Bilgisayarlı görü modellerini kullanarak mesafe nasıl hesaplanır?

Yoldan karşıya geçerken sana doğru gelen bir araba gördüğünde, arabanın yaklaşık ne kadar uzakta olduğunu anında anlayabilirsin. Bu hızlı ve neredeyse içgüdüsel değerlendirme, çevreni mekânsal olarak anlaman sayesinde mümkündür. Bu duyuna dayanarak hızlanmaya, durmaya veya yürümeye devam etmeye karar verebilirsin.

Benzer şekilde, bilgisayarlı görü, görsel verileri yorumlayarak makinelerin çevrelerini anlamasını sağlayan bir yapay zekâ (AI) dalıdır. Bir arabanın yakınlığını değerlendirerek hızlı kararlar verebildiğin gibi, bilgisayarlı görü modelleri de görüntüleri ve videoları analiz ederek makinelerin çevrelerindeki dünyayı algılamasına ve buna tepki vermesine yardımcı olabilir.

Örneğin Ultralytics YOLO11, görüntülerde ve videolarda nesneleri gerçek zamanlı olarak algılayıp izleyebilen bir bilgisayarlı görü modelidir. Basitçe ifade etmek gerekirse YOLO11, görüntüyü parçalara ayırmak yerine tamamına aynı anda bakarak çalışır; bu da onu daha hızlı ve verimli kılar. Ayrıca örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması gibi bilgisayarlı görü görevlerini de gerçekleştirebilir.

Özellikle Ultralytics YOLO11'in yetenekleri, nesnelerin birbirinden ne kadar uzakta olduğunu hesaplamak için kullanılabilir. Bu özellik; üretim, perakende ve kalabalık yönetimi gibi birçok alanda faydalı olarak güvenliği ve verimliliği artırmaya yardımcı olur.

Bu makalede, Ultralytics YOLO11'in bilgisayarlı görü uygulamalarında mesafe hesaplama için nasıl kullanılabileceğini, bunun neden önemli olduğunu ve farklı sektörlerdeki etkisini inceleyeceğiz.

Şekil 1. Bir uçağın iniş mesafesini hesaplamak için YOLO kullanımına örnek.

Bilgisayarlı görüde mesafe hesaplamaya genel bakış#

Bilgisayarlı görüde mesafe hesaplama, bir görüntüdeki iki nesne arasındaki pikselleri algılamayı, konumlandırmayı ve ölçmeyi içerir. Pikseller, dijital bir görüntüyü oluşturan ve her biri belirli bir renk veya yoğunluk değerine sahip tek bir noktayı temsil eden bağımsız birimlerdir.

Piksel ölçümlerini gerçek dünya mesafelerine dönüştürmek için kalibrasyon kritik öneme sahiptir. Bunu, bir şeyi ölçmek için cetvel kullanmaya ve ardından bu ölçümü diğer nesnelerin boyutunu anlamak için kullanmaya benzetebilirsin. Kalibrasyon, boyutları bilinen nesnelere referans vererek pikseller ile gerçek fiziksel mesafeler arasında bir bağlantı kurar.

Bunun nasıl çalıştığını görmek için bir örneğe bakalım. Aşağıdaki görüntüde madeni para referans nesnesidir ve boyutu (0.9in x 1.0in) bilinmektedir. Diğer nesnelerin piksel ölçümlerini madeni paranın boyutuyla karşılaştırarak gerçek dünya boyutlarını hesaplayabiliriz.

Şekil 2. Bir madeni para, diğer nesnelerin gerçek dünya boyutunu ölçmek için referans olarak kullanılabilir.

Ancak mesafe hesaplama iki boyutlu (2D) bir düzlemde yapılır; yani yalnızca nesneler arasındaki yatay ve dikey mesafeleri ölçer. Bu, nesnelerin kameraya olan mesafesi de dâhil olmak üzere üç boyutlu uzaydaki mesafesini ölçen derinlik tahmininden farklıdır.

Derinlik kameraları gerçek derinliği ölçüp daha ayrıntılı mekânsal bilgiler sağlayabilse de birçok durumda basit bir kalibre edilmiş mesafe yeterlidir. Örneğin, nesnelerin 2D düzlemde birbirinden ne kadar uzakta olduğunu bilmek, nesneleri izleme veya kuyrukları yönetme gibi görevler için iyi sonuç verir; bu nedenle bu durumlarda derinlik tahminine ihtiyaç duyulmaz.

