Nesne takibi için ultralytics YOLO11 nasıl kullanılır

Üretim tesisinde kalite kontrolü sağlamak ve iş akışı verimliliğini artırmak için bir montaj hattındaki bileşenlerin hareketini izlemek ve takip etmek istediğinizi varsayalım. Tipik olarak, bu, manuel denetimleri veya öğeleri izlemek için temel sensörleri kullanmayı içerir; bu da zaman alıcı ve hatalara açık olabilir. Ancak, bu süreci otomatikleştirmek ve geliştirmek için bilgisayarlı görü ve nesne takibi kullanılabilir. 

Nesne takibi, bir videodaki nesneleri algılamaya, tanımlamaya ve izlemeye yardımcı olan bir bilgisayarlı görü görevidir. Çiftliklerdeki hayvan takibinden, güvenliğe ve gözetime, perakende mağazalarındaki çeşitli uygulamalar için kullanılabilir. Bir videoda izlenen nesneler, kullanıcının video karesi içinde tam olarak nerede bulunduklarını ve algılandıklarını görmesine yardımcı olmak için genellikle görselleştirilir ve sınırlayıcı kutular kullanılarak gösterilir.

Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024 (YV24) sırasında piyasaya sürülen Ultralytics YOLO11, nesne takibi de dahil olmak üzere çok çeşitli Görüntü İşleme Yapay Zeka görevlerini yerine getirebilen bir bilgisayarlı görü modelidir. Bu makalede, nesne takibinin nasıl çalıştığını inceleyeceğiz ve gerçek dünya uygulamalarını tartışacağız. Ayrıca, YOLO11'i kullanarak nesne takibini nasıl deneyebileceğinize de bir göz atacağız. Haydi başlayalım!

‍

YOLO11 ile yapay zeka destekli nesne takibi

Nesne takibi, temel bir bilgisayarlı görü tekniğidir. Bir videodaki nesnelerin zaman içinde tanımlanmasını ve izlenmesini mümkün kılar. Nesne takibi, başka bir bilgisayarlı görü görevi olan nesne algılamaya çok benzer görünebilir. İkisi arasındaki temel fark, video karelerini ele alma biçimlerinde yatar. Nesne algılama, önceki veya sonraki kareleri dikkate almadan, nesneleri tanımlayıp sınıflandırarak her bir kareye ayrı ayrı bakar. Nesne takibi ise, kareler arasındaki noktaları birleştirir, aynı nesneleri zaman içinde takip eder ve hareketlerini izler.

Nesne takibinin nasıl çalıştığına dair daha ayrıntılı bir açıklama:

• Nesne algılama: Süreç, bir videonun tek bir karesindeki nesneleri algılayarak başlar. YOLO11, birden fazla nesneyi ve konumlarını doğru bir şekilde belirlemek için kullanılabilir.
  ‍
• Benzersiz Kimlikler Ata: Algılanan her nesneye, diğerlerinden ayırt etmek ve izlemeyi kolaylaştırmak için benzersiz bir kimlik verilir.
  ‍
• Hareketleri İzle (Kareler Arası): Bir izleme algoritması, nesneleri sonraki kareler boyunca takip eder, konumlarını güncellerken benzersiz kimlikleriyle olan ilişkilerini korur.
  ‍
• Engellemeleri Yönet: Bir nesne geçici olarak görüş alanından kaybolursa (örneğin, başka bir nesne tarafından engellenirse), sistem nesne yeniden göründüğünde takibin devam etmesini sağlar.
  ‍
• Nesne Bilgilerini Güncelle: Nesneler hareket ettikçe, konumları ve özellikleri (hız veya yön gibi) zaman içindeki değişiklikleri yansıtacak şekilde sürekli olarak güncellenir.

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

YOLO11 nesne takibinin uygulamaları

Ultralytics YOLO11 modelinin çok yönlü yetenekleri, birçok sektörde çok çeşitli olası uygulamaların önünü açar. Bazı YOLO11 nesne takibi kullanım örneklerine daha yakından bakalım.

Otonom araç takibi için YOLO11

Nesne takibi, otonom araçların güvenli ve verimli bir şekilde çalışmasına yardımcı olmak için çok önemlidir. Bu araçların durmak, dönmek veya şerit değiştirmek gibi gerçek zamanlı kararlar almak için çevrelerini sürekli olarak anlamaları gerekir. Nesne algılama, aracın çevresindeki yayalar, bisikletliler, diğer araçlar ve trafik işaretleri gibi temel unsurları tanımlamasını sağlar. Ancak, bu nesneleri tek bir anda algılamak, güvenli bir sürüş için yeterli değildir.

İşte burada nesne takibi devreye giriyor. Aracın bu nesneleri zaman içinde takip etmesini, hareketlerini birden fazla karede izlemesini sağlar. Örneğin, otonom araçların bir yayanın nereye gittiğini tahmin etmesine, yakındaki araçların hızını ve yönünü izlemesine veya bir trafik ışığının değişmediğini anlamasına yardımcı olur. Algılama ve takibi bir araya getiren otonom sürüşlü araçlar, çevrelerindeki nesnelerin hareketini tahmin edebilir, proaktif bir şekilde tepki verebilir ve güvenli ve sorunsuz bir şekilde sürüş yapabilir.

‍

Hayvanları izlemek için YOLO11 nesne takibini kullanma

Çiftlikte sığır gibi hayvanları izlemek, etkili yönetim için hayati öneme sahiptir, ancak sıkıcı ve zaman alıcı bir görev olabilir. Sensörler veya etiketler gibi geleneksel yöntemlerin genellikle dezavantajları vardır. Bu cihazlar takıldığında hayvanları strese sokabilir ve düşmeye veya hasar görmeye eğilimli olduklarından takibi aksatır.

