Ultralytics YOLO modelleriyle videolarda hareketli nesneleri takip etme rehberi

Elektrikli parçaları monte edebilen robotlar, hız yapan araçları tespit eden sistemler ve müşterilerin nasıl alışveriş yaptığını izleyen akıllı perakende çözümlerinin tümü bilgisayarlı görüye dayanır. Bu, 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, araçları tespit etmek, plakaları okumak ve birinin hız yaptığını belirlemek için bilgisayarlı görüden yararlanabilir. Mağazalarda ise görü yapay zekâsı, 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 içgörü elde etmeye odaklanır, ancak özellikle ilgi çekici bir görev olan nesne izleme, nesnelerin bir dizi görüntü veya video karesi boyunca hareketini takip etmek için kullanılabilir.

Şekil 1. Araçları tespit etme ve izlemeye örnek.

Bu rehberde nesne izlemenin nasıl çalıştığına daha yakından bakacak ve gerçek dünyada nasıl kullanıldığına dair örnekleri inceleyeceğiz. Ayrıca Ultralytics YOLO11 gibi görü yapay zekâ modellerinin nesne izlemeyi nasıl desteklediğini ele alacağız. Hadi başlayalım!

Bilgisayarlı görü izleme sistemlerine daha yakından bakış#

Nesne izleme, nesnelerin video kareleri boyunca hareketini takip etmek için kullanılan bir bilgisayarlı görü görevidir; sistemlerin nesnelerin zaman içinde nasıl değiştiğini izlemesine ve anlamasına yardımcı olur. Bu, insanların hareket eden bir kişiyi veya nesneyi gözleriyle doğal olarak takip etmesine çok benzer; örneğin tenis maçı izlerken gözlerin topu kortta bir o yana bir bu yana hareket ederken takip eder.

Aynı şekilde nesne izleme, topun hareketini gerçek zamanlı olarak takip etmek için kameralar ve yapay zekâ kullanır. Bu teknoloji, özellikle hız, yörünge ve oyuncu konumlandırması gibi analizler sayesinde, evdeki izleyicilerin oyunun akışını daha iyi anlamasını sağlayabilir.

Bu tür görsel izleme insanlara zahmetsiz görünebilir, ancak makine görüşü söz konusu olduğunda süreç, görü yapay zekâ modelleriyle desteklenen bir dizi adımdan oluşur. Nesne izlemenin nasıl çalıştığına dair basit bir açıklama aşağıda yer alıyor:

• Video yakalama: Kameralar video görüntülerini kaydederek nesnelerin bir sahne içinde zamanla nasıl hareket ettiğini yakalar.
• 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 tespit edildikten sonra izleme algoritmaları, onu birden fazla kare boyunca takip etmek için benzersiz bir kimlik atar. Böylece sistem, nesne hareket etse bile onun 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.
• İçgörü oluşturma: Bu bilgiler, kullanım alanına bağlı olarak gerçek zamanlı analizler sunmak, karar almayı desteklemek veya görsel katmanlar oluşturmak için kullanılabilir.

YOLO ile nesne tespiti ve izlemeyi karşılaştırma#

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

Nesne tespiti, tek bir görüntü veya video karesi içindeki ilgi çekici nesneleri tanımlamayı ve konumlandırmayı içerir. Örneğin otonom bir araç, araç üzerindeki kameralar tarafından yakalanan tek bir karede dur işaretini veya yayayı tanımak için nesne tespitinden yararlanır. Şu soruyu yanıtlar: “Bu görüntüde ne var ve nerede?” Ancak nesnenin daha sonra nereye gideceği hakkında bilgi sağlamaz.

Nesne izleme, zaman içindeki hareketi anlayarak nesne tespitinin üzerine inşa edilir. İki görev arasındaki temel fark, zamanı ve hareketi nasıl ele aldıklarıdır. Nesne tespiti her kareyi bağımsız bir anlık görüntü olarak değerlendirirken nesne izleme, geçmiş verileri kullanarak bir nesnenin gelecekteki konumunu tahmin eder ve kareler arasındaki bağlantıyı kurar.

İkisini birleştirerek dinamik ortamlarda gerçek zamanlı izleme yapabilen güçlü görü yapay zekâ sistemleri oluşturabiliriz. Örneğin otomatik bir güvenlik sistemi, bir alana giren kişileri tespit edebilir ve kare boyunca hareketlerini sürekli olarak izleyebilir.

