Ultralytics YOLO modelleriyle çarpışma tahminini geliştirme

Yolda dikkatli olsan bile kazalar yine de meydana gelebilir. Bir araç şerit değiştirir, bir yaya kurallara aykırı şekilde yola çıkar veya bir bisikletli hiçbir uyarı vermeden hızlanır. Bu gündelik anlar, çarpışma tahmin sistemlerinin gerçekten fark yaratabileceği ve herkesin güvende kalmasına yardımcı olabileceği durumlara örnektir.

Daha önce top yörüngesi tahminini incelemiş ve hızlı hareket eden bir topun rotasını öngörmenin spor analitiğinin hareketi anlamasına ve bir sonraki adımı tahmin etmesine nasıl yardımcı olduğunu görmüştük. Çarpışma tahmini de benzer şekilde çalışır.

Bu tahmin sistemleri aslında geleceğe bakar. Araçların ve yayaların nasıl hareket ettiğini izleyerek riskleri erken fark edebilir ve işler tehlikeli bir hâl almadan önce rotalarını veya davranışlarını ayarlayabilirler (diğer adıyla hareket planlama veya yol planlama).

Çarpışma tahmin sistemlerinin temelindeki bilgisayar bilimi teknolojileri; yapay zekâ ve bilgisayarlı görü gibi alt alanları ile nesnelerin nasıl hareket edeceğini tahmin etmeye yardımcı olan öngörü yöntemleridir. Örneğin Ultralytics YOLO11 ve yakında çıkacak Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, araçlar ve yayalar gibi nesneleri gerçek zamanlı olarak tespit edip takip etmek için kullanılabilir; öngörü modelleri de bu bilgileri kullanarak nesnelerin sonraki hareketlerini tahmin eder.

Şekil 1. YOLO11'in yoldaki nesneleri tespit etmek için kullanılmasına bir örnek (Kaynak).

Sonuç, çevresinde neler olduğunu anlayan ve dinamik ortamlarda daha akıllı karar vermeyi destekleyen bir yapay zekâ sistemidir. Bu makalede çarpışma tahmininin nasıl çalıştığını, arkasındaki yöntemleri ve bilgisayarlı görü ile Ultralytics YOLO modellerinin bu süreçte oynayabileceği rolü inceleyeceğiz. Hadi başlayalım!

Çarpışma tahmini nedir?#

Çarpışma tahmini, bir yapay zekâ sisteminin nesnelerin nasıl hareket ettiğini anlaması ve birbirlerine ne zaman çok yaklaşabileceklerini veya temas edebileceklerini öngörmesidir. Farklı sistemler bu bilgiyi güvenlik özelliklerini desteklemek, hareketi optimize etmek veya ortak alanlardaki eylemleri koordine etmek gibi çeşitli amaçlarla kullanabilir.

Nesnelerin ortak bir alanda hareket ettiği her yerde, ister otoyoldaki araçlar, ister bir depo koridorundaki forkliftler veya caddeden karşıya geçen yayalar olsun, çarpışma tahmini sistemlerin bu etkileşimlerin nasıl gelişebileceğini anlamasına yardımcı olur. Güvenlik odaklı uygulamalarda bu öngörü riski azaltmak için kullanılabilirken, diğer ortamlarda rota planlama, zamanlama veya koordineli hareket gibi görevleri destekleyebilir.

Örneğin, gelişmiş sürücü destek sistemleriyle veya ADAS ile donatılmış daha yeni birçok araçta kameralar ve sensörler önündeki yolu izler ve aracın yakındaki nesnelere ne kadar hızlı yaklaştığını tahmin eder. Sistem bir durumun güvensiz hâle gelebileceğini tespit ederse sürücüyü uyarır; bazı durumlarda otomatik frenleme, çarpışmanın etkisini azaltmaya yardımcı olabilir.