Ultralytics YOLO11 kullanılarak mesafe hesaplamanın nasıl çalıştığını anlama#

Şimdi, Ultralytics YOLO11'in nesne algılama ve izleme desteğini kullanarak iki nesne arasındaki mesafenin nasıl hesaplanacağını adım adım inceleyelim. Aşamalar şöyle:

• Nesneleri algılama ve izleme: Ultralytics YOLO11, nesneleri bir karede tanıyarak algılamak ve bir videodaki kareler boyunca hareketlerini izlemek için kullanılabilir. Her nesneye benzersiz bir izleme kimliği atayarak sistemin video boyunca konumlarını ve hareketlerini takip etmesini sağlar.
• Sınırlayıcı kutular: Sınırlayıcı kutular, nesnelerin görüntüdeki konumunu tanımlayan Ultralytics YOLO11 nesne algılama sonuçlarına göre algılanan nesnelerin etrafına çizilir.
• Nesneleri seçme: Odaklanmak için iki nesne seçilebilir ve Ultralytics YOLO11, nesneler gerçek zamanlı olarak hareket ettikçe sınırlayıcı kutuları günceller.
• Ağırlık merkezi hesaplama: Ağırlık merkezleri (iki nesnenin sınırlayıcı kutularının merkez noktaları), sınırlayıcı kutu köşelerinin koordinatlarına göre hesaplanarak nesnelerin konumlarını temsil eder.
• Mesafe hesaplama: İki nesnenin ağırlık merkezleri, aralarındaki Öklid mesafesini hesaplamak için kullanılabilir. Öklid mesafesi, 2D düzlemdeki iki nokta arasındaki düz çizgi mesafesidir ve hem yatay hem de dikey yönlerdeki farklar kullanılarak hesaplanır. Bu, iki nesne arasındaki mesafeyi piksel cinsinden verir.

Bu yöntem kullanılarak hesaplanan mesafelerin yalnızca tahmin olduğunu, çünkü 2D piksel ölçümlerine dayandığını aklında bulundurman önemlidir.

Şekil 3. Bir kişiyi algılamak ve mesafeleri hesaplamak için Ultralytics YOLO kullanımı.

YOLO mesafe tahmininin etkisi#

Ultralytics YOLO11 kullanılarak mesafe hesaplamanın bir tahmin olduğunu düşündüğünde şu soruyu merak ediyor olabilirsin: Bu nerelerde kullanılabilir ve nasıl fark yaratabilir?

Bu mesafe tahminlerine ulaşmak için kalibrasyonlar kullanıldığından, sonuçlar birçok pratik durumda yardımcı olacak kadar doğrudur. Ultralytics YOLO11'in mesafe tahmini; nesnelerin sürekli hareket hâlinde olduğu ve işlerin sorunsuz ilerlemesi için gerçek zamanlı ayarlamaların gerekli olduğu depolar gibi dinamik ortamlarda özellikle kullanışlıdır.

İlginç bir örnek, bir taşıma bandındaki paketleri izlemek ve aralarındaki mesafeyi gerçek zamanlı olarak tahmin etmek için YOLO11 kullanılmasıdır. Bu, depo yöneticilerinin paketler arasında uygun mesafe olduğundan emin olmasına, çarpışmaları önlemesine ve işlerin sorunsuz ilerlemesini sağlamasına yardımcı olur.

Bu gibi durumlarda kesin bir mesafe her zaman gerekli değildir. Genellikle optimum mesafe için bir aralık veya eşik belirlenir; bu nedenle bu tür uygulamalarda bir tahmin yeterli olur.

Şekil 4. Ultralytics YOLO11 kullanarak paketleri algılama ve aralarındaki mesafeyi hesaplama.

Bilgisayarlı görü uygulamalarında mesafe hesaplama#

Çeşitli bilgisayarlı görü uygulamaları, Ultralytics YOLO11 kullanarak nesneler arasındaki mesafeyi hesaplamadan yararlanabilir. Örneğin perakende analitiğinde bu yöntem, müşteri konumlarını gerçek zamanlı olarak izleyerek kuyruk yönetimini iyileştirmeye yardımcı olur. Bu sayede işletmeler kaynakları daha iyi tahsis edebilir, bekleme sürelerini azaltabilir ve daha akıcı bir alışveriş deneyimi sunabilir. Mağazalar, personel düzeylerini dinamik olarak ayarlayıp müşteri akışını yöneterek aşırı kalabalığı önleyebilir ve alanı daha verimli kullanabilir.

Benzer şekilde trafik yönetiminde mesafe tahmini, araçlar arasındaki mesafeyi izlemeye ve trafik düzenlerini analiz etmeye yardımcı olur. Bu yöntem, araç takip mesafesini korumama gibi tehlikeli davranışları algılamak ve trafiğin sorunsuz akmasını sağlamak için trafik sinyallerini ayarlamak amacıyla kullanılabilir. Olası sorunları belirleyip genel trafik yönetimini gerçek zamanlı olarak iyileştirerek yolların daha güvenli hâle getirilmesine yardımcı olabilir.

