Ultralytics YOLO26 ile trafik olayı yönetimini otomatikleştirme

Her gün yaşanan küçük trafik olayları, trafik akışını küçük ölçekte etkiler ve bu etkiler kısa sürede daha büyük sonuçlara yol açabilir. Örneğin otoyolda arızalanan bir araç veya yola saçılan enkaz; uzun gecikmelere, güvensiz trafik akışına ve ikincil kazalara kolayca neden olabilir.

İtfaiye gibi ilk müdahale ekipleri için bu durum sürekli bir baskı yaratır. Bir olayı olay yerinde değerlendirmek için harcanan her dakika, ekiplerin hareket hâlindeki araçlara maruz kalma riskini artırabilir ve yol güvenliğini tehlikeye atabilir.

Bu tür durumlarda, müdahale ekiplerinin güvenliğinin yanı sıra kamusal yol güvenliği de önemlidir. Manuel izlemeye dayanan ulaşım, kamu işleri ve acil durum yönetimi sistemleri, yoğun saatlerde veya tehlikeli maddelerin söz konusu olduğu olaylarda yetersiz kalabilir.

Birçok trafik olayı yönetimi (TIM) ekibi, yol koşullarını analiz etmek ve olayları erken tespit etmek için artık bilgisayarlı görüden yararlanıyor. Bilgisayarlı görü, makinelerin kameralardan ve videolardan gelen görsel verileri görmesini ve yorumlamasını sağlayan bir yapay zekâ (AI) dalıdır.

Görsel sistemler yolları izleyebilir, kazaları tespit edebilir ve gerçek zamanlı görsel bağlam sağlayabilir. Bu erken görünürlük; acil sağlık hizmetlerinin (EMS), kolluk kuvvetlerinin ve trafik ekiplerinin sahadaki durumu anlamasına ve daha hızlı müdahale etmesine yardımcı olabilir.

Bu özellikler, Ultralytics YOLO26 gibi eğitilmiş görsel modellerle sağlanır. Bu modeller, canlı video akışlarından uygulanabilir içgörüleri otomatik olarak çıkararak manuel izlemeye duyulan ihtiyacı azaltır ve daha hızlı, bilgiye dayalı karar almayı mümkün kılar. Böylece olaylar daha hızlı fark edilir ve acil durum müdahaleleri daha iyi koordine edilir.

Şekil 1. YOLO ile desteklenen gerçek zamanlı kaza tespitine bir örnek (Kaynak)

Bu makalede, görüntü işleme yapay zekâsının trafik olayı yönetimini nasıl değiştirdiğini ve Ultralytics YOLO26 gibi bilgisayarlı görü modellerinin acil durum ekiplerinin olayları daha hızlı tespit edip ortadan kaldırmasına nasıl yardımcı olabileceğini inceleyeceğiz.

Yol olaylarının yönetimindeki yaygın zorluklar#

Trafik olayı yönetimi ekiplerinin sahada karşılaştığı temel zorluklardan bazıları şunlardır:

• Gerçek zamanlı görünürlüğün sınırlı olması: TIM ekipleri çoğu zaman çağrılardan, kameralardan veya sürücülerden yalnızca kısmi bilgi alır. Olay yerini net bir şekilde anlamadan şerit kapatma, trafik kontrolü veya karmaşık yol durumları hakkında erken kararlar almak zor olabilir.
• Müdahale ekiplerinin güvenliği: Acil durum araçları canlı trafikte durduğunda veya çalıştığında itfaiye ve acil sağlık hizmetleri (EMS) dâhil ilk müdahale ekipleri hızla ilerleyen araçlara maruz kalır. Araçların kenara çekilmesini zorunlu kılan trafik kurallarına uyulmadığında veya tehlikeli maddeler (hazmat) söz konusu olduğunda bu durum güvenlik risklerini önemli ölçüde artırır.
• Trafik yönetimi zorlukları: Trafik kazasından sonra hızlı ve zamanında koordinasyon sağlanmazsa trafik akışı hızla bozulabilir. Trafik sıkışıklığı artar, sürücüler ani kararlar alır ve güvensiz koşullar ulaşım sistemine yayılarak genel kamu güvenliğini ve trafik güvenliği hedeflerini etkiler.
• İkincil kazalar: Görüş mesafesinin yetersiz olması, ani yavaşlamalar ve belirsiz ya da gecikmeli şerit kapatmalar ikincil kazalara yol açabilir. Sürücülere zamanında uyarı yapılamadığında sürücüler ilerideki tehlikelerden habersiz olabilir ve bu da yeni olayların yaşanma riskini artırır.

