Bilgisayarlı görü, hareket takibini daha güvenilir hale getirir

Bir tiyatro oyununu izlerken en sevdiğin oyuncu sahnede hareket ettiğinde, gözlerin onu çok az bilinçli çabayla takip edebilir. İnsanlar için bu tür bir hareket takibi oldukça doğaldır. Beynin, bir an diğerine ne gördüğünü otomatik olarak bağlar, boşlukları doldurur ve sahne değiştikçe süreklilik hissini korur.

Makineler söz konusu olduğunda, aynı görev çok daha karmaşıktır. Bir kamera videoyu bir dizi tekil kare olarak yakalar ve bir sistemin, nereye hareket ettiğini tahmin etmek ve hala takip edilmesi gereken obje olup olmadığına karar vermek için aynı objeyi adım adım tekrar tekrar tanımlaması gerekir.

Bu zorluk, hareket takibinin temelinde yatar. Hareket takibi, bir objeyi video boyunca zaman içinde izlemeyi içerir ve spor analitiği, robotik ve mobil uygulamalar gibi alanlarda önemli bir rol oynar.

Geleneksel hareket ve kamera takibi genellikle manuel kuruluma, takip noktalarına ve anahtar karelere (keyframes) dayanır. Basit sahnelerde çalışabilir, ancak hareket hızlı olduğunda veya kısmen engellendiğinde hızla yavaşlar ve güvenilmez hale gelir.

Şekil 1. Bir hareket takip sistemine bakış (Kaynak)

Bilgisayarlı görü alanındaki son gelişmeler bunu çok daha kolay hale getiriyor. Bilgisayarlı görü, makinelerin görüntüleri ve videoları anlamasına yardımcı olan, hareket takibini daha doğru hale getiren ve manuel işe bağımlılığını azaltan bir yapay zeka dalıdır. Her karedeki objeleri tespit ederek ve kimliklerini zaman içinde tutarlı tutarak, bu sistemler gerçek dünya koşullarında hareketi daha güvenilir bir şekilde takip eder.

Bu makalede, bilgisayarlı görünün hareket takibini nasıl daha akıcı hale getirebileceğini keşfedeceğiz. Haydi başlayalım!

Link to this sectionGeleneksel hareket yakalama ve takip yöntemleri ile sınırlamaları#

Geleneksel hareket takibi, özellikle görüntüdeki hareketli öğelere grafikler, efektler veya kaplamalar eklemenin amaçlandığı video kurgu ve VFX iş akışlarında genellikle dikkatli bir manuel kurulum gerektirir.

Birçok iş akışı, çekimin belirli kısımlarına takip noktaları yerleştirerek başlar ve ardından yazılım, hareket yolunu haritalamak için bunları kareler boyunca izler. Bu durum After Effects gibi araçlarda yaygındır ve benzer iş akışları, editörlerin bir maskeyi veya bölgeyi zaman içinde takip ettiği maske takibi gibi özellikler aracılığıyla Premiere Pro'da da görünür.

Match moving (eşleşmeli hareket) bir diğer yaygın yöntemdir. Efektlerin veya grafiklerin canlı çekimde yerinde kalması için dijital öğelerin gerçek kamera hareketiyle hizalanmasına yardımcı olur. Bu yaklaşımlar daha basit sahneler için iyi çalışabilir ancak çekim kalabalıklaştığında veya objeler hızlı hareket ettiğinde genellikle zorlanırlar.

Takip, aydınlatma değiştiğinde veya denekler kısmen engellendiğinde de bozulabilir, bu da kaymalara veya takibinde ani sıçramalara neden olabilir. Bu, iş akışını yavaşlatır ve editörleri çekimin bazı kısımlarını yeniden yapmaya zorlar. Objeler yön değiştirdiğinde, eski hareket takipçileri ayak uydurmakta zorlanabilir ve bu da sonuçların tutarsız ve güvenilmesinin daha zor olmasına yol açar.

