Ultralytics YOLO modelleri ile videolarda hareketli nesneleri takip etme kılavuzu

Elektrikli parçaları monte edebilen robotlar, hız yapan araçları yakalayan sistemler ve müşterilerin nasıl alışveriş yaptığını takip eden akıllı perakende çözümleri - tüm bu yenilikler computer vision teknolojisine dayanır. Makinelerin görüntüleri ve videoları analiz etmesine ve anlamasına 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 bilgisayarla görü modelleri tarafından desteklenir. Bu görevlerin çoğu tek bir görselden içgörü elde etmeye odaklanır, ancak özellikle ilgi çekici bir görev olan object tracking, nesnelerin hareketini bir dizi görsel veya video kareleri boyunca takip etmek için kullanılabilir.

Fig 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!

Computer vision takip sistemlerine daha yakından bakış#

Nesne takibi, nesnelerin video karelerindeki hareketini takip etmek için kullanılan ve sistemlerin zaman içinde her şeyin nasıl değiştiğini izlemesine ve anlamasına yardımcı olan bir computer vision task türüdür. Bu, bir tenis maçını izlerken top sahanın bir ucundan diğerine giderken gözlerinin topu takip etmesi gibi, insanların hareket eden bir insanı veya nesneyi gözleriyle doğal olarak takip edebilmesine 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.
• Nesne tespiti: YOLO11 gibi yapay zeka destekli computer vision models, insan, araç veya ürün gibi belirli nesneleri belirlemek ve konumlandırmak için her bir 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.

YOLO ile object detection ve tracking karşılaştırması#

Nesne takibiyle yakından ilişkili olan ve Ultralytics YOLO11 tarafından desteklenen bir diğer bilgisayarlı görü görevi de object detection görevidir. Hadi 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 takibe yetkin güçlü görü yapay zeka sistemleri oluşturabiliriz. Örneğin, otomatik bir güvenlik sistemi bir alana giren kişileri tespit edebilir ve track their movement işlemini kare boyunca sürekli olarak gerçekleştirebilir.

Ultralytics 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; nesne tespitini BoT-SORT ve ByteTrack gibi popüler takip algoritmalarıyla sorunsuz bir şekilde entegre eder. Bu entegrasyon, kullanıcıların tespiti ve takibi 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.

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

Özel YOLO modeli eğitimi object tracking ile nasıl ilişkilidir?#

Özel eğitim, standart veri setlerinde yer almayan nesneleri tanıyabilmesi için Ultralytics YOLO11 gibi önceden eğitilmiş bir nesne algılama modelini belirli bir veri setinde ince ayardan geçirme sürecidir. Bu, takip sisteminin özel veya sıra dışı nesneleri takip etmesi gerektiğinde 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.

Ultralytics 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.

Hız tahmini için Ultralytics YOLO kullanılarak gerçek zamanlı takip#

Speed estimation sistemleri, nesne tespiti ve takibi 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.

Fig 3. Hız tahmini için nesne takibine yönelik YOLO11 desteğinin kullanılması.

Üretimde 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.

Bir konveyör bant üzerindeki ürünleri saymaktan kusurları tespit etmeye veya doğru montajı doğrulamaya kadar nesne takibi, aksi takdirde zaman alıcı veya hata yapmaya 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.

Fig 4. Ultralytics YOLO11 kullanarak bir montaj hattındaki gıda ürünlerini takip etme ve sayma örneği.

Perakende analizinde object tracking genel bakışı#

Her gün retail stores içine ve dışına sayısız müşteri girip çıkıyor ve onların davranışlarını anlamak hem müşteri deneyimini hem de iş performansını iyileştirmenin anahtarıdır. Nesne takibi; perakendecilerin insan trafiğini izlemesini, kalış süresini ölçmesini ve hareket kalıplarını analiz etmesini, bunların tümünü istilacı veya manuel yöntemlere ihtiyaç duymadan yapmasını 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.

Fig 5. Bir mağazaya girip çıkan insanları izlemek için Ultralytics YOLO11'in nesne takibi yeteneklerini kullanma.

Object 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: Nesne takibi verileri, daha da güçlü içgörüler için facial recognition, termal kameralar veya envanter sistemleri gibi diğer teknolojilerle birleştirilebilir.
• 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 içindeki zorluk: Konserler, alışveriş merkezleri veya şehir sokakları gibi kalabalık ortamlarda takip sistemleri, birbirine yakın olan insanları veya nesneleri ayırt etmekte zorlanabilir; bu da kafa karışıklığına 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.

Öne 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.

Ultralytics YOLO11 gibi Vision AI modelleri ve BoT-SORT ile ByteTrack gibi takip algoritmaları sayesinde nesne takibi farklı endüstrilerde daha hızlı, daha akıllı ve daha erişilebilir hale geldi. Nesne takibi teknolojisi geliştikçe, her seferinde bir kareyle sistemlerin daha akıllı, verimli ve duyarlı olmasına yardımcı oluyor.

Bilgisayarlı görü ve yapay zeka hakkında daha fazla bilgi edinmek ister misin? Bilgisayarlı görü projeni hızlandırmak için GitHub depomuzu keşfet, topluluğumuzla bağlantı kur ve lisanslama seçeneklerimize göz at. Üretimde yapay zeka ve otomotiv endüstrisinde bilgisayarlı görü gibi inovasyonları keşfediyorsan, daha fazlasını keşfetmek için çözümler sayfalarımızı ziyaret et.