve kareler arasındaki noktaları birleştirir.

Her ikisini birleştirerek dinamik ortamlarda gerçek zamanlı izleme yapabilen güçlü görsel yapay zekâ sistemleri oluşturabiliriz. Örneğin, otomatik bir güvenlik sistemi bir alana giren kişileri algılayabilir ve kare boyunca hareketlerini sürekli izleyebilir.

Ultralytics YOLO modelleriyle gerçek zamanlı izleme#

Nesne algılama ve izleme arasındaki farkı ele aldığımıza göre, şimdi YOLO11 gibi Ultralytics YOLO modellerinin gerçek zamanlı nesne izlemeyi nasıl desteklediğine bakalım.

YOLO modelleri kendi başlarına izleme algoritmaları olmasa da her video karesindeki nesneleri algılayarak önemli bir rol oynar. Nesneler algılandıktan sonra, sistemin hareketlerini kareden kareye takip edebilmesi için izleme algoritmalarının bu nesnelere benzersiz kimlikler ataması gerekir.

Bu ihtiyacı karşılamak için Ultralytics Python paketi, nesne algılamayı BoT-SORT ve ByteTrack gibi popüler takip algoritmalarıyla birleştirir. Bu entegrasyon, kullanıcıların minimum kurulumla algılama ve takibi birlikte çalıştırmasını sağlar.

Nesne takibi için YOLO modellerini kullanırken uygulamanın gereksinimlerine göre hangi takip algoritmasını kullanacağını seçebilirsin. Örneğin BoT-SORT, hareket tahmini ve derin öğrenmeden yararlandığı için öngörülemez biçimde hareket eden nesneleri takip etmek için iyi bir seçenektir. Öte yandan ByteTrack, kalabalık sahnelerde özellikle başarılıdır ve nesneler bulanık ya da kısmen gizli olsa bile güvenilir takibi sürdürür.

Şekil 2. Ultralytics Python paketi, BoT-SORT ve ByteTrack’i entegre eder.

Özel YOLO modeli eğitiminin nesne izlemeyle ilişkisi nedir?#

Özel eğitim, Ultralytics YOLO11 gibi önceden eğitilmiş bir nesne algılama modelini belirli bir veri kümesi üzerinde ince ayarlayarak standart veri kümelerinde yer almayan nesneleri tanıyabilir hâle getirme sürecidir. Bu, takip sisteminin özel veya yaygın olmayan nesneleri izlemesi gerektiğinde özellikle önemlidir.

İzleme sistemleri, nesneyi önce tanımak için algılama modeline dayanır. Bir YOLO modeli, belirli bir makine türü veya yaban hayatı türü gibi belirli bir öğeyi algılayamazsa izleme algoritması bu öğeyi takip edemez.

Bu nedenle özel eğitim çok önemlidir: Algılama modelinin izlemek istediğin nesneleri doğru şekilde tanımasını sağlar.

Bu süreçte yalnızca algılama modelinin ince ayarının yapıldığını da unutmamak önemlidir. BoT-SORT veya ByteTrack gibi takip algoritmaları özel olarak eğitilmez; algılanan nesneleri kareler boyunca takip etmek için yalnızca YOLO modelinin çıktısını kullanırlar.

Ultralytics YOLO ile nesne izlemenin uygulamaları#

Nesne izlemenin ne olduğunu ve nasıl çalıştığını daha iyi anladığımıza göre, bu teknolojinin etki yarattığı gerçek dünya uygulamalarını inceleyelim.

Hız tahmini için Ultralytics YOLO ile gerçek zamanlı izleme#

Bilgisayarlı görüyle desteklenen hız tahmini sistemleri, nesne algılama ve izleme gibi görevlere dayanır. Bu sistemler ister bir araç, ister bisikletli, hatta bir kişi olsun, bir nesnenin ne kadar hızlı hareket ettiğini hesaplamak üzere tasarlanmıştır. Bu bilgi, trafik yönetiminden güvenlik izleme ve endüstriyel otomasyona kadar pek çok uygulama için kritik öneme sahiptir.

Ultralytics YOLO11 gibi bir model kullanılarak nesneler video kareleri boyunca algılanıp izlenebilir. Sistem, bir nesnenin belirli bir süre içinde ne kadar yol aldığını analiz ederek hızını tahmin edebilir.

Şekil 3. Hız tahmini için YOLO11'in nesne izleme desteğinden yararlanma.

Üretimde nesne izlemeyi inceleme#

Üretim süreçleri hızlı ve oldukça karmaşık olabilir; bu da üretilen her öğeyi elle takip etmeyi zorlaştırır. Nesne izleme, ürünleri üretimin her aşamasından geçerken izlemeyi otomatikleştirmek için iyi bir çözüm sunar. Fabrikaların işleri yavaşlatmadan yüksek doğruluk ve verimlilik düzeyini korumasına yardımcı olabilir.

