Bilgisayarlı görü hareket izlemeyi daha güvenilir hâle getiriyor

Bir sahne oyununu izlerken favori oyuncun sahnede hareket ettiğinde, gözlerin onu çok az bilinçli çabayla takip edebilir. İnsanlar için bu tür hareket takibi doğal gelir. Beynin, gördüklerini bir andan diğerine otomatik olarak ilişkilendirir; sahne değişirken boşlukları doldurur ve süreklilik hissini korur.

Makineler söz konusu olduğunda aynı görev çok daha karmaşıktır. Bir kamera videoyu tek tek karelerden oluşan bir dizi olarak yakalar ve bir sistem, nesnenin nereye hareket ettiğini tahmin etmek ve hâlâ takip edilmesi gereken nesnenin aynı nesne olup olmadığına karar vermek için aynı nesneyi adım adım tekrar tekrar tanımlamalıdır.

Bu zorluk, hareket takibinin temelinde yer alır. Hareket takibi, bir nesnenin zaman içinde video boyunca izlenmesini içerir ve spor analizi, robotik ve mobil uygulamalar gibi alanlarda önemli bir rol oynar.

Geleneksel hareket ve kamera takibi çoğu zaman manuel kuruluma, takip noktalarına ve anahtar karelere dayanır. Basit sahnelerde işe yarayabilir, ancak hareket hızlı olduğunda veya kısmen engellendiğinde hızla yavaşlar ve güvenilirliğini kaybeder.

Şek. 1. Bir hareket takip sistemine bakış (Kaynak)

Bilgisayarlı görü alanındaki son gelişmeler bu işi çok daha kolaylaştırıyor. Bilgisayarlı görü, makinelerin görüntüleri ve videoları anlamasına yardımcı olan bir yapay zekâ dalıdır ve hareket takibini daha doğru, manuel çalışmaya daha az bağımlı hâle getirir. Bu sistemler, her karedeki nesneleri tespit edip kimliklerini zaman içinde tutarlı biçimde koruyarak gerçek dünya koşullarında hareketi daha güvenilir şekilde takip eder.

Bu makalede bilgisayarlı görünün hareket takibini nasıl daha verimli hâle getirebileceğini inceleyeceğiz. Hadi başlayalım!

Geleneksel hareket yakalama ve takip yöntemleri ve bunların sınırlamaları#

Geleneksel hareket takibi, özellikle amaç görüntüdeki hareketli öğelere grafik, efekt veya kaplama eklemek olduğunda, video düzenleme ve VFX iş akışlarında dikkatli bir manuel kurulum gerektirir.

Birçok iş akışı, bir çekimin belirli bölümlerine takip noktaları yerleştirmekle başlar; ardından yazılım hareket yolunu haritalamak için bu noktaları kareler boyunca takip eder. Bu, After Effects gibi araçlarda yaygındır. Benzer iş akışları, düzenleyicilerin zaman içinde bir maskeyi veya bölgeyi takip ettiği maske takibi gibi özellikler aracılığıyla Premiere Pro'da da kullanılır.

Eşleştirmeli hareket, yaygın olarak kullanılan başka bir yöntemdir. Efektlerin veya grafiklerin canlı çekim içinde yerinde kalması için dijital öğelerin gerçek kamera hareketiyle hizalanmasına yardımcı olur. Bu yaklaşımlar daha basit sahnelerde iyi çalışabilir, ancak görüntü kalabalıklaştığında veya nesneler hızlı hareket ettiğinde çoğu zaman zorlanır.

Aydınlatma değiştiğinde veya özneler kısmen engellendiğinde takip de bozulabilir; bu durum takipte kaymaya veya ani sıçramalara neden olabilir. Bu, iş akışını yavaşlatır ve düzenleyicileri çekimin bazı bölümlerini yeniden yapmaya zorlar. Nesneler hızla yön değiştirdiğinde eski hareket takipçileri ayak uydurmakta zorlanabilir; bu da sonuçları tutarsızlaştırır ve sonuçlara güvenmeyi zorlaştırır.

