En iyi 8 açık kaynaklı nesne izleme aracı ve algoritması
Gerçek zamanlı video analizi için en iyi 8 açık kaynaklı nesne izleme aracını keşfet. Her birinin nasıl çalıştığını ve projen için doğru seçeneği nasıl belirleyeceğini gör.
Bir otomobil kırmızı ışıkta geçtiğinde sürücüye otomatik bir ceza gönderilmesi veya bir futbolcunun sahada top sürerken kameranın oyunu akıcı biçimde takip etmesi gibi durumlarda, yapay zekâ arka planda sessizce çalışır. Özellikle bu sistemler, makinelerin dünyadaki görsel bilgileri görmesini, yorumlamasını ve anlamasını sağlayan bir yapay zekâ alt alanı olan bilgisayarlı görü teknolojisine dayanır.
Bilgisayarlı görü alanında, bu uygulamaların temelindeki önemli görevlerden biri nesne takibidir. Nesneleri bir videonun her karesinde belirlemek ve ardından hareket ederken, başka nesnelerle örtüşürken veya yön değiştirirken takip etmek için kullanılır.
Günümüzde her biri farklı kullanım alanları, performans gereksinimleri ve karmaşıklık düzeyleri için tasarlanmış birçok nesne takibi aracı ve algoritması bulunur. Bazıları hıza odaklanır ve gerçek zamanlı olarak onlarca nesneyi takip edebilirken, diğerleri örtülme, hızlı hareket veya düşük aydınlatma gibi zorlu koşullarda doğruluğu ya da uzun vadeli kararlılığı önceliklendirir.
Özellikle açık kaynaklı projeler bu alanın ilerlemesinde önemli bir rol oynamıştır. Kodları herkese açık olduğundan geliştiriciler ve araştırmacılar nasıl çalıştıklarını inceleyebilir, mevcut yöntemleri geliştirebilir ve bunları yeni uygulamalara uyarlayabilir. Bu açıklık, nesne takibinin hızla gelişmesine ve gerçek dünya sistemlerine daha kolay entegre edilmesine yardımcı olmuştur.
Bu makalede, popüler sekiz açık kaynaklı nesne takibi aracını ve algoritmasını inceleyeceğiz. Hadi başlayalım!
Nesne takibi nedir?#
Bir güvenlik görevlisinin otoparkın CCTV görüntülerini izlediği bir senaryo düşün. Kırmızı bir otomobili takip etmeye karar veriyor. Video oynarken bu otomobili zihninde işaretliyor ve diğer otomobiller yanından geçse veya insanlar önünden yürüse bile gittiği her yerde onu takip ediyor.
Yapay zekâ destekli nesne takibi benzerdir, ancak otomatik olarak ve büyük ölçekte çalışır. Başka bir deyişle nesne takibi, bir nesne videonun kareleri boyunca hareket ederken onu izleme ve kimliğini bir kareden diğerine tutarlı biçimde koruma sürecidir.
Birçok sistemde bu süreç, her karede insanlar, araçlar veya yol işaretleri gibi nesneleri bulan ve etiketleyen nesne algılama ile başlar. Ardından bu nesneler hareket ederken, görünür veya kaybolurken ya da örtüşürken takip sistemi, hangi nesnenin hangisi olduğunu ve zaman içinde nereye gittiğini bilmek için algılamaları kareler arasında ilişkilendirir.
Şekil 1. Nesne takibine bir bakış (Kaynak)
İki yaygın takip türü vardır: tek nesne takibi (SOT), bir ana nesneye odaklanır (örneğin bir spor videosunda yalnızca topu takip etmek); çoklu nesne takibi (MOT) ise aynı anda birçok nesneyi izler ve her birine benzersiz bir kimlik (ID) atar (örneğin yoğun bir kavşaktaki tüm otomobilleri takip etmek).
Takip türünden bağımsız olarak çoğu sistem üç temel bileşene dayanır: her karede nesneleri bulmak için bir algılayıcı, bu nesnelerin muhtemel hareketini tahmin etmek için bir hareket modeli ve yeni algılamaları daha önce takip edilen nesnelerle eşleştirmek için bir eşleştirme adımı. Bu parçalar, ham videoyu nesnelerin zaman içinde nasıl hareket ettiği ve etkileştiği hakkında anlamlı bilgilere dönüştürür.
Açık kaynaklı nesne takibi araçlarına duyulan ihtiyaç#
Ayrıntılara geçmeden önce şunu merak ediyor olabilirsin: Açık kaynaklı nesne takibi araçlarını ve algoritmalarını bu kadar özel kılan nedir?
Açık kaynaklı araçlar, nesne takibini kullanmayı kolaylaştırmada ve daha geniş kitlelere ulaştırmada büyük rol oynamıştır. Kod açık olduğundan geliştiriciler ve araştırmacılar bir takipçinin tam olarak nasıl çalıştığını görebilir, ondan öğrenebilir ve onu bir kara kutu gibi kullanmak yerine kendi projelerine uyarlayabilir.
Ayrıca güçlü topluluklardan yararlanırlar. Birçok açık kaynaklı takip aracı, yeni özellikler ekleyen, hızı ve doğruluğu geliştiren, hataları gideren ve araçları en güncel araştırmalarla uyumlu tutan aktif katkıcılar tarafından sürdürülür. Bu sürekli iş birliği, araçların farklı uygulamalarda güvenilir ve kullanışlı kalmasına yardımcı olur.
