Bilgisayarlı görü modelleri kullanarak mesafe nasıl hesaplanır?

Karşıdan karşıya geçerken size doğru gelen bir araba gördüğünüzde, onun yaklaşık olarak ne kadar uzakta olduğunu anında anlayabilirsiniz. Bu hızlı, neredeyse içgüdüsel yargı, çevrenize dair mekansal anlayışınız sayesindedir. Bu hisse dayanarak hızlanmaya, durmaya veya yürümeye devam etmeye karar verebilirsiniz.

Benzer şekilde, computer vision, makinelerin görsel verileri yorumlayarak çevrelerini anlamalarını mümkün kılan bir yapay zeka (AI) dalıdır. Tıpkı hızlı kararlar almak için bir arabanın yakınlığını değerlendirebilmen gibi, computer vision modelleri de görüntüleri ve videoları analiz ederek makinelerin etraflarındaki dünyayı algılamasına ve tepki vermesine yardımcı olur.

Örneğin, Ultralytics YOLO11, görüntü ve videolardaki nesneleri gerçek zamanlı olarak tespit edip takip edebilen bir computer vision modelidir. Basitçe söylemek gerekirse YOLO11, parçalar halinde değil, tüm görüntüye bir defada bakarak çalışır; bu da onu daha hızlı ve daha verimli hale getirir. Ayrıca örnek bölütleme (instance segmentation), poz tahmini ve görüntü sınıflandırma gibi computer vision görevlerinin üstesinden gelebilir.

Özellikle Ultralytics YOLO11'in yetenekleri, nesnelerin birbirine olan mesafesini hesaplamak için kullanılabilir; bu, üretim, perakende ve kalabalık yönetimi gibi birçok alanda faydalıdır ve güvenlik ile verimliliğin artırılmasına yardımcı olur.

Bu makalede, bilgisayarlı görü uygulamalarında distance calculation için Ultralytics YOLO11'in nasıl kullanılabileceğini, bunun neden önemli olduğunu ve farklı endüstriler üzerindeki etkisini inceleyeceğiz.

Fig 1. Bir uçağın iniş mesafesini hesaplamak için YOLO kullanımına bir örnek.

Bilgisayarlı görüde mesafe hesaplamaya genel bakış#

Bilgisayarlı görüde mesafe hesaplama, bir görüntüdeki iki nesne arasındaki piksellerin tespit edilmesini, konumlandırılmasını ve ölçülmesini içerir. Pikseller, dijital bir görüntüyü oluşturan bireysel birimlerdir ve her biri belirli bir renk veya yoğunluk değerine sahip tek bir noktayı temsil eder.

Piksel ölçümlerini gerçek dünya mesafelerine dönüştürmek için calibration anahtardır. Bunu, bir şeyi ölçmek için cetvel kullanmak ve ardından diğer nesnelerin boyutunu anlamak için bu ölçümü kullanmak gibi düşünebilirsin. Boyutları bilinen nesnelere başvurarak calibration, 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 (0,9 inç x 1,0 inç) bilinmektedir. Diğer nesnelerin piksel ölçümlerini madeni paranın boyutuyla karşılaştırarak gerçek dünyadaki boyutlarını hesaplayabiliriz.

Fig 2. Diğer nesnelerin gerçek dünyadaki boyutunu ölçmek için bir bozuk para referans olarak kullanılabilir.

Bununla birlikte mesafe hesaplama iki boyutlu (2D) bir düzlemde yapılır, yani sadece nesneler arasındaki yatay ve dikey mesafeleri ölçer. Bu, nesnelerin kameradan olan uzaklıkları da dahil olmak üzere üç boyutlu uzaydaki mesafelerini ölçen derinlik tahmininden farklıdır.

depth cameras gerçek derinliği ölçebilse ve daha ayrıntılı uzamsal bilgi verebilse de birçok durumda basit kalibre edilmiş bir mesafe yeterlidir. Örneğin, bir 2D düzlemde nesnelerin birbirine ne kadar uzak olduğunu bilmek, nesne takibi veya kuyruk yönetimi gibi görevler için iyi sonuç verir; bu nedenle bu durumlarda derinlik tahminine ihtiyaç duyulmaz.