Nesne izleme, taşıma bandındaki ürünleri saymaktan kusurları tespit etmeye veya montajın doğru yapıldığını doğrulamaya kadar, aksi hâlde zaman alıcı ya da hataya açık olacak görevlerde görünürlük ve kontrol sağlar. Bu teknoloji, hızın ve hassasiyetin kritik olduğu gıda işleme, elektronik ve paketleme gibi yüksek hacimli sektörlerde özellikle etkili olur.

Şekil 4. Ultralytics YOLO11 kullanarak montaj hattındaki gıda ürünlerini izleme ve sayma örneği.

Perakende analitiğinde nesne izlemeye genel bakış#

Her gün sayısız müşteri perakende mağazalarına girip çıkıyor ve davranışlarını anlamak hem müşteri deneyimini hem de işletme performansını iyileştirmenin anahtarı. Nesne izleme, perakendecilerin müdahaleci veya elle yürütülen yöntemlere ihtiyaç duymadan yaya trafiğini izlemesini, mağazada geçirilen süreyi ölçmesini ve hareket düzenlerini analiz etmesini sağlar.

İşletmeler, mağazaya girerken, mağazadan çıkarken ve mağazanın içinde hareket ederken kişileri izleyerek yoğun saatler, popüler alanlar ve hatta kuyruk uzunlukları hakkında öngörüler elde edebilir. Bu öngörüler; personel planlaması, mağaza düzeni ve stok yerleşimiyle ilgili kararlara yön vererek daha verimli operasyonlar ve daha yüksek satışlar sağlayabilir.

Şekil 5. Mağazaya giren ve mağazadan çıkan kişileri izlemek için Ultralytics YOLO11'in nesne izleme özelliklerinden yararlanma.

Nesne izlemenin avantajları ve dezavantajları#

Perakende mağazalarından fabrika sahalarına kadar nesne izleme; verimlilik, güvenlik ve genel deneyim gibi unsurları iyileştirmek için pek çok sektörde kullanılıyor. Nesne izlemenin farklı sektörlere sağlayabileceği başlıca avantajlardan bazıları şunlardır:

• Gerçek zamanlı uyarılar sağlar: Nesne izlemeyle bütünleştirilmiş sistemler; bir kişinin yasaklı bir alana girmesi veya bir teslimatın bir yerde çok uzun süre bırakılması gibi olağan dışı bir durum algılandığında otomatik olarak uyarı verecek şekilde yapılandırılabilir.
• Diğer sistemlerle entegre olur: Nesne takip verileri, daha kapsamlı içgörüler elde etmek için yüz tanıma, termal kameralar veya envanter sistemleri gibi diğer teknolojilerle birleştirilebilir.
• Uzun vadede uygun maliyetlidir: İlk kurulum yatırım gerektirebilse de otomatik izleme, elle yürütülen işlere olan ihtiyacı azaltır, hata oranlarını düşürür ve zaman içinde operasyonel maliyetleri kısar.

Bu avantajlar, nesne izlemenin farklı kullanım senaryolarını nasıl olumlu etkilediğini gösterse de uygulama sürecindeki zorlukları göz önünde bulundurmak da önemlidir. Nesne izlemenin bazı sınırlamalarına daha yakından bakalım:

• Kalabalık ortamlarda zorlanma: Konserler, alışveriş merkezleri veya şehir sokakları gibi yoğun ortamlarda izleme sistemleri birbirine yakın kişi veya nesneleri ayırt etmekte zorlanabilir; bu da karışıklığa veya hatalı sonuçlara yol açabilir.
• Çevresel koşullara duyarlıdır: Yetersiz aydınlatma, sis, hızlı hareket veya kamera sarsıntısı, özellikle dış mekânlarda ya da kontrolsüz ortamlarda sistemin nesneleri doğru izleme becerisini etkileyebilir.
• Gizlilik ve yasal kaygılar: Kişisel verilerin uygunsuz şekilde işlenmesi, kullanıcı onayının alınmaması veya kamusal alanlarda gözetim yapılması etik sorunlara yol açabilir ve gizlilik yasalarına uyumsuzlukla sonuçlanabilir.

Önemli çıkarımlar#

Nesne izleme, makinelerin nesnelerin hareketini zaman içinde takip etmesini sağlayan bir bilgisayarlı görü görevidir. Araç hızını tahmin etmek ve montaj hattındaki ürünleri saymaktan spordaki oyuncu hareketlerini analiz etmeye kadar pek çok gerçek dünya senaryosunda kullanılır.

Ultralytics YOLO11 gibi görsel yapay zekâ modelleri ve BoT-SORT ile ByteTrack gibi takip algoritmaları sayesinde nesne takibi, farklı sektörlerde daha hızlı, akıllı ve erişilebilir hâle geldi. Nesne takip teknolojisi geliştikçe sistemlerin daha akıllı, verimli ve duyarlı olmasına kare kare katkıda bulunuyor.

Bilgisayarlı görü ve yapay zekâ hakkında daha fazla bilgi edinmek ister misin? Bilgisayarlı görü projenize başlamak için GitHub depomuzu keşfet, topluluğumuza katıl ve lisans seçeneklerimize göz at. Üretimde yapay zekâ ve otomotiv sektöründe bilgisayarlı görü gibi yenilikleri araştırıyorsan daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et.