Bilgisayarlı görü, çiftçilerin fiziksel etiketlere ihtiyaç duymadan hayvanları izlemesi ve takip etmesi için daha iyi bir çözüm sunar. Nesne takibi, çiftçilere hayvanların davranışı ve sağlığı hakkında değerli bilgiler verebilir. Örneğin, bir hayvanın yürüme şeklini etkileyen topallık gibi durumları tespit etmeye yardımcı olabilir. Nesne takibini kullanarak, çiftçiler hareketteki ince değişiklikleri fark edebilir ve sağlık sorunlarını erken çözebilir.

Bilgisayarlı görü, sağlık takibinin ötesinde, çiftçilerin sosyal etkileşimler, yeme alışkanlıkları ve hareket kalıpları gibi diğer davranışları anlamalarına da yardımcı olabilir. Bu bilgiler, sürü yönetimini iyileştirebilir, besleme programlarını optimize edebilir ve hayvanların genel refahını destekleyebilir. Manuel iş gücünü azaltarak ve hayvanlar için stresi en aza indirerek, bilgisayarlı görü tabanlı izleme, modern çiftçilik için pratik ve verimli bir araçtır.

‍

YOLO11 kullanılarak üretimde nesne takibi

Nesne takibinin üretim sektöründe birçok kullanım alanı vardır. Örneğin, nesne algılama ve izleme sistemleri üretim hatlarını izleyebilir. Ürünler veya hammaddeler, bir taşıma bandında hareket ederken kolayca izlenebilir ve sayılabilir. Bu sistemler, ek görevler gerçekleştirmek için diğer bilgisayarlı görü sistemleriyle de entegre edilebilir. Örneğin, bir kusur tespit sistemi kullanılarak bir kusuru olan bir öğe tanımlanabilir ve uygun şekilde ele alındığından emin olmak için nesne takibi kullanılarak izlenebilir.

Üretimde nesne takibinin bir diğer önemli uygulaması da güvenlikle ilgilidir. Nesne takip sistemleri, potansiyel olarak tehlikeli üretim ortamlarındaki işçileri tespit etmek ve izlemek için kullanılabilir. Tehlikeli bölgeler işaretlenebilir ve bilgisayarlı görü sistemleri kullanılarak sürekli olarak izlenebilir ve işçiler (izlenirken) bu tür alanlara yaklaşırsa, süpervizörler bilgilendirilebilir. Bu tür güvenlik sistemleri, ekipmanı tespit etmek ve izlemek, hırsızlık olasılığını önlemek için de kullanılabilir. 

‍

YOLO11 kullanılarak nesne takibi ve gözetimi

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

Nesne takibi trafik gözetiminde de kullanılabilir. Nesne takibi, araçların nasıl davrandığını izlemeyi ve analiz etmeyi, kazaları veya suçları önlemeye yardımcı olmak için gerçek zamanlı olarak olağandışı veya şüpheli hareketleri tespit etmeyi mümkün kılar. İyi bir örnek hız tahmini sistemleridir. Bir aracın hızını belirlemek için onu tespit edebilir ve izleyebilirler.

‍

Ultralytics YOLO11 ile nesne takibini deneyin

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

Başlamak için, pip, conda veya Docker kullanarak Ultralytics Python paketini kurun. Kurulum sırasında herhangi bir zorlukla karşılaşırsanız, Sık Karşılaşılan Sorunlar Kılavuzumuz faydalı sorun giderme ipuçları sunar. 

Paketi başarıyla kurduktan sonra, aşağıdaki kodu çalıştırın. Bu kod, Ultralytics YOLO11 modelinin nasıl yükleneceğini ve bir video dosyasındaki nesneleri izlemek için nasıl kullanılacağını özetlemektedir. Koddaki kullanılan model "yolo11n.pt"'dir. 'n', YOLO11 modelinin en küçük varyantı olan Nano'yu temsil eder. Aralarından seçim yapabileceğiniz başka model varyantları da vardır: küçük, orta, büyük ve ekstra büyük.

‍

Önceden eğitilmiş bir model yerine özel olarak eğitilmiş bir model de kullanmayı seçebilirsiniz. Özel eğitim, ince ayar yaparak önceden eğitilmiş bir modeli belirli uygulamanıza uyacak şekilde ayarlamayı içerir. 

Daha önce belirtildiği gibi, nesne takibi aşağıdaki YOLO11 modelleri için desteklenir: nesne tespiti, poz tahmini ve örnek segmentasyonu. İzlemeyi içeren belirli bir uygulamanız varsa, uygulamanıza bağlı olarak bu modellerden herhangi birini özel olarak eğitebilirsiniz. Ultralytics Python paketini veya kodsuz platformu olan Ultralytics HUB'ı kullanarak bir modeli özel olarak eğitebilirsiniz. 

Önemli çıkarımlar

Ultralytics YOLO11, videolardaki nesneleri izlemek için harika bir araçtır ve otonom sürüşlü arabalar, çiftçilik, üretim ve güvenlik gibi birçok farklı alanda kullanılabilir. Nesneleri gerçek zamanlı olarak tespit edebilir ve takip edebilir, işletmelerin ve endüstrilerin çalışanlarını ve ekipmanlarını takip etmelerine yardımcı olur. Modelin kullanımı kolaydır ve belirli ihtiyaçlar için 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 depomuzu ziyaret edin ve topluluğumuzla etkileşim kurun. Çözüm sayfalarımızda otonom sürüşlü arabalardaki ve tarımdaki yapay zeka uygulamalarını keşfedin. 🚀