Ultralytics YOLO11 kullanarak mesafe hesaplamasının nasıl çalıştığını anlamak#

Ardından, Ultralytics YOLO11'in object detection ve takibi desteğini kullanarak iki nesne arasındaki mesafenin nasıl hesaplanacağını adım adım inceleyelim. İşte bir döküm:

• Nesne algılama ve takibi: Ultralytics YOLO11, bir karedeki nesneleri tanıyarak bunları algılamak ve bir videodaki kareler boyunca hareketlerini takip etmek için kullanılabilir. Her nesneye benzersiz bir takip ID'si atayarak sistemin video boyunca konumlarını ve hareketlerini izlemesini sağlar.
• BBox: BBox'lar, nesnelerin görüntüdeki konumunu belirleyen Ultralytics YOLO11'in nesne algılama sonuçlarına dayanarak algılanan nesnelerin etrafına çizilir.
• Nesne seçimi: Odaklanılacak iki nesne seçilebilir ve Ultralytics YOLO11, nesneler gerçek zamanlı olarak hareket ettikçe BBox'ları günceller.
• Merkez noktası (Centroid) hesaplama: Merkez noktaları (iki nesnenin sınırlayıcı kutularının merkez noktaları), sınırlayıcı kutu köşelerinin koordinatlarına göre hesaplanarak nesnelerin konumlarını temsil eder.
• Mesafe hesaplama: İki nesnenin merkez noktaları daha sonra aralarındaki Öklid mesafesini hesaplamak için kullanılabilir. Öklid mesafesi, 2D bir düzlemde iki nokta arasındaki düz hat mesafesidir ve hem yatay hem de dikey yönlerdeki farklar kullanılarak hesaplanır. Bu, iki nesne arasındaki mesafeyi piksel cinsinden verir.

Bu yöntemle hesaplanan mesafelerin, 2D piksel ölçümlerine dayandığı için sadece birer tahmin olduğunu unutmamak önemlidir.

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

YOLO mesafe tahmininin etkisi#

Ultralytics YOLO11 kullanarak mesafe hesaplamalarının bir tahmin olduğu düşünüldüğünde, şunu merak ediyor olabilirsin: Bu nerede kullanılabilir ve nasıl bir fark yaratabilir?

Bu mesafe tahminlerine ulaşmak için kalibrasyonlar kullanıldığından, birçok pratik durumda yardımcı olacak kadar doğrudurlar. Ultralytics YOLO11'in mesafe tahmini, nesnelerin sürekli hareket halinde olduğu ve işlerin sorunsuz yürütülmesi için gerçek zamanlı ayarlamaların gerekli olduğu depolar gibi dinamik ortamlarda özellikle yararlıdır.

İlginç bir örnek, bir konveyör bant üzerindeki track packages için YOLO11 kullanmak ve aralarındaki mesafeyi gerçek zamanlı olarak tahmin etmektir. Bu, depo yöneticilerinin paketlerin uygun şekilde aralıklı olmasını sağlamasına yardımcı olarak çarpışmaları önler ve işlerin sorunsuz yürütülmesini sağlar.

Bu gibi durumlarda tam bir mesafe her zaman gerekli değildir. Genellikle optimal mesafe için bir aralık veya eşik değeri belirlenir, bu nedenle bu tür uygulamalar için bir tahmin gayet iyi çalışır.

Şekil 4. Ultralytics YOLO11 kullanarak paketlerin tespiti ve aralarındaki mesafenin hesaplanması.

Bilgisayarlı görü uygulamalarında mesafe hesaplama#

Çeşitli bilgisayarlı görü uygulamaları, Ultralytics YOLO11 kullanarak nesneler arasındaki mesafeyi hesaplamaktan fayda sağlayabilir. Örneğin perakende analitiğinde, müşteri konumlarını gerçek zamanlı olarak takip ederek queue management (kuyruk yönetimini) iyileştirmeye yardımcı olur. Bu, işletmelerin kaynakları daha iyi tahsis etmesini, bekleme sürelerini azaltmasını ve daha akıcı bir alışveriş deneyimi yaratmasını mümkün kılar. Mağazalar, personel seviyelerini dinamik olarak ayarlayarak ve müşteri akışını yöneterek aşırı kalabalıklaşmayı önleyebilir ve alan kullanımını optimize edebilir.