Trafik olayı yönetiminde bilgisayarlı görü kullanımı#

Trafik olayı yönetimi sistemlerinin çoğu, otoyollara ve şehir içi yollara yerleştirilmiş cihazlardan oluşan bir ağa zaten sahiptir. Trafik sinyali kameraları, CCTV sistemleri ve direklere, römorklara veya acil durum araçlarına monte edilen taşınabilir kameralar artık giderek yaygınlaşıyor.

Bilgisayarlı görü, mevcut kamera altyapısından yararlandığı ve uygulanabilir içgörüler çıkarmak için video akışlarını doğrudan işlediği için bu sistemlere kolayca entegre edilebilir. Trafik kameralarından alınan video akışları, trafik koşullarına ilişkin daha kapsamlı bir görünüm sağlamak için hız ve hacim dedektörleri gibi yol sensörleriyle eşleştirilebilir.

Özellikle Ultralytics YOLO26 gibi görsel modeller video akışlarını işlemek için kullanılabilir. YOLO26, olayları tespit etmeye, yol koşullarını yorumlamaya ve trafik operasyonları için uygulanabilir içgörüler sunmaya yardımcı olan çeşitli temel bilgisayarlı görü görevlerini destekler.

Şekil 2. Ultralytics YOLO modelleriyle trafiği izleme ve analiz etme (Kaynak)

Trafik olaylarını izlemek ve yönetmek için kullanılabilecek birkaç görsel görevin kısa bir özeti şöyle:

• Nesne tespiti: Bu görev, erken olay tespitini ve durumsal farkındalığı desteklemek üzere araçlar, acil durum araçları, enkaz ve durmuş ya da arızalanmış araçlar gibi temel nesneleri her video karesinde tespit edip konumlandırır.
• Nesne takibi: Trafik akışındaki değişiklikleri görmeyi kolaylaştırmak için araçları veya nesneleri sahnede hareket ederken zaman içinde izlemek amacıyla kullanılabilir.
• Örnek segmentasyonu: Bu yaklaşım, bir nesnenin tam şeklini belirginleştirebilir. TIM kapsamında bu görev, şerit kapatmalarını belirlemek için kullanılabilir; bu bilgi şerit kapatma ve trafik kontrolü planlamasında işe yarar.

Ultralytics YOLO26 trafik olayı yönetimini nasıl iyileştirebilir?#

YOLO26 gibi Ultralytics YOLO modelleri, önceden eğitilmiş modeller olarak kullanıma hazırdır. Bu, modellerin COCO veri kümesi gibi yaygın kullanılan büyük ölçekli veri kümeleri üzerinde zaten eğitilmiş olduğu anlamına gelir.

Bu ön eğitim sayesinde Ultralytics YOLO26; otomobiller, bisikletler, yayalar, motosikletler ve günlük hayatta karşılaşılan diğer nesneler gibi yaygın, gerçek dünya nesnelerini hemen algılamak için kullanılabilir. Böylece yol sahnelerini anlamak için güçlü bir temel oluşturur ve ekiplerin sıfırdan model eğitmeden araç sayımı, trafik akışı analizi ve hız tahmini gibi daha bütünleşik uygulamalar geliştirmesini sağlar.

Şekil 3. Hız tahmini için YOLO ile araçları algılama ve takip etme (Kaynak: Ultralytics)

Trafik olaylarının yönetimine yönelik daha özel uygulamalarda, Ultralytics Platform'daki karayolu trafik algılama modeli örneğinde olduğu gibi, bu önceden eğitilmiş modeller belirli ilgi nesnelerini algılamak üzere etiketli, alana özgü görüntü ve video verileriyle kolayca özelleştirilerek eğitilebilir.

Örneğin bir model, yol kamerası görüntülerindeki kırmızı itfaiye araçlarını güvenilir biçimde tanıyacak şekilde eğitilebilir; bu da trafik ekiplerinin etkin acil durum müdahale sahnelerini daha hızlı fark etmesine yardımcı olur. Ortaya çıkan video içgörüleri, ekiplerin gerçek olay senaryolarını incelemesine ve gelecekte benzer olaylara daha iyi hazırlanmasına olanak tanıyan müdahale ekibi eğitimlerinde de kullanılabilir.

Trafik olayı yönetiminde görsel yapay zekânın temel uygulamaları#

Şimdi bilgisayarlı görünün gerçek dünyadaki trafik olayı yönetimi sistemlerinde nasıl kullanılabileceğine dair örneklere göz atacağız.

Olay ve engel tespiti#

Trafik olayı yönetimindeki en büyük zorluklardan biri, ekiplerin trafik olaylarını hızlı ve güvenli bir şekilde temizleyebilmesi için olayları ve yol üzerindeki engelleri mümkün olduğunca erken tespit etmektir. Geçmişte tespit işlemleri büyük ölçüde sürücü bildirimlerine, devriye araçlarına veya kamera akışlarını manuel olarak izleyen personele dayanıyordu.

