Bilgisayarlı görü modelleriyle mesafe nasıl hesaplanır?

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

Benzer şekilde, bilgisayarlı görü, makinelerin görsel verileri yorumlayarak çevrelerini anlamasını mümkün kılan bir yapay zekâ (AI) dalıdır. Hızlı kararlar vermek için bir arabanın sana ne kadar yakın olduğunu değerlendirebildiğin gibi, bilgisayarlı görü modelleri de görüntüleri ve videoları analiz ederek makinelerin çevrelerini algılayıp tepki vermesine yardımcı olabilir.

Örneğin, Ultralytics YOLO11, görüntülerdeki ve videolardaki nesneleri gerçek zamanlı olarak tespit edip izleyebilen bir bilgisayarlı görü modelidir. Basitçe söylemek gerekirse YOLO11, görüntüyü parçalara ayırmak yerine tamamına aynı anda bakar; bu da onu daha hızlı ve verimli kılar. Ayrıca örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması gibi bilgisayarlı görü görevlerini de yerine getirebilir.

Özellikle Ultralytics YOLO11'in yetenekleri, nesnelerin birbirinden ne kadar uzakta olduğunu hesaplamak için kullanılabilir. Bu özellik; üretim, perakende ve kalabalık yönetimi gibi birçok alanda 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 sektörler üzerindeki etkisini inceleyeceğiz.

Şekil 1. Bir uçağın iniş mesafesini hesaplamak için YOLO kullanım örneği.

Bilgisayarlı görüde mesafe hesaplamaya genel bakış#

Bilgisayarlı görüde mesafe hesaplama, bir görüntüdeki iki nesnenin piksellerini tespit etmeyi, konumlandırmayı ve aralarındaki mesafeyi ölçmeyi içerir. Pikseller, dijital görüntüyü oluşturan ve her biri belirli bir renk veya yoğunluk değerine sahip tek bir noktayı temsil eden birimlerdir.

Piksel ölçümlerini gerçek dünya mesafelerine dönüştürmek için kalibrasyon kritik önemdedir. Bunu, bir şeyi cetvelle ölçüp bu ölçümü diğer nesnelerin boyutunu anlamak için kullanmak gibi düşünebilirsin. Kalibrasyon, boyutları bilinen nesneleri referans alarak pikseller ile gerçek fiziksel mesafeler arasında bağlantı kurar.

Nasıl çalıştığını görmek için bir örneğe bakalım. Aşağıdaki görüntüde madeni para referans nesnesidir ve boyutu (0,9 inç x 1,0 inç) bilinmektedir. Diğer nesnelerin piksel ölçümlerini madeni paranın boyutuyla karşılaştırarak gerçek dünyadaki boyutlarını hesaplayabiliriz.

Şekil 2. Diğer nesnelerin gerçek dünyadaki boyutlarını ölçmek için madeni para 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 uzaklıkları da dâhil olmak üzere üç boyutlu uzaydaki mesafelerini ölçen derinlik tahmininden farklıdır.

Derinlik kameraları gerçek derinliği ölçüp daha ayrıntılı mekânsal bilgi sağlayabilse de birçok durumda kalibre edilmiş basit bir mesafe yeterlidir. Örneğin, nesnelerin 2D düzlemde ne kadar uzakta olduğunu bilmek nesne takibi veya kuyruk yönetimi gibi görevler için işe yarar; dolayısıyla bu durumlarda derinlik tahmini gerekmez.

Ultralytics YOLO11 ile mesafe hesaplamanın nasıl çalıştığını anlama#

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

• Nesneleri algılama ve takip etme: Ultralytics YOLO11, bir karedeki nesneleri tanıyıp video kareleri arasında hareketlerini takip ederek algılamak için kullanılabilir. Her nesneye benzersiz bir takip kimliği atayarak sistemin nesnelerin konumunu ve hareketini video boyunca izlemesini sağlar.
• Sınırlayıcı kutular: Ultralytics YOLO11'in nesne tespit sonuçlarına göre tespit edilen nesnelerin çevresine, görüntüdeki konumlarını belirten sınırlayıcı kutular çizilir.
• Nesneleri seçme: Odaklanmak için iki nesne seçilebilir ve nesneler gerçek zamanlı hareket ettikçe Ultralytics YOLO11 sınırlayıcı kutuları günceller.
• Ağırlık merkezi hesaplama: Nesnelerin konumlarını gösteren ağırlık merkezleri (iki nesnenin sınırlayıcı kutularının merkez noktaları), sınırlayıcı kutuların köşelerinin koordinatlarına göre hesaplanır.
• Mesafe hesaplama: İki nesnenin ağırlık merkezleri, aralarındaki Öklid mesafesini hesaplamak için kullanılabilir. Öklid mesafesi, 2D düzlemde iki nokta arasındaki düz çizgi mesafesidir ve yatay ile dikey yönlerdeki farklar kullanılarak hesaplanır. Bu, iki nesne arasındaki mesafeyi piksel cinsinden verir.

Bu yöntemle hesaplanan mesafelerin yalnızca 2D piksel ölçümlerine dayalı tahminler olduğunu unutmamak önemlidir.

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

YOLO mesafe tahmininin etkisi#

Ultralytics YOLO11 kullanarak mesafe hesaplamanın tahmini bir sonuç verdiğini göz önünde bulundurunca, bu yöntemin nerelerde kullanılabileceğini ve nasıl fark yaratabileceğini merak ediyor olabilirsin.