Çarpışma tahmininin dört aşamasını keşfetme#

Çarpışma tahmini; farklı yapay zekâ bileşenlerinin nesneleri belirlemek, hareketlerini izlemek ve bir sonraki adımda ne olabileceğini tahmin etmek için birlikte çalıştığı koordineli bir süreçtir. Bu sistemler genellikle birbirine bağlı dört aşamada çalışır: nesne tespiti, nesne takibi, yörünge öngörüsü ve son olarak çarpışma tahmini. Her aşama, kendisinden önceki aşamanın doğruluğuna dayanır.

Şimdi her aşamanın nasıl çalıştığına daha yakından bakalım.

Nesne tespitine bakış#

Nesne tespiti, görü yapay zekâ modellerinin bir görüntü veya video karesindeki nesneleri tanımlayıp konumlandırdığı temel bir bilgisayarlı görü görevidir. Bir nesne tespit modeli, piksel verilerini analiz ederek üç temel çıktı üretebilir: sınırlayıcı kutular, nesne sınıfları ve güven skorları. Sınırlayıcı kutular bir nesnenin nerede olduğunu gösterir, nesne sınıfları nesnenin ne olduğunu (örneğin araç, yaya veya bisikletli) belirtir ve güven skorları modelin tahmininden ne kadar emin olduğunu gösterir.

YOLO11 ve YOLO26 gibi görü yapay zekâ modelleri bu temeli geliştirir ve nesne tespiti, nesne takibi ve yönlendirilmiş sınırlayıcı kutu (OBB) tespiti gibi çeşitli ilişkili görevleri destekler. Nesne tespiti, tahmin sistemine her karede ne olduğunu söyler; takip, bu nesneler hareket ederken onları izler; yönlendirilmiş sınırlayıcı kutular ise farklı açılarda görünen nesneler için daha doğru şekiller sağlar.

Bu aşamada çarpışma tahmin sistemi yalnızca görsel verilerde nelerin bulunduğunu anlamaya odaklanır. Daha sonraki tüm adımların dayandığı temel bilgi katmanını oluşturur; ancak henüz nesnelerin nasıl hareket edeceğini veya etkileşime gireceğini dikkate almaz.

Nesne takibine genel bakış#

Nesneler tespit edildikten sonra sıradaki adım, sistemin zaman içinde nasıl hareket ettiklerini anlayabilmesi için onları kareler boyunca takip etmektir. Tespit her karede yeni sınırlayıcı kutular sağlarken nesne takibi, bu tespitleri zaman içinde birbirine bağlayarak süreklilik kazandırır.

Ultralytics Python paketi tarafından desteklenen ByteTrack ve BoT-SORT gibi takip algoritmaları, nesneler hareket ederken onları izlemek için her karedeki tespit verilerini kullanarak YOLO11 gibi modellerle birlikte çalışır. Bu algoritmalar her nesneye benzersiz bir kimlik atar ve nesne hızlı hareket ettiğinde veya kısmen gizlendiğinde bile kimliğini korumak için bu kimliği kullanır. Böylece nesnenin nasıl hareket ettiğini kaydeden akıcı bir takip geçmişi oluşturulur.

Şekil 2. YOLO kullanarak farklı tespitlere benzersiz kimlikler atanmasına bakış (Kaynak)

Bu iki takip yönteminin nasıl çalıştığına kısaca bakalım:

• ByteTrack: Tutarlı nesne kimliklerini korumak için hem yüksek hem de düşük güvenli tespitleri kullanır. Kalman Filtresi'nden gelen hareket tahminleri, nesneler hızlı hareket ettiğinde veya kısa süreyle tespit edilmesi zorlaştığında takipçinin kararlı kalmasına yardımcı olur.
• BoT-SORT: Bu algoritma, Kalman Filtresi hareket tahminlerini görünüş ipuçlarıyla birleştirerek SORT'u genişletir ve takipçinin kalabalık sahnelerde veya kısmi örtülme sırasında nesneleri daha güvenilir biçimde izlemesini sağlar.