Bu yöntemler bugün hâlâ kullanılsa da özellikle yoğun otoyollarda veya görüş mesafesinin düşük olduğu koşullarda farkındalığın gecikmesine ya da ayrıntıların gözden kaçmasına yol açabilir. Görsel yapay zekâ, Ultralytics YOLO26 gibi modellerle gerçek zamanlı olarak sürekli yolları izleyerek bu süreci iyileştirir.

Örneğin Ultralytics YOLO26'nın nesne tespiti ve takip özellikleri, canlı bir şeritte durmuş bir aracı belirlemek ve arkasındaki trafiğin yavaşladığını veya biriktiğini tespit etmek için kullanılabilir.

Bu olağan dışı hareketlilik tespit edildiğinde sistem, trafik ekiplerini erkenden uyararak müdahale ekiplerine trafik kontrolünü planlamak, sürücüleri uyarmak ve etkili bir müdahaleyi koordine etmek için daha fazla zaman kazandırabilir. Daha erken tespit, olay yerinin hızlıca temizlenmesini destekler, trafik sıkışıklığını azaltır ve ikincil kaza riskini düşürür.

Proaktif izlemeyle sürücü ve yol güvenliğini iyileştirme#

Trafik olayı yönetimi yalnızca bir şeyler ters gittikten sonra müdahale etmekten ibaret değildir. Kazalara dönüşmeden önce yol sorunlarını erkenden fark etmeyi de kapsar.

Bilgisayarlı görü sayesinde Federal Karayolu İdaresi (FHWA) ve Ulaştırma Bakanlığı gibi devlet kurumları yolları sürekli izleyebilir ve hasarlı kaldırım, moloz veya diğer tehlikeler gibi sorunları tespit edebilir.

Şekil 4. Hasarlı yollara örnekler (Kaynak)

Ultralytics YOLO26 gibi görsel modeller, örnek segmentasyonu gibi teknikleri kullanarak yol görüntülerindeki çatlakların, çukurların veya hasarlı asfalt bölümlerinin sınırlarını hassas biçimde belirginleştirebilir. Bu sayede yalnızca bir sorun olduğunu tespit etmek yerine hasarın boyutunu ve konumunu anlamak kolaylaşır.

Bu sorunları erkenden belirlemek, bakım planlamak, trafik kontrolünü ayarlamak veya sürücüleri uyarmak gibi adımların daha erken atılmasını sağlar. Bu proaktif yaklaşım yolları daha güvenli tutar, olay riskini azaltır ve herkes için günlük sürüş koşullarını iyileştirir.

Trafik olayı yönetiminde görsel yapay zekâ kullanmanın artıları ve eksileri#

Trafik olayı yönetimini ve yol güvenliğini desteklemek için görsel yapay zekâ kullanmanın temel faydalarından bazıları şunlardır:

• Veriye dayalı karar alma: Olay verileri ve video içgörüleri; performans takibini, raporlamayı, uzun vadeli trafik güvenliği planlamasını ve TIM eğitim programlarını destekler.
• Tutarlı olay müdahalesi: İnsanların yaptığı izlemeden farklı olarak görsel yapay zekâ yorulmadan sürekli çalışır ve daha tutarlı bir izleme kapsamı sağlar.

Bu faydalara rağmen göz önünde bulundurulması gereken sınırlamalar da vardır. Dikkate alman gereken bazı etkenler şunlardır:

• Sürekli bakım: Trafik düzenlerindeki, altyapıdaki veya kamera yapılandırmalarındaki değişikliklere uyum sağlamak için modellerin belirli aralıklarla yeniden eğitilmesi gerekebilir.
• Maliyetle ilgili değerlendirmeler: Zaman içinde maliyetler düşebilse de donanım, yazılım ve eğitim için gereken ilk yatırım önemli olabilir.

Önemli çıkarımlar#

Trafik olayı yönetimi, ekiplerin sorunları erkenden görebildiği ve yolda neler olup bittiğini gerçek zamanlı olarak anlayabildiği durumlarda en iyi sonucu verir. Görsel yapay zekâ, gündelik trafik kamerası görüntülerini daha hızlı müdahaleleri ve daha güvenli kararları destekleyen yararlı içgörülere dönüştürerek bunu mümkün kılar. Dikkatli kullanıldığında yolları sürücüler için daha güvenli hâle getirebilir ve bu yollarda her gün çalışan kişilerin riskini azaltabilir.

Projelerine görsel yapay zekâyı dâhil etmek ister misin? Etkin topluluğumuza katıl ve üretimde görsel yapay zekâ ile robotikte bilgisayarlı görü hakkında bilgi edin. Daha fazlasını öğrenmek için GitHub depomuzu incele. Başlamak için lisanslama seçeneklerimize göz at!