Ultralytics YOLO26 ile trafik kazası yönetimini otomatikleştirme

Her gün, küçük yol olayları trafik akışını ufak çapta etkiler ve bu durum hızla daha büyük sonuçlara yol açabilir. Örneğin, otoyolda duran bir araç veya yoldaki kalıntılar kolayca uzun gecikmelere, güvensiz trafik akışına ve ikincil kazalara dönüşebilir.

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

Bu tür durumlarda yol güvenliği ve müdahale ekiplerinin güvenliği anahtardır. Manuel izlemeye dayanan ulaşım, bayındırlık ve acil durum yönetim sistemleri, yoğun saatlerde veya tehlikeli madde içeren olaylarda yetersiz kalabilir.

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

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

Bu yetenekler, Ultralytics YOLO26 gibi eğitilmiş görü modelleri tarafından desteklenmektedir. Canlı video akışlarından eyleme dönüştürülebilir içgörüleri otomatik olarak çıkararak, bu modeller manuel izlemeye olan bağımlılığı azaltır ve daha hızlı, daha bilinçli karar almayı sağlar. Bu da daha hızlı olay farkındalığı ve acil durum müdahalesi için daha iyi koordinasyonla sonuçlanır.

Şekil 1. YOLO ile güçlendirilmiş gerçek zamanlı kaza tespiti örneği (Kaynak)

Bu makalede, görü tabanlı yapay zekanın trafik kaza yönetimini nasıl değiştirdiğini ve Ultralytics YOLO26 gibi bilgisayarlı görü modellerinin acil durum ekiplerinin olayları daha hızlı tespit edip temizlemesine nasıl yardımcı olabileceğini keşfedeceğiz. Başlayalım!

Link to this sectionYol kaza yönetimiyle ilgili yaygın zorluklar#

Trafik kaza yönetimi ekiplerinin sahada karşılaştığı temel zorluklardan bazıları şunlardır:

• Sınırlı gerçek zamanlı görünürlük: TIM müdahale ekipleri genellikle çağrılardan, kameralardan veya sürücülerden yalnızca kısmi bilgi alır. Olay yerinin net bir şekilde anlaşılmaması, şerit kapatma, trafik kontrolü veya karmaşık yol durumları hakkında erken kararlar almayı zorlaştırabilir.
• Müdahale ekiplerinin güvenliği: Acil durum araçları yoğun trafikte durduğunda veya çalıştığında, itfaiye ve EMS dahil ilk müdahale ekipleri hızlı hareket eden araçlara maruz kalır. Özellikle şerit değiştirme yasalarına uyulmadığında veya tehlikeli maddeler (hazmat) söz konusu olduğunda bu durum güvenlik risklerini önemli ölçüde artırır.
• Trafik yönetimi zorlukları: Bir trafik kazasından sonra, hızlı ve zamanında koordinasyon olmazsa trafik akışı hızla bozulabilir. Sıkışıklık artar, sürücüler ani kararlar verir ve güvensiz koşullar ulaşım sistemine yayılarak genel kamu güvenliğini ve trafik güvenliği hedeflerini etkiler.
• İkincil kazalar: Kötü görüş, ani yavaşlamalar ve belirsiz veya gecikmiş şerit kapatmalar ikincil kazalara yol açabilir. Sürücülere zamanında ulaşım sağlanamadığında, sürücüler ilerideki tehlikelerden habersiz olabilir ve bu da takip eden olayların riskini artırır.

Link to this sectionTrafik kaza yönetimi için bilgisayarlı görü kullanmak#

Çoğu trafik kaza yönetimi sistemi, otoyollara ve şehir içi yollara yerleştirilmiş bir cihaz ağından oluşur. Trafik sinyal kameraları, CCTV sistemleri ve direkler, römorklar veya acil durum araçlarına monte edilmiş taşınabilir kameralar artık giderek daha yaygın hale geliyor.