Bu takip yöntemlerinin ne kadar iyi çalıştığını ölçmek için araştırmacılar bunları yerleşik çoklu nesne takibi (MOT) veri kümeleri ve kıyaslama testleri üzerinde değerlendirir. Yaygın olarak kullanılan metrikler arasında genel takip kalitesini yansıtan çoklu nesne takip doğruluğu (MOTA), nesne kimliklerinin ne kadar tutarlı korunduğunu ölçen kimlik F1 skoru (IDF1) ve hem tespit performansına hem de ilişkilendirme doğruluğuna dengeli bir bakış sunan yüksek dereceli takip doğruluğu (HOTA) bulunur.

Yörünge öngörüsünü anlama#

Bir nesneyi birden fazla kare boyunca takip ettikten sonra sıradaki adım, nesnenin bundan sonra nereye gideceğini tahmin etmektir. Bu, yörünge öngörüsü olarak bilinir. Tespit nesneleri bulur ve takip hareketlerini izlerken öngörü, gelecekteki konumlarına bakar ve bunları tahmin eder.

Bir nesnenin sınırlayıcı kutusu, kareler arasındaki konumu ve atanmış kimliği gibi tespit ve takip bilgileri; hız, yön ve hareket örüntüleri gibi hareket özelliklerini hesaplamak için kullanılabilir. Bu türetilmiş bilgiler, öngörü modeline nesnenin önümüzdeki birkaç saniye içinde nerede olacağını tahmin etmek için ihtiyaç duyduğu veriyi sağlar.

Takip verilerinde boşluklar veya ani sıçramalar bulunduğunda, enterpolasyon teknikleri daha akıcı ve tutarlı yörüngelerin yeniden oluşturulmasına yardımcı olur. Böylece öngörü modeli gürültülü veya eksik konum verileri yerine yüksek kaliteli hareket girdisi alır.

Şekil 3. Bir aracın yörüngesini tahmin etmeye ilişkin görselleştirme. (Kaynak)

Bu tahminleri yapmak için birçok sistem, bir nesnenin hareketinin zaman içinde nasıl değiştiğini anlamak üzere tasarlanmış derin öğrenme modellerine dayanır. Bu modeller, geçmiş konum dizilerini ve bunlardan türetilen hareket özelliklerini analiz ederek yaygın hareket örüntülerini öğrenir ve bu bilgiyi gelecekteki rotaları öngörmek için kullanır.

Yörünge öngörüsü için yaygın olarak kullanılan bazı derin öğrenme ve makine öğrenmesi yaklaşımları şunlardır:

• Tekrarlayan Sinir Ağları (RNN'ler): RNN'ler, video kareleri dizisi gibi dizilerle çalışmak üzere tasarlanmış derin öğrenme modelleridir. Önceki konumları hatırlayabilir ve bu bilgiyi bir nesnenin nasıl hareket ettiğini anlamak için kullanabilirler. Bu, sistemin hızlanma, yavaşlama veya düz bir çizgide hareket etme gibi basit hareket örüntülerini tanımasına yardımcı olur.

• Uzun Kısa Süreli Bellek Ağları (LSTM'ler): LSTM'ler, bilgileri daha uzun süre hatırlayabilen daha gelişmiş bir RNN türüdür. Bu sayede bir aracın dönüşe hazırlanması veya bir yayanın yön değiştirmesi gibi daha karmaşık hareketleri yakalayabilirler. Daha uzun eğilimleri izleyebildikleri için yoğun ortamlarda genellikle daha güvenilir tahminler üretirler.

• Transformers: Transformers, tam hareket dizilerini işler ve bu dizilerin en önemli ayrıntılarına odaklanmak için dikkat mekanizmasını kullanır. Bu özellik, birleşen araçlar veya karşıdan karşıya geçen yayalar gibi birden fazla nesnenin etkileşime girdiği sahnelerde onları özellikle etkili kılar.