Ultralytics YOLO modelleriyle gerçek zamanlı izleme#

Artık nesne tespiti ile izleme arasındaki farkı ele aldığımıza göre YOLO11 gibi Ultralytics YOLO modellerinin gerçek zamanlı nesne izlemeyi nasıl desteklediğine bakalım.

YOLO modelleri doğrudan izleme algoritmaları olmasa da her video karesindeki nesneleri tespit ederek önemli bir rol oynar. Nesneler tespit edildikten sonra onlara benzersiz kimlikler atamak için izleme algoritmaları gerekir; böylece sistem nesnelerin kareden kareye hareketini takip edebilir.

Bu ihtiyacı karşılamak için Ultralytics Python paketi, nesne tespitini BoT-SORT ve ByteTrack gibi popüler izleme algoritmalarıyla sorunsuz şekilde bütünleştirir. Bu entegrasyon, kullanıcıların minimum kurulumla tespit ve izlemeyi birlikte çalıştırmasını sağlar.

YOLO modellerini nesne izleme için kullanırken uygulamanın gereksinimlerine göre hangi izleme algoritmasının uygulanacağını seçebilirsin. Örneğin BoT-SORT, hareket tahmini ve derin öğrenmeden yararlandığı için öngörülemeyen şekilde hareket eden nesneleri takip etmek için iyi bir seçenektir. ByteTrack ise kalabalık sahnelerde özellikle iyi performans gösterir ve nesneler bulanık veya kısmen gizlenmiş olsa bile güvenilir izlemeyi sürdürür.

Şekil 2. Ultralytics Python paketi, BoT-SORT ve ByteTrack'i sorunsuz şekilde bütünleştirir.

Özel YOLO modeli eğitiminin nesne izlemeyle ilişkisi nedir?#

Özel eğitim, Ultralytics YOLO11 gibi önceden eğitilmiş bir nesne tespiti modelinin, standart veri kümelerinde bulunmayan nesneleri tanıyabilmesi için belirli bir veri kümesi üzerinde ince ayarlanması sürecidir. Bu, izleme sisteminin özel veya yaygın olmayan nesneleri takip etmesi gerektiğinde özellikle önemlidir.

İzleme sistemleri, nesneyi önce tanımak için tespit modeline güvenir. Bir YOLO modeli belirli bir makine türü veya yaban hayatı türü gibi belirli bir öğeyi tespit edemezse izleme algoritması da onu takip edemez.

Bu nedenle özel eğitim çok önemlidir: Tespit modelinin izlemek istediğin nesneleri doğru şekilde tanımlayabilmesini sağlar.

Bu süreçte yalnızca tespit modelinin ince ayarının yapıldığını unutmamak da önemlidir. BoT-SORT veya ByteTrack gibi izleme algoritmaları özel olarak eğitilmez; yalnızca YOLO modelinin çıktısını kullanarak tespit edilen nesneleri kareler boyunca takip eder.

Ultralytics YOLO ile nesne izleme uygulamaları#

Artık nesne izlemenin ne olduğunu ve nasıl çalıştığını daha iyi anladığımıza göre bu teknolojinin etkili olduğu bazı gerçek dünya uygulamalarını inceleyelim.

Hız tahmini için Ultralytics YOLO ile gerçek zamanlı izleme#

Bilgisayarlı görüyle desteklenen hız tahmini sistemleri, nesne tespiti ve izleme gibi görevlere dayanır. Bu sistemler bir aracın, bisikletlinin veya hatta bir insanın ne kadar hızlı hareket ettiğini hesaplamak için tasarlanır. Bu bilgiler, trafik yönetiminden güvenlik izleme ve endüstriyel otomasyona kadar çeşitli uygulamalar için kritik öneme sahiptir.

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

Şekil 3. Hız tahmini için YOLO11'in nesne izleme desteğini kullanma.

Üretimde nesne izlemeyi inceleme#

Üretim süreçleri hızlı ve son derece karmaşık olabilir; bu da üretilen her öğeyi manuel olarak takip etmeyi zorlaştırır. Nesne izleme, ürünler üretimin her aşamasından geçerken izlenmesini otomatikleştirmek için iyi bir çözüm sunar. Fabrikaların süreçleri yavaşlatmadan yüksek doğruluk ve verimlilik düzeylerini korumasına yardımcı olabilir.

Nesne izleme, bir konveyör bandındaki ürünleri saymaktan kusurları tespit etmeye veya doğru montajı doğrulamaya kadar, aksi takdirde zaman alıcı ya da hataya açık olacak görevlere görünürlük ve kontrol kazandırır. Bu teknoloji, hız ve hassasiyetin kritik olduğu gıda işleme, elektronik ve ambalajlama gibi yüksek hacimli sektörlerde özellikle etkilidir.

