Nesne takibi için Ultralytics YOLO11 nasıl kullanılır

Kalite kontrolünü sağlamak ve iş akışı verimliliğini artırmak için bir üretim tesisindeki montaj hattı üzerindeki bileşenlerin hareketini izlemek ve takip etmek istediğini varsayalım. Tipik olarak bu, öğeleri takip etmek için zaman alıcı ve hatalara açık olabilen manuel denetimler veya temel sensörlerin kullanılmasını içerir. Bununla birlikte, bu süreci otomatikleştirmek ve geliştirmek için bilgisayarlı görü ve nesne takibi kullanılabilir.

Nesne takibi, bir videodaki nesneleri tespit etmeye, tanımlamaya ve takip etmeye yardımcı olan bir computer vision task görevidir. Çiftliklerdeki animal monitoring çalışmalarından retail mağazalarındaki security ve surveillance uygulamalarına kadar çok çeşitli alanlarda kullanılabilir. Videoda objects being tracked olan nesneler, kullanıcının video karesi içinde tam olarak nerede bulunduklarını ve tespit edildiklerini görmesine yardımcı olmak için genellikle bounding boxes kullanılarak visualized edilir.

Ultralytics’in yıllık hibrit etkinliği olan YOLO Vision 2024 (YV24) sırasında başlatılan Ultralytics YOLO11, nesne takibi de dahil olmak üzere çok çeşitli görüntüleme yapay zekası görevlerinin üstesinden gelebilen bir bilgisayarlı görü modelidir. Bu makalede, nesne takibinin nasıl çalıştığını keşfedeceğiz ve gerçek dünyadaki uygulamaları tartışacağız. Ayrıca YOLO11 kullanarak nesne takibini nasıl deneyebileceğinize de göz atacağız. Hadi başlayalım!

Şekil 1. Bir perakende mağazasında nesne takibi için Ultralytics YOLO11 kullanımına bir örnek.

Ultralytics YOLO11 ile yapay zeka destekli nesne takibi#

Nesne takibi, temel bir bilgisayarlı görü tekniğidir. Videodaki nesnelerin zaman içinde tanımlanmasını ve takip edilmesini mümkün kılar. Nesne takibi, başka bir bilgisayarlı görü görevi olan nesne tespiti ile çok benzer görünebilir. ikisi arasındaki temel fark, video karelerini nasıl ele aldıklarında yatar. Nesne tespiti, önceki veya sonraki kareleri dikkate almadan nesneleri tanımlayıp sınıflandırarak her bir kareye ayrı ayrı bakar. Öte yandan nesne takibi, kareler arasındaki noktaları birleştirerek aynı nesneleri zaman içinde takip eder ve hareketlerini izler.

İşte nesne takibinin nasıl çalıştığına dair daha ayrıntılı bir genel bakış:

• Nesne tespiti: Süreç, bir videonun tek bir karesindeki nesneleri tespit ederek başlar. YOLO11, birden fazla nesneyi ve bunların konumlarını doğru bir şekilde belirlemek için kullanılabilir.
• Benzersiz kimlikler atama: Algılanan her nesneye, diğerlerinden ayırmak ve takibini kolaylaştırmak için benzersiz bir kimlik verilir.
• Kareler boyunca hareketi takip et: Bir takip algoritması, benzersiz kimlikleriyle olan ilişkisini korurken konumlarını güncelleyerek nesneleri sonraki kareler boyunca takip eder.
• Kapanmaları (occlusion) yönetme: Bir nesne geçici olarak görüş alanından çıkarsa (örneğin başka bir nesne tarafından engellenirse), sistem nesne tekrar göründüğünde takibin kaldığı yerden devam etmesini sağlar.
• Nesne bilgilerini güncelleme: Nesneler hareket ettikçe, konumları ve öznitelikleri (hız veya yön gibi) zaman içindeki değişiklikleri yansıtacak şekilde sürekli olarak güncellenir.

BoT-SORT ve ByteTrack gibi gelişmiş takip algoritmalarından yararlanarak gerçek zamanlı nesne takibini destekler. Ayrıca segmentasyon ve poz tahmini YOLO11 modelleriyle sorunsuz bir şekilde çalışarak onu çok çeşitli takip görevleri için esnek bir araç haline getirir.

