"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Çerez Ayarları
"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Ultralytics YOLO11 kullanarak bilgisayarla görme uygulamalarında mesafe hesaplamanın nesnelerin yakınlığını gerçek zamanlı olarak ölçmeye nasıl yardımcı olduğunu öğrenin.
Yoldan geçerken üzerinize doğru gelen bir araba gördüğünüzde, yaklaşık olarak ne kadar uzakta olduğunu anında anlayabilirsiniz. Bu hızlı, neredeyse içgüdüsel yargı, çevrenizin mekansal olarak anlaşılması sayesinde olur. Bu duyguya dayanarak, hızlanmaya, durmaya veya yürümeye devam etmeye karar verebilirsiniz.
Benzer şekilde, bilgisayarlı görü, makinelerin görsel verileri yorumlayarak çevrelerini anlamalarını sağlayan bir yapay zeka (AI) dalıdır. Tıpkı bir arabanın yakınlığını değerlendirerek hızlı kararlar verebildiğiniz gibi, bilgisayarlı görü modelleri de görüntüleri ve videoları analiz ederek makinelerin dünyayı algılamasına ve tepki vermesine yardımcı olabilir.
Örneğin, Ultralytics YOLO11 görüntü ve videolardaki nesneleri gerçek zamanlı olarak detect ve track edebilen bir bilgisayarla görme modelidir. Basitçe söylemek gerekirse, YOLO11 parça parça değil, görüntünün tamamına bir kerede bakarak çalışır, bu da onu daha hızlı ve daha verimli hale getirir. Ayrıca örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması gibi bilgisayarla görme görevlerini de yerine getirebilir.
Özellikle YOLO11'in yetenekleri, nesnelerin birbirinden ne kadar uzakta olduğunu hesaplamak için kullanılabilir; bu da üretim, perakende ve kalabalık yönetimi gibi birçok alanda yararlıdır ve güvenliği ve verimliliği artırmaya yardımcı olur.
Bu makalede, YOLO11 'in bilgisayarla görme uygulamalarında mesafe hesaplama için nasıl kullanılabileceğini, neden önemli olduğunu ve farklı endüstrilerdeki etkisini inceleyeceğiz.
Şekil 1. Bir uçağın iniş mesafesini hesaplamak için YOLO kullanımına bir örnek.
Bilgisayarlı görmede mesafe hesaplamasına genel bakış
Bilgisayarlı görüde mesafe hesaplama, bir görüntüdeki iki nesne arasındaki pikselleri tespit etmeyi, konumlandırmayı ve ölçmeyi içerir. Pikseller, dijital bir görüntüyü oluşturan ve her biri belirli bir renk veya yoğunluk değerine sahip tek bir noktayı temsil eden bireysel birimlerdir.
Piksel ölçümlerini gerçek dünya mesafelerine dönüştürmek için kalibrasyon çok önemlidir. Bunu, bir şeyi ölçmek için bir cetvel kullanmak ve ardından bu ölçümü diğer nesnelerin boyutunu anlamak için kullanmak gibi düşünebilirsiniz. Kalibrasyon, bilinen boyutlara sahip nesnelere başvurarak pikseller ile gerçek fiziksel mesafeler arasında bir bağlantı oluşturur.
Bunun nasıl çalıştığını görmek için bir örneğe bakalım. Aşağıdaki resimde, madeni para referans nesnedir ve boyutu (0,9 inç x 1,0 inç) bilinmektedir. Diğer nesnelerin piksel ölçümleri madeni paranın boyutuyla karşılaştırılarak gerçek dünya boyutları hesaplanabilir.
Şekil 2. Bir madeni para, diğer nesnelerin gerçek dünya boyutunu ölçmek için referans olarak kullanılabilir.
Ancak, mesafe hesaplaması iki boyutlu (2B) bir düzlemde yapılır, yani yalnızca nesneler arasındaki yatay ve dikey mesafeleri ölçer. Bu, nesnelerin kameradan uzaklığı da dahil olmak üzere üç boyutlu uzaydaki mesafesini ölçen derinlik tahmininden farklıdır.
Derinlik kameraları gerçek derinliği ölçebilir ve daha ayrıntılı mekansal bilgi verebilirken, çoğu durumda basit bir kalibre edilmiş mesafe yeterlidir. Örneğin, nesnelerin 2B düzlemde ne kadar uzakta olduğunu bilmek, nesneleri izlemek veya kuyrukları yönetmek gibi görevler için iyi sonuç verir, bu nedenle bu durumlarda derinlik tahmini gerekli değildir.