Benzer şekilde traffic management alanında mesafe tahmini, araç aralıklarını izlemeye ve trafik düzenlerini analiz etmeye yardımcı olur. Bu, yakın takip gibi tehlikeli davranışları tespit etmek ve trafiğin akıcı kalmasını sağlamak için trafik sinyallerini ayarlamak amacıyla kullanılabilir. Potansiyel sorunları belirleyerek ve genel trafik yönetimini gerçek zamanlı olarak iyileştirerek yolları daha güvenli hale getirmeye yardımcı olabilir.

Fig 5. Trafiği izlemek için görüş destekli mesafe hesaplaması kullanılabilir.

Bu teknolojinin bir diğer benzersiz kullanımı, sosyal mesafeyi teşvik etmeye yardımcı olduğu COVID-19 pandemic sırasında ortaya çıktı. İnsanların kamusal alanlarda, mağazalarda ve hastanelerde güvenli bir mesafe bırakmasını sağlayarak virüsün yayılma riskini azalttı.

Mesafelerin gerçek zamanlı olarak takip edilmesiyle, bireyler birbirine çok yakın olduğunda uyarılar gönderilebilir, bu da işletmelerin ve sağlık hizmeti sağlayıcılarının hızlı yanıt vermesini ve herkes için daha güvenli bir ortam sağlamasını kolaylaştırırdı.

Bilgisayarlı görüde mesafe hesaplamanın artıları ve eksileri#

Bilgisayarlı görü kullanarak mesafe hesaplamanın bazı uygulamalarını ele aldığımıza göre, bunu yapmanın ilişkili faydalarına daha yakından bakalım:

• Otomasyon: Vision AI, aksi takdirde manuel takip gerektirecek mesafe hesaplama görevlerini otomatikleştirebilir; böylece insan hatasını ve işçilik maliyetlerini düşürürken verimliliği artırabilir.
• Kaynak optimizasyonu: Nesnelerin yaklaşık aralıkları ve yakınlıkları bilindiğinde, kaynaklar (personel veya makineler gibi) optimize edilebilir; bu da israfı azaltır ve iş akışlarını iyileştirir.
• Minimum kurulum karmaşıklığı: Bir kez kurulduğunda, görüş destekli mesafe hesaplama sistemlerinin bakımı nispeten kolaydır 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 konusunda dikkate alınması gereken temel faktörlere hızlı bir bakış:

• Çevresel faktörlere duyarlılık: Mesafe hesaplamasının doğruluğu aydınlatma koşullarından, gölgelerden, yansımalardan veya engellerden etkilenebilir, bu da potansiyel hatalara veya tutarsızlıklara yol açabilir.
• Privacy concerns: Nesneleri veya insanları takip etmek için computer vision kullanmak, özellikle kamusal alanlarda veya kişisel verilerin söz konusu olabileceği hassas ortamlarda gizlilik sorunlarını gündeme getirebilir.
• Çoklu nesne senaryolarında karmaşıklık: Çok sayıda hareketli nesnenin bulunduğu ortamlarda, birden fazla nesne arasındaki mesafeyi aynı anda doğru bir şekilde hesaplamak, özellikle birbirlerine yakınlarsa veya kesişiyorlarsa kafa karışıklığına yol açabilir.

Öne çıkanlar#

Ultralytics YOLO11 kullanarak nesneler arasındaki mesafeyi hesaplamak, karar vermeyi destekleyebilecek güvenilir bir çözümdür. Nesne yakınlığını takip etmenin verimliliği ve güvenliği artırabileceği depolar, perakende ve trafik yönetimi gibi dinamik ortamlarda özellikle yararlıdır.

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 avantajlar onu etkili kılmaktadır. Bilgisayarlı görü, özellikle mesafe hesaplama gibi alanlarda gelişmeye devam ettikçe, makinelerin çevreleriyle etkileşim kurma ve onları anlamalarında gerçek bir değişim görmemiz muhtemeldir.

community katılım sağla! Vision AI hakkında daha fazla bilgi edinmek için GitHub repository sayfamızı keşfet. Computer vision teknolojisinden yararlanmak istiyorsan licensing options sayfasına göz at. Çözüm sayfalarımızı ziyaret ederek computer vision in healthcare alanının verimliliği nasıl artırdığını öğren ve AI in agriculture alanındaki etkisini gör!