Bilgisayarlı görü, hareket takibini nasıl dönüştürüyor?#

Son teknoloji bilgisayarlı görü sistemleri, hareketli nesneleri video boyunca takip etmek için yapay zekâ modellerini kullanır. Model, sürekli manuel ayarlamalara veya kırılgan kare kare takibe güvenmek yerine bir nesnenin neye benzediğini ve nasıl hareket etme eğiliminde olduğunu öğrenir. Bu, sahneler kalabalıklaştığında, aydınlatma değiştiğinde veya nesneler kısa süreliğine kaybolduğunda bile hareket takibinin kararlı kalmasına yardımcı olur.

Örneğin Ultralytics YOLO11 ve yakında çıkacak Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, her karede nesneleri tespit ederek nesne takibini destekler. Basitçe ifade etmek gerekirse bu modeller, tespit edilen her nesne için sınırlayıcı kutular ve güven skorları üreterek karede ne olduğunu ve nerede bulunduğunu belirler.

Şek. 2. Bir bölgedeki araçların Ultralytics YOLO11 kullanılarak takip edilmesi (Kaynak)

İlginç bir şekilde, YOLO modelleri nesneleri zaman içinde kendi başlarına gerçekten takip etmez. Bunun yerine takip, YOLO tespitlerini ByteTrack ve BoT-SORT gibi çoklu nesne takip algoritmalarıyla birleştiren Ultralytics Python paketi aracılığıyla etkinleştirilir. Bu düzende YOLO, nesneleri kare kare tespit eder; takipçi ise nesne hareket ederken her nesne için tutarlı bir kimliği korumak üzere bu tespitleri kareler arasında ilişkilendirir.

Yapay zekâ destekli hareket takibinin gerçek dünyadaki uygulamaları#

Şimdi yapay zekâ destekli hareket takibinin fark yarattığı birkaç gerçek dünya uygulamasına daha yakından bakalım.

Spor analitiği ve hassas oyuncu takibi#

Bir futbol maçında oyuncular sürekli hızlanır, durur ve yön değiştirir; bu da saha boyunca hareketi doğru şekilde ölçmeyi zorlaştırır. Oyuncuların üst üste geldiği, kümelendiği veya kalabalık alanlardan geçtiği anlarda manuel takip çoğu zaman yetersiz kalır.

Yapay zekâ destekli hareket takibi, her oyuncuyu oyun boyunca takip ederek hareket yollarını net ve tutarlı tutmaya yardımcı olur. Örneğin yakın tarihli bir çalışmada araştırmacılar, farklı kamera açılarından oyuncuları ve topu tespit etmek için YOLO11'i kullandı. YOLO11 her karedeki her oyuncuyu belirlerken bir takip sistemi, oyuncular hareket ederken kimliklerini tutarlı tutmak için bu tespitleri zaman içinde birbirine bağladı.

Şek. 3. Birden fazla futbolcunun tespit edilmesi ve takip edilmesi (Kaynak)

Artırılmış gerçeklik ve sanal gerçeklikte hareket takibi#

Artırılmış gerçeklik (AR), uygulamaların bir ürünün üzerindeki etiket, yerdeki bir karakter veya hareket ederken ayağının üzerindeki bir kaplama gibi dijital nesneleri gerçek dünyaya yerleştirmesini mümkün kılar. Bu deneyimlerin inandırıcı hissettirmesi için sanal içeriğin sen yürürken, telefonunu eğdirirken veya nesnenin kendisini hareket ettirirken doğru noktaya sabitlenmiş kalması gerekir.

Bilgisayarlı görü burada önemli bir rol oynar; çünkü mobil cihazın neye baktığını ve kameranın sahne içinde nasıl hareket ettiğini anlamasına yardımcı olur. Başka bir deyişle, bir nesnenin uzayda nerede bulunduğunu ve nasıl yönlendirildiğini tahmin ederek, ardından kullanıcı hareket ettikçe bu konumu güncelleyerek 3B takibini mümkün kılar.

Şek. 4. Bir AR uygulamasında 3B takibe örnek (Kaynak)

Sanal gerçeklik (VR) benzer takip fikirlerine dayanır, ancak amacı farklıdır. Dijital içeriği gerçek dünyaya sabitlemek yerine VR, hareket ettikçe sanal dünyanın doğal tepki vermesi için başını ve ellerini takip etmeye odaklanır.