YOLO11 kullanarak mesafe hesaplamanın nasıl çalıştığını anlama
Daha sonra, YOLO11'in nesne algılama ve izleme desteğini kullanarak iki nesne arasındaki mesafeyi nasıl hesaplayacağımızı inceleyelim. İşte bir döküm:
Nesneleri algılama ve izleme: YOLO11 , nesneleri bir karede tanıyarak ve bir videodaki kareler boyunca hareketlerini izleyerek detect etmek için kullanılabilir. Her nesneye benzersiz bir track kimliği atayarak sistemin video boyunca konumlarını ve hareketlerini izlemesini sağlar.
Sınırlayıcı kutular: YOLO11'in nesne algılama sonuçlarına dayalı olarak algılanan nesnelerin etrafına, görüntüdeki konumlarını tanımlayan sınırlayıcı kutular çizilir.
Nesneleri seçme: Odaklanmak için iki nesne seçilebilir ve nesneler gerçek zamanlı olarak hareket ettikçe YOLO11 sınırlayıcı kutuları günceller.
Ağırlık merkezi hesaplama (Centroid calculation): Ağırlık merkezleri (iki nesnenin sınırlayıcı kutularının merkez noktaları), nesnelerin konumlarını temsil eden sınırlayıcı kutu köşelerinin koordinatlarına göre hesaplanır.
Mesafe hesaplama: İki nesnenin centroid'leri arasındaki Öklid mesafesini hesaplamak için kullanılabilir. Öklid mesafesi, 2D düzlemdeki iki nokta arasındaki düz çizgi mesafesidir ve hem yatay hem de dikey yönlerdeki farklılıklar kullanılarak hesaplanır. Bu, iki nesne arasındaki mesafeyi piksel cinsinden verir.
Bu yöntemle hesaplanan mesafelerin yalnızca tahminler olduğunu, çünkü 2B piksel ölçümlerine dayandığını unutmamak önemlidir.
Şekil 3. Bir kişiyi detect etmek ve mesafeleri hesaplamak için Ultralytics YOLO 'yu kullanma.
YOLO mesafe tahmininin etkisi
YOLO11 kullanarak mesafeleri hesaplamanın bir tahmin olduğunu düşünürsek, merak ediyor olabilirsiniz: Bu nerede kullanılabilir ve nasıl bir fark yaratabilir?
Bu mesafe tahminlerine ulaşmak için kalibrasyonlar kullanıldığından, birçok pratik durumda yardımcı olacak kadar doğrudurlar. YOLO11'in mesafe tahmini özellikle nesnelerin sürekli hareket halinde olduğu ve işlerin sorunsuz yürümesi için gerçek zamanlı ayarlamaların gerekli olduğu depolar gibi dinamik ortamlarda kullanışlıdır.
İlginç bir örnek, bir konveyör bandındaki paketleritrack ve aralarındaki mesafeyi gerçek zamanlı olarak tahmin etmek için YOLO11 'in kullanılmasıdır. Bu, depo yöneticilerinin paketlerin düzgün aralıklarla yerleştirildiğinden emin olmalarına, çarpışmaları önlemelerine ve işlerin sorunsuz yürümesini sağlamalarına yardımcı olur.
Bu tür durumlarda, kesin bir mesafeye her zaman gerek yoktur. Tipik olarak, optimum mesafe için bir aralık veya eşik belirlenir, bu nedenle bu tür uygulamalar için bir tahmin işe yarar.
Şekil 4. YOLO11 kullanarak paketlerin algılanması ve aralarındaki mesafenin hesaplanması.
Çeşitli bilgisayarla görme uygulamaları, YOLO11 kullanarak nesneler arasındaki mesafenin hesaplanmasından faydalanabilir. Örneğin perakende analitiğinde, müşteri pozisyonlarını gerçek zamanlı olarak takip ederek kuyruk yönetimini iyileştirmeye yardımcı olur. Bu, işletmelerin kaynakları daha iyi tahsis etmesini, bekleme sürelerini azaltmasını ve daha sorunsuz bir alışveriş deneyimi yaratmasını mümkün kılar. Personel seviyelerini dinamik olarak ayarlayarak ve müşteri akışını yöneterek mağazalar aşırı kalabalıklaşmayı önleyebilir ve alan kullanımını optimize edebilir.