Bu modeller hem kısa hem de uzun vadeli rotaları tahmin edebilir. Genellikle iki saniyenin altındaki kısa vadeli öngörüler en doğru sonuçları verirken, iki ila altı saniye gibi daha uzun zaman aralıklarındaki tahminler daha fazla öngörü sağlar ancak daha yüksek belirsizlik içerir.

Hepsini bir araya getirme: Çarpışma tespit algoritmaları#

Son aşama olan çarpışma tahmininde sistem, şimdiye kadar öğrendiği her şeyi kullanır: her nesnenin ne olduğu (tespit), nasıl hareket ettiği (takip) ve bir sonraki adımda nereye gitmesinin muhtemel olduğu (öngörü). Bu adım, tahmin edilen rotalardan herhangi birinin çarpışmaya yol açabilecek şekilde kesişip kesişemeyeceğini kontrol eder.

Şekil 4. Çarpışma tahmin sisteminin çalışma şekli (Kaynak)

Otonom araçlarda çarpışma kontrol sistemi; araçlar, yayalar ve bisikletliler gibi yakındaki nesnelerin gelecekteki yörüngelerini karşılaştırır. Tahmin edilen iki rota örtüşürse veya tehlikeli derecede yaklaşırsa sistem bu durumu olası bir araç çarpışması olarak işaretler. Çarpışma riskinin ne kadar acil olduğunu anlamak için sistem, çarpışmaya kalan süre olarak bilinen bir değeri de hesaplar.

Çarpışmaya kalan süre (TTC), hızlı hareket edilen ortamlarda önemli bir ölçümdür. İki nesne mevcut hız ve yönleriyle devam ederse çarpışmalarına ne kadar süre kaldığını tahmin eder. TTC belirli bir eşik değerinin altına düştüğünde sistem uyarı verebilir, frenleri uygulayabilir veya planlanan rotasını ayarlayabilir.

Çarpışma tahmininin gerçek dünya uygulamaları#

Çarpışma tahmini; trafik yönetimi, akıllı şehir altyapısı, endüstriyel otomasyon ve mobil robotik dâhil olmak üzere birçok sektörde kritik hâle geliyor. En gelişmiş bilgisayarlı görü ve öngörü modelleri ilerlemeye devam ettikçe bu sistemler hareketi öngörme konusunda daha yetenekli hâle geliyor.

Çarpışma tahmini ve yörünge öngörüsünün nasıl çalıştığını artık daha iyi anladığımıza göre, bu yöntemlerin çeşitli gerçek dünya ortamlarında nasıl kullanılabileceğini gösteren bazı ilginç araştırma çalışmalarına bakalım.

Acil durum otonom araçları için YOLO destekli çarpışma tahmini#

Kalabalık ve öngörülemez ortamlarda yol almak, özellikle yayalar net örüntülere uymayan şekillerde hareket ettiğinde, otonom sistemler için en zorlayıcı görevlerden biridir. Acil durum araçları bu sorunla daha da sık karşılaşır; çünkü yapılandırılmış yollara, şerit işaretlerine veya öngörülebilir yaya davranışlarına dayanmadan yoğun kamusal alanlarda yüksek hızlarda hızlı hareket etmeleri gerekir.

Bu tür senaryolarda insanların nerede olduğunu ve önümüzdeki birkaç saniyede nasıl hareket edebileceklerini anlamak, kazaları önlemek için zorunlu hâle gelir. Örneğin yakın tarihli bir araştırma, yayaların yoğun olduğu ortamlarda çalışan bir Acil Durum Otonom Aracı (EAV) için eksiksiz bir çarpışma tahmin işlem hattı oluşturarak bu zorluğu inceledi.