Ultralytics YOLO11 nesne takibinin uygulamaları#

Ultralytics YOLO11 modelinin çok yönlü yetenekleri, birçok sektörde çok çeşitli olası uygulamaların önünü açmaktadır. Bazı YOLO11 nesne takibi kullanım örneklerini daha yakından inceleyelim.

Otonom araç takibi için Ultralytics YOLO11#

Nesne takibinin otonom sürüş yapan arabaların güvenli ve verimli bir şekilde çalışmasına yardımcı olması çok önemlidir. Bu araçların durma, dönme veya şerit değiştirme gibi gerçek zamanlı kararlar alabilmek için çevrelerini sürekli olarak anlamaları gerekir. Nesne tespiti, aracın yayalar, bisikletliler, diğer araçlar ve trafik işaretleri gibi ortamındaki temel unsurları tanımlamasını sağlar. Ancak, güvenli bir sürüş için bu nesneleri tek bir anda tespit etmek yeterli değildir.

İşte nesne takibi burada devreye girer. Otomobilin bu nesneleri zaman içinde takip etmesini, hareketlerini birden fazla kare boyunca izlemesini sağlar. Örneğin, otonom araçların bir yayanın nereye gittiğini tahmin etmesine, yakındaki araçların hızını ve yönünü izlemesine veya bir trafik ışığının değişmediğini fark etmesine yardımcı olur. Tespit ve takibi birleştirerek, kendi kendine giden arabalar çevrelerindeki nesnelerin hareketini öngörebilir, proaktif olarak yanıt verebilir ve güvenli ve sorunsuz bir şekilde sürüş yapabilir.

Şekil 2. Ultralytics YOLO11, araçları tespit etmek ve takip etmek için kullanılabilir.

Hayvanları izlemek için Ultralytics YOLO11 nesne takibi kullanma#

Sığır gibi bir çiftlikteki hayvanları takip etmek, etkili yönetim için hayati önem taşır, ancak sıkıcı ve zaman alıcı bir görev olabilir. Sensör veya etiket kullanmak gibi geleneksel yöntemlerin genellikle dezavantajları vardır. Bu cihazlar takıldığında hayvanları strese sokabilir ve düşmeye veya hasar görmeye eğilimlidir, bu da takibi kesintiye uğratır.

Computer vision provides a better solution for farmers to monitor and track animals without the need for physical tags. Object tracking can give farmers valuable insights into the animals’ behavior and health. For example, it can help detect conditions like lameness that affect the way an animal walks. By using object tracking, farmers can spot subtle changes in movement and address health issues early.

Sağlık izlemenin ötesinde bilgisayarlı görü, çiftçilerin sosyal etkileşimler, beslenme alışkanlıkları ve hareket modelleri gibi diğer davranışları anlamalarına da yardımcı olabilir. Bu bilgiler sürü yönetimini iyileştirebilir, besleme programlarını optimize edebilir ve hayvanların genel refahını teşvik edebilir. Manuel işçiliği azaltarak ve hayvanlar için stresi en aza indirerek, bilgisayarlı görüye dayalı takip modern tarım için pratik ve verimli bir araçtır.

Şekil 3. Çiftçileri ve bir ineği takip etmek için Ultralytics YOLO11 kullanılması.

Ultralytics YOLO11 kullanarak üretimde nesne takibi#

İmalat sektöründe nesne takibinin birçok kullanım alanı vardır. Örneğin, nesne tespiti ve takip sistemleri üretim hatlarını izleyebilir. Ürünler veya hammaddeler bir konveyör bant üzerinde hareket ederken kolayca takip edilebilir ve sayılabilir. Bu sistemler ek görevleri yerine getirmek için diğer bilgisayarlı görü sistemleriyle de entegre edilebilir. Örneğin, kusurlu bir ürün kusur tespiti sistemi kullanılarak tanımlanabilir ve uygun şekilde ilgilenildiğinden emin olmak için nesne takibi kullanılarak takip edilebilir.

İmalatta nesne takibinin bir diğer önemli uygulaması güvenlikle ilgilidir. Nesne takip sistemleri, potansiyel olarak tehlikeli üretim ortamlarındaki işçileri tespit etmek ve izlemek için kullanılabilir. Tehlikeli bölgeler bilgisayarlı görü sistemleri kullanılarak sürekli olarak işaretlenebilir ve izlenebilir ve (takip edilen) işçilerin bu tür alanlara yaklaşması durumunda denetçilere bilgi verilebilir. Bu tür güvenlik sistemleri, ekipmanları tespit etmek ve izlemek için de kullanılabilir ve hırsızlık olasılığını önler.