Benzer şekilde, trafik yönetiminde mesafe tahmini, araç aralıklarının izlenmesine ve trafik düzenlerinin analiz edilmesine yardımcı olur. Bu, arka arkaya geçme gibi tehlikeli davranışları detect etmek ve trafiğin sorunsuz bir şekilde akmasını sağlamak için trafik sinyallerini ayarlamak için kullanılabilir. Potansiyel sorunları belirleyerek ve genel trafik yönetimini gerçek zamanlı olarak iyileştirerek yolların daha güvenli hale getirilmesine yardımcı olabilir.
Şekil 5. Görüntü destekli mesafe hesaplama, trafiği izlemek için kullanılabilir.
Bu teknolojinin bir diğer benzersiz kullanımı, COVID-19 salgını sırasında sosyal mesafeyi teşvik etmeye yardımcı olduğunda ortaya çıktı. İnsanların halka açık alanlarda, mağazalarda ve hastanelerde güvenli bir mesafeyi korumasını sağlayarak virüsün yayılma riskini azalttı.
Gerçek zamanlı olarak mesafeleri izleyerek, bireyler çok yakın olduğunda uyarılar gönderilebilir, bu da işletmelerin ve sağlık hizmeti sağlayıcılarının hızlı bir şekilde yanıt vermesini ve herkes için daha güvenli bir ortam sağlamasını kolaylaştırır.
Bilgisayarlı görüde mesafe hesaplamanın artıları ve eksileri
Bilgisayarlı görü kullanarak mesafe hesaplamanın bazı uygulamalarını tartıştığımıza göre, bunu yapmanın ilgili faydalarına daha yakından bakalım:
Otomasyon: Görüntü İşleme Yapay Zekası, aksi takdirde manuel izleme gerektirecek mesafe hesaplama görevlerini otomatikleştirerek insan hatasını ve işçilik maliyetlerini azaltırken üretkenliği artırabilir.
Kaynak optimizasyonu: Nesnelerin yaklaşık aralığını ve yakınlığını bilerek, kaynaklar (personel veya makine gibi) optimize edilebilir, bu da israfı azaltır ve iş akışlarını iyileştirir.
Minimum kurulum karmaşıklığı: Kurulduktan sonra, görüntü destekli mesafe hesaplama sistemleri nispeten düşük bakım gerektirir ve manuel giriş 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. İşte bilgisayarlı görü kullanarak mesafe hesaplama söz konusu olduğunda dikkate alınması gereken temel faktörlere hızlı bir bakış:
Çevresel faktörlere duyarlılık: Mesafe hesaplamasının doğruluğu, aydınlatma koşullarından, gölgelerden, yansımalardan veya engellerden etkilenebilir ve bu da potansiyel hatalara veya tutarsızlıklara yol açabilir.
Gizlilik endişeleri: Nesneleri veya insanları track için bilgisayarla görmenin kullanılması, özellikle kamusal alanlarda veya kişisel verilerin söz konusu olabileceği hassas ortamlarda gizlilik sorunlarına yol açabilir.
Çoklu nesne senaryolarında karmaşıklık: Çok sayıda hareketli nesnenin bulunduğu ortamlarda, aynı anda birden fazla nesne arasındaki mesafeleri doğru bir şekilde hesaplamak, özellikle birbirlerine yakın veya kesişiyorlarsa, karışıklığa yol açabilir.
Önemli çıkarımlar
YOLO11 kullanarak nesneler arasındaki mesafeyi hesaplamak, karar vermeyi destekleyebilecek güvenilir bir çözümdür. Özellikle nesnelerin yakınlığını track etmenin verimliliği ve güvenliği artırabileceği depolar, perakende ve trafik yönetimi gibi dinamik ortamlarda kullanışlıdır.
YOLO11 , normalde manuel çaba gerektiren görevlerin otomatikleştirilmesini mümkün kılıyor. Çevresel faktörlere duyarlılık ve gizlilik endişeleri gibi bazı zorluklar olsa da otomasyon, ölçeklenebilirlik ve kolay entegrasyon gibi faydaları onu etkili kılıyor. Bilgisayar görüşü, özellikle mesafe hesaplama gibi alanlarda gelişmeye devam ettikçe, makinelerin çevreleriyle etkileşim kurma ve çevrelerini anlama biçimlerinde gerçek bir değişim görmemiz muhtemeldir.
