Ultralytics YOLO26 ile trafik olayı yönetimini otomatikleştirme

Her gün küçük yol olayları, trafik akışını küçük ölçekte etkileyerek hızla daha büyük sonuçlara yol açabilir. Örneğin otoyolda arızalanan bir araç veya yola saçılmış moloz, kolayca uzun gecikmelere, güvensiz trafik akışına ve ikincil kazalara dönüşebilir.

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

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

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

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

Bu yetenekler, Ultralytics YOLO26 gibi eğitilmiş görü modelleriyle sağlanır. Bu modeller, canlı video akışlarından eyleme dönüştürülebilir içgörüleri otomatik olarak çıkararak manuel izlemeye olan bağımlılığı azaltır ve daha hızlı, daha bilinçli karar almayı mümkün kılar. Bunun sonucunda acil müdahale için olaylardan daha hızlı haberdar olunur ve koordinasyon iyileşir.

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

Bu makalede, görü yapay zekâsının trafik olay yönetimini nasıl değiştirdiğini ve Ultralytics YOLO26 gibi bilgisayarlı görü modellerinin acil müdahale ekiplerinin olayları daha hızlı tespit edip ortadan kaldırmasına nasıl yardımcı olabileceğini inceleyeceğiz. Hadi başlayalım!

Yol olay yönetimiyle ilgili yaygın zorluklar#

Trafik olay yönetimi ekiplerinin sahada karşılaştığı başlıca zorluklardan bazıları şunlardır:

• Gerçek zamanlı görünürlüğün sınırlı olması: TIM müdahale ekipleri genellikle çağrılardan, kameralardan veya sürücülerden yalnızca kısmi bilgi alır. Olay yerinin net biçimde anlaşılmaması; şerit kapatma, trafik kontrolü veya karmaşık yol durumlarıyla ilgili erken karar almayı zorlaştırabilir.
• Müdahale ekiplerinin güvenliği: Acil durum araçları canlı trafik içinde durduğunda veya çalıştığında, itfaiye teşkilatları ve EMS dâhil ilk müdahale ekipleri hızla hareket eden araçlara maruz kalır. Özellikle araçların yanaşarak geçmesine ilişkin yasalara uyulmadığında veya tehlikeli maddeler ya da hazmat söz konusu olduğunda, bu durum güvenlik risklerini önemli ölçüde artırır.
• Trafik yönetimi zorlukları: Bir trafik kazasından sonra hızlı ve zamanında koordinasyon sağlanmazsa trafik akışı hızla bozulabilir. Yoğunluk artar, sürücüler ani kararlar alır ve güvensiz koşullar ulaşım sistemine yayılarak genel kamu güvenliğini ve trafik güvenliği hedeflerini etkiler.
• İkincil kazalar: Yetersiz görünürlük, ani yavaşlamalar ve belirsiz ya da gecikmiş şerit kapatmalar ikincil kazalara yol açabilir. Sürücülere zamanında bilgilendirme yapılamadığında, ilerideki tehlikelerden haberdar olmayabilir ve müteakip olay riski artabilir.

Trafik olay yönetiminde bilgisayarlı görü kullanımı#

Çoğu trafik olay yönetimi sistemi, otoyollara ve şehir içi yollara yerleştirilmiş bir cihaz ağından oluşur. 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 eyleme dönüştürülebilir içgörüleri çıkarmak için video akışlarını doğrudan işlediği için bu sistemlere kolayca entegre edilebilir. Trafik kameralarından gelen video akışları; trafik koşullarının daha kapsamlı bir görünümünü sağlamak için hız ve hacim dedektörleri gibi yol sensörleriyle eşleştirilebilir.

Özellikle Ultralytics YOLO26 gibi görü modelleri video akışlarını işlemek için kullanılabilir. YOLO26, olayları tespit etmeye, yol koşullarını yorumlamaya ve trafik operasyonları için eyleme dönüştürülebilir içgörüler sağlamaya 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 görü görevinin basit açıklaması şöyledir:

• Nesne tespiti: Bu görev, erken olay tespitini ve durumsal farkındalığı destekleyen araçlar, acil durum araçları, moloz ve durmuş ya da arızalı araçlar gibi temel nesneleri her video karesinde tanımlar ve konumlandırır.
• Nesne takibi: Araçlar veya nesneler bir sahnede hareket ederken zaman içinde izlenebilir; bu da trafik akışındaki değişiklikleri görmeyi kolaylaştırır.
• Örnek segmentasyonu: Bu yaklaşım, bir nesnenin tam şeklini belirginleştirebilir. TIM kapsamında bu görev, şerit kapatmaları ve trafik kontrolü planlamasında faydalı olan şerit blokajlarını öğrenmek için kullanılabilir.

Ultralytics YOLO26 trafik olay yönetimini nasıl iyileştirebilir?#

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

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

Şekil 3. Hız tahmini için YOLO ile araçları tespit etme ve takip etme (Kaynak)

Daha özel trafik olay yönetimi uygulamaları için bu önceden eğitilmiş modeller, belirli ilgi nesnelerini tespit etmek üzere etiketli, alana özgü görüntü ve video verileri kullanılarak kolayca özel olarak eğitilebilir.