YOLO destekli çarpışma tahmin işlem hattı nasıl çalışır?#

Bu metodolojinin nasıl çalıştığına kısaca bakalım:

• YOLO ile yaya tespiti: YOLO tabanlı bir tespit modeli, her kamera karesindeki yayaları belirler ve görünür her kişi için sınırlayıcı kutular üretir.
• ByteTrack ile hareket takibi: ByteTrack algoritması bu tespitleri kareler arasında birbirine bağlar, her yayaya tutarlı bir kimlik verir ve zaman içinde nasıl hareket ettiklerini gösteren bir hareket geçmişi oluşturur.
• Gerçek dünya konumu tahmini: Ters Perspektif Haritalama (IPM), 2B piksel koordinatlarını yaklaşık zemin düzlemi konumlarına dönüştürerek sistemin yayaların araçla ilişkili olarak gerçek dünyada nerede olduğunu anlamasına yardımcı olur.
• cGAN kullanarak kuş bakışı görünüm oluşturma: Bir görüntü biçimini başka bir biçime dönüştüren bir yapay zekâ modeli olan koşullu GAN, sahnenin kuş bakışı görünümünü oluşturur. Bu üstten görünüm, yaya konumlarını ve çevrelerini yorumlamayı kolaylaştırır.
• LSTM modeliyle yörünge tahmini: Bir LSTM modeli, her yayanın geçmiş konumlarını ve hareket örüntülerini kullanarak önümüzdeki birkaç saniyede nereye gitmesinin muhtemel olduğunu tahmin eder.
• Çarpışma konileriyle verimli çarpışma tespiti: Tahmin edilen yörüngeler, aracın ve herhangi bir yayanın rotalarının kesişmek üzere olup olmadığını belirleyen çarpışma konisi yöntemi kullanılarak karşılaştırılır.
• Sinyal verme yoluyla çarpışmadan kaçınma: Sistem bir çarpışma öngörürse en uygun anda sesli bir sinyali (korna veya zil gibi) etkinleştirir. Zamanlama, yaya davranışını etkileyecek ve yayalara hızlanıp yavaşlayarak güvenli bir yere ulaşma fırsatı verecek şekilde seçilir.

Kenar görü ve YOLO kullanarak şehirlerde yaya güvenliğini sağlama#

Benzer şekilde, çarpışmayı önlemeye yönelik başka bir yaklaşım araçların ötesine geçerek altyapının kendisine odaklanır. Bu yöntem, bir aracın içindeki sensörlere güvenmek yerine, yayaların ve araçların gerçek zamanlı hareketlerini izlemek için yaya geçitlerine ve kavşaklara yerleştirilen akıllı kameraları kullanır. Bu konumlar genellikle öngörülemezdir; insanlar aniden yola çıkabilir, bisikletliler trafiğin arasından geçebilir ve sürücüler her zaman yavaşlamayabilir. Bu nedenle riskleri erken tespit etmek hayati önem taşır.

İlginç bir çalışma, bu fikri NAVIBox adlı bir sistem aracılığıyla inceledi. NAVIBox, araç-yaya risklerini doğrudan kavşakta tahmin etmek üzere tasarlanmış bir kenar görü cihazıdır. Sistem, yayaları ve araçları tespit etmek için Ultralytics YOLOv8 modelini, kareler boyunca takip etmek içinse hafif bir Centroid takipçisini kullanır. Bu işlem, daha sonra açılı CCTV görüntüsünü yolun daha anlaşılır bir kuş bakışı görünümüne dönüştüren perspektif dönüşümüyle iyileştirilen kısa ve güvenilir hareket geçmişleri oluşturur.