Şekil 5. Görüntü destekli mesafe hesaplama, trafiği izlemek için kullanılabilir.

Bu teknolojinin bir başka özgün kullanımı, COVID-19 pandemisi sırasında sosyal mesafeyi teşvik etmeye yardımcı olmasıyla ortaya çıktı. İnsanların kamusal alanlarda, mağazalarda ve hastanelerde güvenli bir mesafeyi korumasını sağlayarak virüsün yayılma riskini azalttı.

Mesafeler gerçek zamanlı olarak izlenerek kişiler birbirine fazla yaklaştığında uyarılar gönderilebildi; bu da işletmelerin ve sağlık hizmeti sağlayıcılarının hızlı tepki vermesini ve herkes için daha güvenli bir ortamı korumasını kolaylaştırdı.

Bilgisayarlı görüde mesafe hesaplamanın avantajları ve dezavantajları#

Bilgisayarlı görü kullanılarak mesafe hesaplamanın bazı uygulamalarını ele aldığımıza göre, şimdi bununla ilişkili faydalara daha yakından bakalım:

• Otomasyon: Görsel yapay zekâ, aksi takdirde manuel izleme gerektirecek mesafe hesaplama görevlerini otomatikleştirebilir; böylece insan hatasını ve iş gücü maliyetlerini azaltırken üretkenliği artırır.
• Kaynak optimizasyonu: Nesnelerin yaklaşık aralığını ve yakınlığını bilmek, kaynakların (personel veya makineler gibi) optimize edilmesini sağlayarak israfı azaltır ve iş akışlarını iyileştirir.
• Minimum kurulum karmaşıklığı: Kurulum tamamlandıktan sonra görüntü destekli mesafe hesaplama sistemlerinin bakımı nispeten kolaydır ve manuel girdiye veya karmaşık makinelere dayanan diğer sistemlere kıyasla daha az insan müdahalesi gerektirir.

Bu avantajlara rağmen, bu tür sistemleri uygularken akılda tutulması gereken bazı sınırlamalar da vardır. Bilgisayarlı görü kullanılarak mesafe hesaplama söz konusu olduğunda dikkate alınması gereken temel faktörlere kısaca bakalım:

• Çevresel faktörlere duyarlılık: Mesafe hesaplamanın doğruluğu; aydınlatma koşullarından, gölgelerden, yansımalardan veya engellerden etkilenebilir ve bu da olası hatalara ya da tutarsızlıklara yol açabilir.
• Gizlilik endişeleri: Nesneleri veya kişileri izlemek için bilgisayarlı görü kullanılması, özellikle kişisel verilerin söz konusu olabileceği kamusal alanlarda veya hassas ortamlarda gizlilik sorunlarına yol açabilir.
• Çok nesneli senaryolarda karmaşıklık: Çok sayıda hareketli nesnenin bulunduğu ortamlarda, birden fazla nesne arasındaki mesafeleri aynı anda doğru şekilde hesaplamak kafa karışıklığına yol açabilir; özellikle nesneler birbirine yakınsa veya kesişiyorsa.

Önemli çıkarımlar#

Ultralytics YOLO11 kullanarak nesneler arasındaki mesafeyi hesaplamak, karar vermeyi destekleyebilen güvenilir bir çözümdür. Nesnelerin birbirine yakınlığını takip etmenin verimliliği ve güvenliği artırabildiği depolar, perakende ve trafik yönetimi gibi dinamik ortamlarda özellikle kullanışlıdır.

Ultralytics YOLO11, normalde manuel çaba gerektirecek görevleri otomatikleştirmeyi mümkün kılar. Çevresel faktörlere duyarlılık ve gizlilik endişeleri gibi bazı zorluklar olsa da otomasyon, ölçeklenebilirlik ve kolay entegrasyon gibi faydaları onu etkili kılar. Bilgisayarlı görü, özellikle mesafe hesaplama gibi alanlarda gelişmeye devam ettikçe, makinelerin çevreleriyle etkileşim kurma ve onları anlama biçiminde büyük bir değişim görmemiz muhtemeldir.

Topluluğumuza katıl! Görsel yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu incele. Bilgisayarlı görüden yararlanmak istiyorsan lisanslama seçeneklerimize göz at. Çözümler sayfalarımızı ziyaret ederek sağlık hizmetlerinde bilgisayarlı görünün verimliliği nasıl artırdığını öğren ve tarımda yapay zekânın etkisini gör!