Bilgisayarlı görü, mevcut kamera altyapısı üzerine inşa edildiği ve eyleme dönüştürülebilir içgörüler elde etmek için video akışlarını doğrudan işlediği için bu sistemlere kolayca entegre edilebilir. Trafik kameralarından gelen video akışları, hız ve yoğunluk dedektörleri gibi yol sensörleriyle eşleştirilerek trafik koşullarının daha eksiksiz bir resmi sağlanabilir.

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 modelleri ile trafiği izleme ve analiz etme (Kaynak)

Trafik olaylarını izlemek ve yönetmek için kullanılabilecek birkaç görü görevinin basit bir dökümü şöyledir:

• Nesne tespiti: Bu görev, araçlar, acil durum araçları, kalıntılar ve duran veya arızalı araçlar gibi her video karesindeki temel nesneleri tanımlar ve konumlandırır; bu da erken olay tespiti ve durumsal farkındalığı destekler.
• Nesne takibi: Araçları veya nesneleri bir sahnede hareket ederken zaman içinde takip etmek için kullanılabilir, böylece trafik akışındaki değişiklikleri görmek kolaylaşır.
• Örnek bölümleme: Bu yaklaşım, bir nesnenin tam şeklini çizebilir. TIM'de bu görev, şerit kapatmaları planlamak ve trafik kontrolü için yararlı olan şerit blokları hakkında bilgi edinmek için kullanılabilir.

Link to this sectionUltralytics YOLO26 trafik kaza yönetimini nasıl iyileştirebilir?#

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

Bu ön eğitim sayesinde, YOLO26 arabalar, bisikletler, yayalar, motosikletler ve diğer günlük nesneler gibi yaygın, gerçek dünya nesnelerini tespit etmek için hemen kullanılabilir. Bu, yol sahnelerini anlamak için güçlü bir temel oluşturur ve ekiplerin sıfırdan bir model eğitmeden araç sayma, trafik akış analizi ve hız tahmini gibi daha uyumlu uygulamalar oluşturmasını sağlar.

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

Daha spesifik trafik kaza yönetimi uygulamaları için, bu önceden eğitilmiş modeller, etiketli, alana özgü görüntü ve video verileri kullanılarak belirli ilgi nesnelerini tespit etmek için kolayca özelleştirilebilir.

Örneğin, bir model, yol kamerası görüntülerinde kırmızı itfaiye araçlarını güvenilir bir şekilde tanımlayacak şekilde eğitilebilir ve böylece trafik ekiplerinin aktif acil durum müdahale sahnelerini daha hızlı tanımasına yardımcı olur. Elde edilen video içgörüleri, ekiplerin gerçek olay senaryolarını gözden geçirmesine ve gelecekteki benzer olaylara karşı hazırlıklarını iyileştirmesine olanak tanıyarak müdahale ekibi eğitimi için de kullanılabilir.

Link to this sectionTrafik kaza yönetiminde görü tabanlı yapay zekanın temel uygulamaları#

Bir sonraki adımda, bilgisayarlı görünün gerçek dünya trafik kaza yönetimi sistemlerinde nasıl uygulanabileceğine dair örnekleri inceleyeceğiz.

Link to this sectionOlay ve engel tespiti#

Trafik kaza yönetimindeki en büyük zorluklardan biri, ekiplerin trafik olaylarını hızlı ve güvenli bir şekilde temizleyebilmesi için olayları ve yol engellerini mümkün olduğunca erken tanımlamaktır. Geçmişte tespit, büyük ölçüde sürücü raporlarına, devriye araçlarına veya kamera akışlarını manuel olarak izleyen personele dayanıyordu.

Bu yöntemler günümüzde hala kullanılıyor olsa da, özellikle yoğun otoyollarda veya düşük görüş koşullarında gecikmeli farkındalığa veya kaçırılan ayrıntılara yol açabilir. Görü tabanlı yapay zeka, Ultralytics YOLO26 gibi modeller kullanarak yolları gerçek zamanlı olarak sürekli izleyerek bu süreci iyileştirir.

Örneğin, YOLO26'nın nesne tespiti ve takip yetenekleri, aktif bir şeritte duran bir aracı tanımlamak ve trafiğin yavaşladığını veya arkasında biriktiğini tespit etmek için kullanılabilir.