Örneğin bir model, yol kameralarından alınan görüntülerde kırmızı itfaiye araçlarını güvenilir biçimde tanıyacak şekilde eğitilebilir ve böylece trafik ekiplerinin aktif acil müdahale sahnelerini daha hızlı fark etmesine yardımcı olabilir. Ortaya çıkan video içgörüleri, müdahale ekibi eğitimi için de kullanılabilir; ekipler gerçek olay senaryolarını inceleyerek gelecekteki benzer olaylara hazırlıklarını geliştirebilir.

Trafik olay yönetiminde görü yapay zekâsının temel uygulamaları#

Şimdi bilgisayarlı görünün gerçek dünyadaki trafik olay yönetimi sistemlerinde nasıl uygulanabileceğine dair örnekleri ele alacağız.

Olay ve engel tespiti#

Trafik olay yönetimindeki en büyük zorluklardan biri, ekiplerin trafik olaylarını hızlı ve güvenli biçimde ortadan kaldırabilmesi için olayları ve yol engellerini mümkün olduğunca erken tespit etmektir. Geçmişte tespit büyük ölçüde sürücü bildirimlerine, devriye araçlarına veya kamera akışlarını manuel olarak izleyen personele dayanıyordu.

Bu yöntemler günümüzde hâlâ kullanılsa da özellikle yoğun otoyollarda veya düşük görünürlük koşullarında farkındalığın gecikmesine ya da ayrıntıların gözden kaçmasına neden olabilir. Görü yapay zekâsı, Ultralytics YOLO26 gibi modelleri kullanarak yolları gerçek zamanlı olarak sürekli izleyerek bu süreci iyileştirir.

Örneğin Ultralytics YOLO26'nın nesne tespiti ve takip yetenekleri, canlı bir şeritte durmuş bir aracı tespit etmek ve trafiğin yavaşladığını ya da aracın arkasında biriktiğini belirlemek için kullanılabilir.

Bu olağandışı etkinlik tespit edildiğinde sistem, trafik ekiplerini erkenden uyararak müdahale ekiplerine trafik kontrolünü planlamak, sürücüleri uyarmak ve etkili bir müdahaleyi koordine etmek için daha fazla zaman tanıyabilir. Daha erken tespit, hızlı temizlemeyi de destekler, yoğunluğu azaltır ve ikincil kaza riskini düşürür.

Proaktif izlemeyle sürücü ve yol güvenliğini iyileştirme#

Trafik olay yönetimi yalnızca bir şeyler ters gittikten sonra müdahale etmekten ibaret değildir. Aynı zamanda yol sorunlarını kazaya dönüşmeden önce erkenden fark etmeyi de içerir.

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

Şekil 4. Hasarlı yollara örnekler (Kaynak)

Örnek segmentasyonu gibi teknikleri kullanan Ultralytics YOLO26 gibi görü modelleri, yol görüntülerindeki çatlakları, çukurları veya asfaltın hasarlı bölümlerini hassas biçimde belirginleştirebilir. Bu, yalnızca bir sorunun var olduğunu tespit etmek yerine hasarın boyutunu ve konumunu anlamayı kolaylaştırır.

Bu sorunların erken tespit edilmesi; bakım planlaması yapma, trafik kontrolünü ayarlama veya sürücüleri uyarma gibi adımları daha erken atmayı mümkün kılar. Bu proaktif yaklaşım yolları daha güvenli tutar, olay riskini azaltır ve herkes için günlük sürüş koşullarını iyileştirir.

Trafik olay yönetiminde görü yapay zekâsı kullanmanın artıları ve eksileri#

Trafik olay yönetimini ve yol güvenliğini desteklemek için görü yapay zekâsı 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 izlemenin aksine görü yapay zekâsı yorulmadan sürekli çalışarak daha tutarlı kapsama sağlar.

Bu faydalara rağmen dikkate alınması gereken sınırlamalar da vardır. Göz önünde bulundurulması gereken bazı faktörler şunlardır:

• Sürekli bakım: Trafik düzenlerindeki, altyapıdaki veya kamera yapılandırmalarındaki değişikliklere uyum sağlamak için modellerin periyodik olarak yeniden eğitilmesi gerekebilir.
• Maliyet hususları: Maliyetler zaman içinde azalabilse de donanım, yazılım ve eğitim için gereken ilk yatırım önemli olabilir.

Önemli çıkarımlar#

Trafik olay yönetimi, ekipler sorunları erken görebildiğinde ve yolda gerçek zamanlı olarak neler olduğunu anlayabildiğinde en iyi şekilde çalışır. Görü yapay zekâsı, günlük trafik kamerası görüntülerini daha hızlı müdahaleleri ve daha güvenli kararları destekleyen yararlı içgörülere dönüştürerek bunu mümkün kılar. Düşünülerek kullanıldığında yolları sürücüler için daha güvenli hâle getirebilir ve her gün yollarda çalışan insanların karşılaştığı riski azaltabilir.

Görü yapay zekâsını projelerine dâhil etmek ister misin? Aktif topluluğumuza katıl ve üretimde görü yapay zekâsı ile robotikte bilgisayarlı görü hakkında bilgi edin. Daha fazla bilgi edinmek için GitHub depomuzu incele. Başlamak için lisanslama seçeneklerimize göz at!