Şekil 4. İşçileri tespit etmek için kullanılan YOLO11 nesne tespiti örneği.

Ultralytics YOLO11 kullanarak nesne takibi ve gözetim#

Gerçek zamanlı nesne takibi, güvenlik ve gözetim sistemlerinde yaygın olarak kullanılmaktadır. Bu sistemler halka açık yerleri, ulaşım merkezlerini ve alışveriş merkezleri gibi büyük perakende ortamlarını izlemek için kullanılabilir. Büyük, kalabalık alanlar, kusursuz bir gözetim çözümü sağlayarak şüpheli kişileri veya kalabalık davranışlarını izlemek için bu teknolojiyi kullanabilir. Örneğin, pandemide nesne takip sistemleri kalabalık alanları takip etmek ve insanların sosyal mesafeyi koruduğundan emin olmak için kullanıldı.

Nesne takibi trafik gözetiminde de kullanılabilir. Nesne takibi, araçların nasıl davrandığını takip etmeyi ve analiz etmeyi mümkün kılar, kazaları veya suçları önlemeye yardımcı olmak için olağandışı veya şüpheli eylemleri gerçek zamanlı olarak fark eder. İyi bir örnek hız tahmini sistemleridir. Hızını belirlemek için bir aracın hızını tespit edebilir ve takip edebilirler.

Şekil 5. Hız tahmini nesne takibi kullanılarak yapılabilir.

Ultralytics YOLO11 ile nesne takibini dene#

Nesne takibi uygulamalarından bazılarını incelediğimize göre, Ultralytics YOLO11 modelini kullanarak bunu nasıl deneyebileceğinizi tartışalım.

Başlamak için, pip, conda veya Docker kullanarak Ultralytics Python paketini yükle. Kurulum sırasında herhangi bir zorlukla karşılaşırsan, Yaygın Sorunlar Kılavuzumuz yararlı sorun giderme ipuçları sunar.

Paketi başarıyla yükledikten sonra aşağıdaki kodu çalıştır. Ultralytics YOLO11 modelinin nasıl yükleneceğini ve bir video dosyasındaki nesneleri izlemek için nasıl kullanılacağını özetler. Kodda kullanılan model “yolo11n.pt”dir. ‘n’ harfi Nano anlamına gelir - YOLO11 modelinin en küçük varyantı. Aralarından seçim yapabileceğiniz başka model varyantları da vardır - küçük (small), orta (medium), büyük (large) ve çok büyük (extra-large).

Şekil 6. Ultralytics YOLO11 modelini kullanarak nesne takibini sergileyen bir kod parçacığı.

Önceden eğitilmiş bir model yerine özel olarak eğitilmiş bir model kullanmayı da seçebilirsin. Özel eğitim, özel uygulamana uyacak şekilde önceden eğitilmiş bir modelin ince ayarının yapılmasını içerir.

Daha önce de belirtildiği gibi nesne takibi şu YOLO11 modelleri için desteklenir: nesne tespiti, poz tahmini ve örnek segmentasyonu. Takip içeren belirli bir uygulaman varsa, uygulamana bağlı olarak bu modellerden herhangi birini özel olarak eğitebilirsin. Ultralytics Python paketini veya kod gerektirmeyen platformu Ultralytics HUB kullanarak bir modeli özel olarak eğitebilirsin.

Öne çıkanlar#

Ultralytics YOLO11, videolardaki nesneleri takip etmek için harika bir araçtır ve otonom araçlar, çiftçilik, üretim ve güvenlik gibi birçok farklı alanda kullanılabilir. Nesneleri gerçek zamanlı olarak algılayabilir ve izleyebilir, böylece işletmelerin ve endüstrilerin çalışanlarını ve ekipmanlarını takip etmelerine yardımcı olur. Modelin kullanımı kolaydır ve belirli ihtiyaçlara göre özelleştirilebilir, bu da onu bilgisayarlı görü yeteneklerini sorunsuz bir şekilde benimsemek isteyen herkes için iyi bir seçenek haline getirir.

Daha fazla bilgi edinmek için GitHub repository adresimizi ziyaret edin ve community ile etkileşime geçin. Çözüm sayfalarımızda self-driving cars ve agriculture alanındaki yapay zeka uygulamalarını keşfedin. 🚀