Bu iyileştirilmiş yörüngelerle NAVIBox, yol kullanıcılarının önümüzdeki birkaç saniyede nasıl hareket etmesinin muhtemel olduğunu tahmin edebilir ve rotalarının kesişip kesişemeyeceğini kontrol edebilir (kesişim testi olarak da adlandırılır). Sistem riskli bir etkileşim tespit ettiğinde, uzak bir sunucuya veya ağ bağlantısına ihtiyaç duymadan sürücüler için ekranlar, yayalar için hoparlörler üzerinden anında uyarı gönderir. Gerçek şehir ortamlarında yapılan testler, NAVIBox'ın gerçek zamanlı yanıt için yeterince hızlı çalıştığını ve olası çarpışma senaryolarını doğru biçimde belirleyebildiğini gösterdi. Bu da onu yoğun şehir kavşakları için pratik bir güvenlik aracı hâline getiriyor.

Şekil 5. Araçlar ve yayalar arasındaki çarpışma riskini tahmin etme. (Kaynak)

Çarpışma tespiti ve tahmininin artıları ve eksileri#

Yapay zekâ destekli öngörülü çarpışma sistemlerini kullanmanın bazı avantajları şunlardır:

• Durumsal farkındalığı geliştirir: Yapay zekâ sistemleri bir ortamdaki nesnelerin nasıl hareket ettiğini sürekli olarak haritalandırır ve büyük ölçekli kalabalık akışı, trafik davranışı veya makine rotaları hakkında daha kapsamlı bir anlayış sağlar.

• Uzun vadeli planlama için veriye dayalı içgörüler: Yapay zekâ sistemleri tespitleri, ramak kala olaylarını ve hareket örüntülerini kaydederek şehir plancılarının, güvenlik ekiplerinin ve filo yöneticilerinin kavşakları yeniden tasarlamak, işaretleri iyileştirmek veya operasyon politikalarını geliştirmek için kullanabileceği analizler sunar.

• Uygun maliyetli risk önleme: Bu sistemler riskleri büyümeden önce tespit ederek maliyetli kazaların, sigorta taleplerinin veya ekipman onarımlarının önlenmesini mümkün kılabilir.

Avantajlarına rağmen çarpışmasız sistemler de bazı sınırlamalarla karşı karşıyadır. Dikkate alman gereken birkaç zorluk şunlardır:

• Sensör ve kamera yerleşimi kısıtları: Konumu veya açısı yanlış olan kameralar nesne boyutunu ya da mesafesini bozabilir ve derinlik tahmini ile yörünge öngörüsünü daha az güvenilir hâle getirebilir.
• Örtülme: Nesneler başka nesnelerin arkasında kısmen veya tamamen gizlenebilir. Model görsel sürekliliği kaybettiği için bu durum nesne takibini zorlaştırır.
• Çevresel koşullar: Düşük ışık, yoğun güneş ışığı, yağmur, sis veya düşük kamera kalitesi modelin sahneyi net görme yeteneğini azaltarak doğruluğu etkileyebilir.

Önemli çıkarımlar#

Çarpışma tahmini iki güçlü yeteneği bir araya getirir: sistemlerin o anda çevrede neler olduğunu anlamasını sağlayan bilgisayarlı görü ve bir sonraki adımda gerçekleşmesi muhtemel olayları öngörmelerine yardımcı olan yörünge öngörüsü.

Bu güçlü yönleri birleştirerek makineler hareket eden nesneleri gerçek zamanlı olarak tespit edebilir ve bu nesnelerin önümüzdeki saniyelerde nasıl etkileşime girebileceğini tahmin edebilir. Bilgisayarlı görü ve öngörü teknikleri gelişmeye devam ettikçe çarpışma tahmini, daha güvenli, güvenilir ve ölçeklenebilir otonom sistemler oluşturmak için büyük olasılıkla temel bir teknoloji hâline gelecektir.

AI hakkında daha fazla bilgi edinmek için topluluğumuza ve GitHub depomuza göz at. Çözüm sayfalarımızda sağlık hizmetlerinde AI ve üretimde bilgisayarlı görü gibi uygulamaları keşfet. Lisanslama seçeneklerimizi incele ve bugün geliştirmeye başla!