Link to this sectionBilgisayarlı görü hareket takibini nasıl dönüştürüyor#

En gelişmiş bilgisayarlı görü sistemleri, hareketli objeleri bir video boyunca izlemek için yapay zeka modellerini kullanır. Sürekli manuel ince ayarlara veya hassas kare kare takibe güvenmek yerine, model bir objenin neye benzediğini ve nasıl hareket etme eğiliminde olduğunu öğrenir. Bu, sahneler yoğunlaştığında, aydınlatma değiştiğinde veya objeler kısa süreliğine gözden kaybolduğunda bile hareket takibinin kararlı kalmasına yardımcı olur.

Örneğin, Ultralytics YOLO11 ve yakında çıkacak olan Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, her karedeki objeleri tespit ederek obje takibini destekler. Basit bir ifadeyle, tespit edilen her obje için BBox'lar ve güven skorları çıktı vererek karede neyin nerede olduğunu tanımlarlar.

Şekil 2. Ultralytics YOLO11 kullanarak bir bölge içinde araç takibi (Kaynak)

İlginç bir şekilde, YOLO modelleri aslında kendi başlarına zaman içinde objeleri takip etmezler. Bunun yerine takip, YOLO tespitlerini ByteTrack ve BoT-SORT gibi çoklu obje takip algoritmalarıyla birbirine bağlayan Ultralytics Python paketi aracılığıyla etkinleştirilir. Bu kurulumda YOLO objeleri kare kare tespit eder ve takipçi, her obje hareket ettikçe tutarlı bir ID korumak için bu tespitleri kareler boyunca birbirine bağlar.

Link to this sectionYapay zeka destekli hareket takibinin gerçek dünya uygulamaları#

Şimdi, yapay zeka destekli hareket takibinin etkili olduğu birkaç gerçek dünya uygulamasına daha yakından bakalım.

Link to this sectionSpor analitiği ve hassas oyuncu takibi#

Bir futbol maçında, oyuncular sürekli hızlanır, durur ve yön değiştirir; bu da saha boyunca hareketi doğru bir şekilde ölçmeyi zorlaştırır. Manuel takip, özellikle oyuncular üst üste bindiğinde, bir araya geldiğinde veya kalabalık alanlardan geçtiğinde bu anlarda genellikle başarısız olur.

Yapay zeka destekli hareket takibi, her oyuncuyu eylem boyunca izleyerek ve hareket yollarını net ve tutarlı tutarak yardımcı olur. Örneğin, yakın tarihli bir çalışmada araştırmacılar, oyuncuları ve topu birden fazla kamera açısından tespit etmek için YOLO11'i kullandı. YOLO11 her karede her oyuncuyu tanımlarken, bir takip sistemi hareket ettikçe her oyuncunun kimliğini tutarlı tutmak için bu tespitleri zaman içinde birbirine bağladı.

Şekil 3. Birden fazla futbol oyuncusunu tespit etme ve takip etme (Kaynak)

Link to this sectionArtırılmış gerçeklik ve sanal gerçeklikte hareket takibi#

Artırılmış gerçeklik (AR), uygulamaların dijital objeleri gerçek dünyaya yerleştirmesini mümkün kılar; bir ürün üzerindeki etiket, zemindeki bir karakter veya siz hareket ettikçe ayağınızın üzerindeki bir kaplama gibi. Bu deneyimlerin inandırıcı olması için, sanal içeriğin etrafta dolaşırken, telefonunuzu eğerken veya objeyi hareket ettirirken doğru noktaya sabitlenmiş kalması gerekir.

Bilgisayarlı görü burada kilit bir rol oynar çünkü mobil cihazın neye baktığını ve kameranın sahnede nasıl hareket ettiğini anlamasına yardımcı olur. Başka bir deyişle, bir objenin uzayda nerede olduğunu ve nasıl yönlendirildiğini tahmin ederek ve kullanıcı hareket ettikçe bu konumu güncelleyerek 3D takibi etkinleştirir.

Şekil 4. Bir AR uygulaması içinde 3D takip örneği (Kaynak)

Sanal gerçeklik (VR) benzer takip fikirlerine dayanır, ancak hedef farklıdır. VR, dijital içeriği gerçek dünyaya sabitlemek yerine, siz hareket ettikçe sanal dünyanın doğal tepki vermesi için başınızı ve ellerinizi takip etmeye odaklanır.