Şekil 4. Ultralytics YOLO11 kullanarak montaj hattındaki gıda ürünlerini izleme ve saymaya örnek.

Perakende analitiğinde nesne izlemeye genel bakış#

Her gün sayısız müşteri perakende mağazalarına girip çıkar ve davranışlarını anlamak hem müşteri deneyimini hem de işletme performansını iyileştirmek için çok önemlidir. Nesne izleme, perakendecilerin müdahaleci veya manuel yöntemlere ihtiyaç duymadan müşteri trafiğini izlemesini, mağazada geçirilen süreyi ölçmesini ve hareket kalıplarını analiz etmesini mümkün kılar.

İşletmeler, kişileri mağazaya girerken, çıkarken ve mağaza içinde hareket ederken izleyerek yoğun saatler, popüler alanlar ve hatta kuyruk uzunlukları hakkında içgörüler elde edebilir. Bu içgörüler personel planlaması, mağaza düzeni ve envanter yerleşimiyle ilgili kararlara yön verebilir; sonuç olarak daha verimli operasyonlar ve artan satışlar sağlayabilir.

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

Nesne izlemenin artıları ve eksileri#

Perakende mağazalarından fabrika zeminlerine kadar nesne izleme, verimlilik, güvenlik ve genel deneyim gibi unsurları iyileştirmek için her tür sektörde kullanılıyor. Nesne izlemenin çeşitli sektörlere sağlayabileceği başlıca faydalardan bazıları şunlardır:

• Gerçek zamanlı uyarılar sağlar: Nesne izlemeyle entegre sistemler, kısıtlı bir alana giren kişi veya bir yerde çok uzun süre bırakılan teslimat gibi olağandışı bir durum tespit edildiğinde uyarıları otomatik olarak tetikleyecek şekilde yapılandırılabilir.
• Diğer sistemlerle entegre olur: Nesne izleme verileri, daha güçlü içgörüler elde etmek için yüz tanıma, termal kameralar veya envanter sistemleri gibi diğer teknolojilerle birleştirilebilir.
• Uzun vadede uygun maliyetlidir: İlk kurulum yatırım gerektirse de otomatik izleme, manuel iş gücü ihtiyacını azaltır, hata oranlarını düşürür ve zaman içinde operasyonel maliyetleri azaltır.

Bu faydalar nesne izlemenin farklı kullanım alanlarını nasıl olumlu etkilediğini gösterse de uygulamadaki zorlukları da dikkate almak önemlidir. Şimdi nesne izlemenin bazı sınırlamalarına daha yakından bakalım:

• Kalabalık ortamlarda zorluk: Konserler, alışveriş merkezleri veya şehir sokakları gibi yoğun ortamlarda izleme sistemleri birbirine yakın kişileri 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 şekilde izleme becerisini etkileyebilir.

• Gizlilik ve hukuki kaygılar: Kişisel verilerin uygunsuz şekilde işlenmesi, kullanıcı izninin bulunmaması veya kamusal alanlarda gözetim yapılması etik sorunlara yol açabilir ve gizlilik yasalarına uyumsuzlukla sonuçlanabilir.

Önemli çıkarımlar#

Nesne izleme, makinelerin nesnelerin zaman içindeki hareketini takip etmesini sağlayan bir bilgisayarlı görü görevidir. Araç hızını tahmin etmekten montaj hattındaki ürünleri saymaya ve sporda oyuncu hareketlerini analiz etmeye kadar çok çeşitli gerçek dünya senaryolarında kullanılır.

Ultralytics YOLO11 gibi görü yapay zekâ modelleri ve BoT-SORT ile ByteTrack gibi izleme algoritmaları sayesinde nesne izleme, farklı sektörlerde daha hızlı, akıllı ve erişilebilir hâle geldi. Nesne izleme teknolojisi geliştikçe sistemlerin her seferinde bir kare olmak üzere daha akıllı, verimli ve duyarlı hâle gelmesine yardımcı oluyor.

Bilgisayarlı görü ve yapay zekâ hakkında daha fazla bilgi edinmek ister misin? Bilgisayarlı görü projene hızlı bir başlangıç yapmak için GitHub depomuzu incele, topluluğumuzla bağlantı kur ve lisans seçeneklerimize göz at. Üretimde yapay zekâ ve otomotiv sektöründe bilgisayarlı görü gibi yenilikleri araştırıyorsan daha fazla bilgi edinmek için çözüm sayfalarımızı ziyaret et.