Bu mesafe tahminlerine kalibrasyonla ulaşıldığından, tahminler birçok pratik durumda yardımcı olacak kadar doğrudur. Ultralytics YOLO11'in mesafe tahmini, nesnelerin sürekli hareket ettiği ve süreçlerin sorunsuz ilerlemesi için gerçek zamanlı ayarlamaların gerektiği depolar gibi dinamik ortamlarda özellikle kullanışlıdır.

İlginç bir örnek, YOLO11'i konveyör bandındaki paketleri izlemek ve aralarındaki mesafeyi gerçek zamanlı olarak tahmin etmek için kullanmaktır. Bu, depo yöneticilerinin paketler arasında uygun mesafe bırakıldığından emin olmasına, çarpışmaları önlemesine ve operasyonların sorunsuz ilerlemesine yardımcı olur.

Bu gibi durumlarda kesin mesafe her zaman gerekli değildir. Genellikle en uygun mesafe için bir aralık veya eşik belirlenir; bu nedenle bu tür uygulamalarda tahmini bir değer işe yarar.

Şekil 4. Ultralytics YOLO11 kullanarak paketleri tespit etme ve aralarındaki mesafeyi hesaplama.

Bilgisayarlı görü uygulamalarında mesafe hesaplama#

Bilgisayarlı görü uygulamalarının çoğu, Ultralytics YOLO11 kullanarak nesneler arasındaki mesafeyi hesaplamaktan yararlanabilir. Örneğin perakende analitiğinde bu yöntem, müşterilerin konumlarını gerçek zamanlı olarak izleyerek kuyruk yönetimini iyileştirmeye yardımcı olur. Böylece işletmeler kaynakları daha iyi tahsis edebilir, bekleme sürelerini kısaltabilir ve daha sorunsuz bir alışveriş deneyimi sunabilir. Mağazalar, çalışan sayılarını 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, yakın takip gibi tehlikeli davranışları tespit etmek ve trafiğin akışını sürdürmek için trafik sinyallerini ayarlamak amacıyla kullanılabilir. Potansiyel sorunları belirleyip genel trafik yönetimini gerçek zamanlı olarak iyileştirerek yolların daha güvenli olmasına yardımcı olabilir.

Şekil 5. Görsel tabanlı mesafe hesaplama trafiği izlemek için kullanılabilir.

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

Mesafeler gerçek zamanlı olarak izlendiğinde, kişiler birbirine fazla yaklaştığında uyarılar gönderilebiliyordu. Böylece işletmeler ve sağlık hizmeti sağlayıcıları hızlıca karşılık verebiliyor ve herkes için daha güvenli bir ortam sağlayabiliyordu.

Bilgisayarlı görüde mesafe hesaplamanın avantajları ve dezavantajları#

Bilgisayarlı görü kullanarak mesafe hesaplamanın bazı uygulamalarını ele aldığımıza göre, şimdi bu yöntemin sağladığı avantajlara daha yakından bakalım:

• Otomasyon: Görsel Yapay Zekâ, aksi hâlde manuel takip gerektirecek mesafe hesaplama görevlerini otomatikleştirebilir; insan hatasını ve iş gücü maliyetlerini azaltırken üretkenliği artırabilir.
• Kaynak optimizasyonu: Nesnelerin yaklaşık aralıklarını ve yakınlıklarını bilmek, kaynakların (personel veya makine gibi) daha iyi kullanılmasını, israfın azaltılmasını ve iş akışlarının iyileştirilmesini sağlar.
• Kurulum karmaşıklığının düşük olması: Görsel tabanlı mesafe hesaplama sistemleri kurulduktan sonra görece az bakım gerektirir ve manuel girdiye veya karmaşık makinelere dayanan diğer sistemlere kıyasla daha az insan müdahalesi ister.

Bu avantajlara rağmen, bu tür sistemleri uygularken göz önünde bulundurulması gereken bazı sınırlamalar da vardır. Bilgisayarlı görü kullanarak mesafe hesaplama konusunda dikkate alman gereken temel etkenlere kısaca göz atalım:

• Çevresel etkenlere duyarlılık: Mesafe hesaplamanın doğruluğu aydınlatma koşullarından, gölgelerden, yansımalarından veya engellerden etkilenebilir ve bu da olası hatalara ya da tutarsızlıklara yol açabilir.
• Gizlilik endişeleri: Nesneleri veya insanları takip etmek için bilgisayarlı görü kullanmak, özellikle kişisel verilerin söz konusu olabileceği kamusal alanlarda veya hassas ortamlarda gizlilik sorunlarına yol açabilir.
• Birden fazla nesnenin bulunduğu senaryolardaki karmaşıklık: Çok sayıda hareketli nesnenin bulunduğu ortamlarda, birden fazla nesne arasındaki mesafeleri aynı anda doğru hesaplamak kafa karıştırıcı olabilir; özellikle nesneler birbirine yakınsa veya kesişiyorsa.

Önemli çıkarımlar#

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

Ultralytics YOLO11, normalde manuel çaba gerektirecek görevleri otomatikleştirmeyi mümkün kılar. Çevresel etkenlere duyarlılık ve gizlilik endişeleri gibi bazı zorluklar olsa da otomasyon, ölçeklenebilirlik ve kolay entegrasyon gibi avantajlar önemli bir etki yaratır. Bilgisayarlı görü, özellikle mesafe hesaplama gibi alanlarda gelişmeye devam ettikçe makinelerin çevreleriyle etkileşim kurma ve çevrelerini anlama biçimlerinde önemli bir değişim görmemiz muhtemeldir.

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