Link to this sectionHareketli ekipmanların takibi ve süreç otomasyonu#

Endüstriyel ortamlarda genellikle bir iş akışının birden fazla aşamasından geçen ekipmanlar ve ürünler bulunur. Her aşama doğru zamanlamaya ve koordinasyona bağlıdır. Manuel takip, öğeler farklı hızlarda hareket ettiği, birbirleriyle örtüştüğü veya konumlarını hızla değiştirdiği için geride kalabilir.

Yapay zeka destekli hareket takibi, üretim sistemlerine her obje hatta ilerledikçe daha net bir görünüm sağlayarak yardımcı olur. İlginç bir çalışmada, bağlı kameralardan oluşan bir ağ, bir üretim döngüsü boyunca ürünleri takip etti ve gerçek sürecin sanal bir kopyası olan dijital ikizi gerçek zamanlı olarak güncelledi.

Sistem her ürünü tanımladı, hareketini takip etti ve dijital modeli sahada olan bitenle hizalı tuttu. Bu yaklaşım, operatörlere her aşamada güvenilir bir görünüm sunarak izlemeyi iyileştirdi ve daha güvenli çalışmayı destekledi. Ayrıca, tutarlı takip verileri mevcut olduğunda hareket takibinin nasıl daha esnek ve ölçeklenebilir otomasyon sağlayabileceğini de gösterdi.

Link to this sectionYapay zeka destekli hareket takibinin artıları ve eksileri#

İşte yapay zeka destekli hareket takibi kullanmanın birkaç avantajı:

• Tıkanmadan kurtulmada iyileşme: Görüntü yapay zeka sistemleri, objeler örtüştüğünde veya kısa süreliğine gözden kaybolduğunda genellikle takipleri sürdürebilir veya yeniden yakalayabilir.
• Ölçeklenebilirlik: Bir kez dağıtıldıktan sonra, yapay zeka takipçileri uzun video kliplerini ve birden fazla kamera beslemesini tekrarlayan çekim bazlı kurulumlar olmadan işleyebilir.
• Daha zengin hareket verisi: Takip çıktıları; yolları, sayıları, kalma sürelerini ve analitik için temel hız tahminlerini ölçmek için kullanılabilir.

Yapay zeka destekli takip birçok durumda iyi çalışır ancak her kurulumda tak-çalıştır değildir. İşte dikkate almanız gereken bazı sınırlamalar:

• Sürekli bakım: Kamera açıları, ortamlar veya iş yükleri değiştikçe performans zaman içinde değişebilir, bu nedenle genellikle periyodik güncellemelere ihtiyaç duyulur.
• Entegrasyon karmaşıklığı: Takipçileri mevcut video editörlerine, analitik veya otomasyon sistemlerine bağlamak; adaptörler, kalibrasyon ve ekstra testler gerektirebilir.
• Uç durumlarda uç vakalar: Düşük ışık, hareket bulanıklığı, ağır tıkanma ve çok küçük objeler hala takip hatalarına neden olabilir.

Link to this sectionÖne çıkanlar#

Yapay zeka odaklı hareket takip özellikleri, hareketin hızlı olduğu, sahnelerin kalabalık olduğu ve manuel düzeltmelerin ölçeklenemediği gerçek dünya videoları için hızla daha pratik bir seçenek haline geliyor. Bilgisayarlı görü hızla gelişiyor ve bu da takip sistemlerinin dağıtımını kolaylaştırıyor ve zorlu koşullarda daha güvenilir hale getiriyor. Sonuç olarak, hareket takibi robotik, mobil uygulamalar, analitik ve içerik oluşturma genelinde daha kullanışlı hale geliyor.

Topluluğumuza katıl ve GitHub depomuzda görü tabanlı yapay zeka alanındaki en son yenilikleri keşfet. Üretimde yapay zeka ve sağlık hizmetlerinde bilgisayarlı görü gibi uygulamaların nasıl ilerleme sağladığını öğrenmek için çözüm sayfalarımızı ziyaret et ve bir sonraki yapay zeka çözümünü güçlendirmek için lisanslama seçeneklerimize göz at.