Hareketli ekipmanların takibi ve süreç otomasyonu#

Endüstriyel ortamlarda genellikle bir iş akışının birden fazla aşamasından geçen ekipmanlar ve ürünler bulunur. Her aşama doğru zamanlama ve koordinasyona bağlıdır. Öğeler farklı hızlarda hareket ettiğinde, birbirleriyle örtüştüğünde veya hızla konum değiştirdiğinde manuel takip geride kalabilir.

Yapay zekâ destekli hareket takibi, üretim sistemlerine her nesne hat boyunca ilerlerken daha net bir görünüm sağlayarak yardımcı olur. İlginç bir çalışmada, birbirine bağlı kameralardan oluşan bir ağ, ürünleri tüm bir üretim döngüsü boyunca takip etti ve gerçek sürecin sanal bir kopyası olan dijital ikizi gerçek zamanlı olarak güncelledi.

Sistem her ürünü belirledi, hareketini takip etti ve dijital modeli üretim alanında gerçekleşenlerle uyumlu tuttu. Bu yaklaşım, her aşamada operatörlere güvenilir bir görünüm sunarak izlemeyi iyileştirdi ve daha güvenli çalışmayı destekledi. Ayrıca tutarlı takip verileri mevcut olduğunda hareket takibinin daha esnek ve ölçeklenebilir otomasyonu nasıl mümkün kılabileceğini gösterdi.

Yapay zekâ destekli hareket takibinin artıları ve eksileri#

Yapay zekâ destekli hareket takibi kullanmanın bazı avantajları şunlardır:

• Örtülmeden kurtarma performansının iyileştirilmesi: Görsel yapay zekâ sistemleri, nesneler üst üste geldiğinde veya kısa süreliğine kaybolduğunda çoğu zaman takipleri sürdürebilir veya yeniden kazanabilir.
• Ölçeklenebilirlik: Yapay zekâ takipçileri, dağıtımdan sonra çekim başına tekrarlanan kurulum gerektirmeden uzun video kliplerini ve birden fazla kamera akışını işleyebilir.
• Daha zengin hareket verileri: Takip çıktıları; analiz için yolları, sayımları, bekleme süresini ve temel hız tahminlerini ölçmek üzere kullanılabilir.

Yapay zekâ destekli takip birçok durumda iyi çalışır, ancak her kurulumda tak ve çalıştır özelliği sunmaz. Göz önünde bulundurulması gereken bazı sınırlamalar şunlardır:

• Sürekli bakım: Kamera açıları, ortamlar veya iş yükleri değiştikçe performans zaman içinde değişebilir; bu nedenle çoğu zaman periyodik güncellemeler gerekir.
• Entegrasyon karmaşıklığı: Takipçileri mevcut video düzenleyicilere, analitik veya otomasyon sistemlerine bağlamak adaptörler, kalibrasyon ve ek testler gerektirebilir.
• Aşırı koşullardaki uç durumlar: Düşük ışık, hareket bulanıklığı, yoğun örtülme ve çok küçük nesneler hâlâ takip hatalarına yol açabilir.

Önemli çıkarımlar#

Yapay zekâ destekli hareket takibi özellikleri, hareketin hızlı, sahnelerin kalabalık olduğu ve manuel düzeltmelerin ölçeklenemediği gerçek dünya videoları için hızla daha pratik bir seçenek hâline geliyor. Bilgisayarlı görü hızla gelişiyor ve bu durum takip sistemlerinin zorlu koşullarda dağıtılmasını kolaylaştırıp daha güvenilir olmasını sağlıyor. Sonuç olarak hareket takibi; robotik, mobil uygulamalar, analitik ve içerik üretimi genelinde daha kullanışlı hâle geliyor.

Topluluğumuza katıl ve görü yapay zekâsındaki en son gelişmeleri GitHub depomuzda keşfet. Üretimde yapay zekâ ve sağlık hizmetlerinde bilgisayarlı görü gibi uygulamaların ilerlemeyi nasıl desteklediğini öğrenmek için çözüm sayfalarımızı ziyaret et ve bir sonraki yapay zekâ çözümünü desteklemek için lisanslama seçeneklerimize göz at.