Bu olağandışı aktivite tespit edildiğinde, sistem trafik ekiplerini erkenden uyarabilir, müdahale ekiplerine trafik kontrolünü planlamaları, sürücüleri uyarmaları ve etkili bir müdahaleyi koordine etmeleri için daha fazla zaman kazandırabilir. Daha erken tespit, hızlı temizlemeyi destekler, sıkışıklığı azaltır ve ikincil kaza riskini düşürür.

Link to this sectionProaktif izleme yoluyla sürücü ve yol güvenliğini iyileştirme#

Trafik kaza yönetimi sadece bir şeyler ters gittikten sonra müdahale etmekle ilgili değildir. Aynı zamanda, kazaya dönüşmeden önce yol sorunlarını erkenden tespit etmeyi de içerir.

Bilgisayarlı görü ile Federal Karayolu İdaresi (FHWA) ve Ulaştırma Bakanlığı gibi devlet yetkilileri yolları sürekli izleyebilir ve hasarlı kaldırım, kalıntılar veya diğer tehlikeler gibi sorunları tanımlayabilir.

Şekil 4. Hasarlı yol örnekleri (Kaynak)

Örnek bölümleme gibi teknikler kullanarak, YOLO26 gibi görü modelleri yol görüntülerindeki çatlakları, çukurları veya hasarlı kaldırım bölümlerini hassas bir şekilde çizebilir. Bu, bir sorunun var olduğunu tespit etmek yerine hasarın boyutunu ve yerini anlamayı kolaylaştırır.

Bu sorunları erkenden tanımlamak, ister bakım planlayarak, ister trafik kontrolünü ayarlayarak veya sürücüleri uyararak olsun, daha erken harekete geçmeyi mümkün kılar. Bu proaktif yaklaşım yolları daha güvenli tutar, olay riskini azaltır ve herkes için günlük sürüş koşullarını iyileştirir.

Link to this sectionTrafik kaza yönetimi için görü tabanlı yapay zeka kullanmanın artıları ve eksileri#

Trafik kaza yönetimini ve yol güvenliğini desteklemek için görü tabanlı yapay zeka kullanmanın temel faydalarından bazıları şunlardır:

• Veriye dayalı karar verme: Olay verileri ve video içgörüleri, performans takibini, raporlamayı, uzun vadeli trafik güvenliği planlamasını ve TIM eğitim programlarını destekler.
• Tutarlı olay müdahalesi: İnsan izlemesinin aksine, görü tabanlı yapay zeka yorgunluk olmadan sürekli çalışır ve daha tutarlı bir kapsam sağlar.

Bu faydalara rağmen, dikkate alınması gereken sınırlamalar da vardır. Akılda tutulması gereken bazı faktörler şunlardır:

• Sürekli bakım: Modeller, trafik düzenlerindeki, altyapıdaki veya kamera konfigürasyonlarındaki değişikliklere uyum sağlamak için periyodik olarak yeniden eğitilmeye ihtiyaç duyabilir.
• Maliyet hususları: Maliyetler zamanla azalabilse de donanım, yazılım ve eğitim için ilk yatırım önemli olabilir.

Link to this sectionÖne çıkanlar#

Trafik kaza yönetimi, ekipler sorunları erkenden görebildiğinde ve yolda neler olduğunu gerçek zamanlı olarak anlayabildiğinde en iyi şekilde çalışır. Görü tabanlı yapay zeka, günlük trafik kamerası görüntülerini daha hızlı müdahaleleri ve daha güvenli kararları destekleyen yararlı içgörülere dönüştürerek bunu mümkün kılar. Düşünceli bir şekilde kullanıldığında, yolları sürücüler için daha güvenli hale getirebilir ve her gün bu yollarda çalışan insanlar için riski azaltabilir.

Görü tabanlı yapay zekayı projelerinize dahil etmek ister misiniz? Aktif topluluğumuza katılın, üretimde görü tabanlı yapay zeka ve robotikte bilgisayarlı görü hakkında bilgi edinin. Daha fazla bilgi edinmek için GitHub depomuzu keşfedin. Başlamak için lisanslama seçeneklerimize göz atın!