Maliyet de önemli bir nedendir. Açık kaynaklı araçlar ücretsiz olduğundan öğrenciler, startup'lar ve küçük ekipler lisans ücretleri veya abonelik maliyetleri konusunda endişelenmeden denemeler yapabilir, prototip oluşturabilir ve gerçek sistemler geliştirebilir.
En iyi 8 açık kaynaklı nesne izleme aracı ve algoritması#
Günümüzde takip sistemleri oluşturmak için çok çeşitli açık kaynaklı seçenekler mevcuttur. Bazıları doğrudan işlem hattına ekleyebileceğin takip algoritmaları veya modelleridir; diğerleri ise bu modelleri çalıştırmayı, yönetmeyi ve entegre etmeyi kolaylaştıran kütüphaneler ve çatılardır. Birlikte, temel takip mantığından gerçek bir projede ihtiyaç duyacağın yardımcı araçlara kadar her şeyi kapsarlar.
Şimdi popüler sekiz açık kaynaklı nesne takibi aracına ve algoritmasına göz atalım.
1. Ultralytics YOLO modelleri ve Ultralytics Python paketi#
Nesne takibi için en kolay ve en pratik seçeneklerden biri, Ultralytics YOLO modellerini Ultralytics Python paketi ile birlikte kullanmaktır. Ultralytics YOLO11 ve yakında çıkacak Ultralytics YOLO26 gibi Ultralytics YOLO modelleri; nesne algılama, örnek segmentasyonu, poz tahmini ve nesne takibi dahil olmak üzere çeşitli görü görevlerini destekleyen bilgisayarlı görü modelleridir.
Şekil 2. Nesneleri algılamak ve takip etmek için YOLO11 kullanımına bir örnek. (Kaynak)
İlginç olan şu ki modellerin kendisi kareler arasında nesne takibi yapmaz. Bunun yerine, Ultralytics YOLO modellerini çalıştırmayı ve dağıtmayı kolaylaştıran bir kütüphane olan Ultralytics Python paketi, YOLO'nun kare kare algılamalarını BoT-SORT ve ByteTrack gibi özel çoklu nesne takibi algoritmalarıyla birleştirerek takibi mümkün kılar.
Yerleşik takip özelliği sayesinde Ultralytics paketi ve Ultralytics YOLO modelleri, her karede nesneleri algılamak ve ardından hareket ederken, örtüşürken, kareden çıkarken ve daha sonra yeniden girerken takip edilebilmeleri için tutarlı kimlikler atamak amacıyla kullanılabilir. Bu yaklaşım imalat ve perakende gibi sektörlerde giderek daha fazla benimsenmekte; kusur denetimi iş akışları, envanter akışı takibi ve mağaza içi müşteri takibi gibi uygulamaları mümkün kılmaktadır.
2. OpenCV takipçileri#
OpenCV, bir dizi nesne takibi algoritması içeren kapsamlı bir bilgisayarlı görü kütüphanesidir. Bu kütüphane 1999'dan beri OpenCV topluluğu tarafından geliştirilmekte ve sürdürülmektedir.
Bu takipçilerin çoğu derin öğrenmeye dayanmak yerine korelasyon filtreleri ve çekirdek tabanlı teknikler gibi geleneksel bilgisayarlı görü yöntemlerini kullanır (bu yöntemler, özellikleri sinir ağları kullanarak öğrenmek yerine görsel görünümünü, örneğin renk ve dokusunu, bir kareden diğerine eşleştirerek nesneyi takip eder).
Bu algoritmaları kullanırken genellikle önce takip etmek istediğin nesneyi seçebilirsin; takipçi de nesne hareket ettikçe sonraki karelerde görsel olarak en benzer bölgeyi sürekli arar.
Şekil 3. OpenCV kullanarak nesne takibi (Kaynak)
Bu yöntemler karmaşık veya kalabalık sahnelerde modern derin öğrenme tabanlı takip sistemleri kadar sağlam olmayabilir, ancak hafif, hızlı ve çalıştırılması kolay oldukları için hâlâ yaygın biçimde kullanılır. Ayrıca bu takipçiler CPU'larda verimli çalıştığından ve genellikle GPU gerektirmediğinden hızlı denemeler, sınıf içi öğrenme ve hobi projeleri için iyi sonuç verir.
3. ByteTrack#
ByteTrack, çoklu nesne takibi için en popüler açık kaynaklı algoritmalardan biridir. Yalnızca modelin yüksek güvenle algıladığı nesneleri eşleştirmek yerine, birçok sistemin normalde göz ardı ettiği daha düşük güvenli algılamalardan da yararlanır.
Bu sayede kısmen engellenen, uzakta bulunan veya hızlı hareket eden nesneler gibi kısa süreliğine görülmesi zorlaşan nesneleri takip etmeyi sürdürür. Hızlı ve güvenilir olduğu için ByteTrack; gerçek zamanlı performansın ve tutarlı kimliklerin önemli olduğu trafik analizi, yaya takibi ve perakende izleme gibi uygulamalarda yaygın olarak kullanılır.
Daha önce belirtildiği gibi algılama için Ultralytics YOLO modellerini kullanıyorsan Ultralytics Python paketi üzerinden ByteTrack'i etkinleştirmek kolaydır. Ancak ByteTrack, özel işlem hatlarında bağımsız olarak da kullanılabilir; bu da onu araştırma prototiplerinden C++ ile yazılmış üretim sistemlerine kadar her şey için uygun kılar.
4. DeepSORT#
Çoklu nesne takibi için yaygın olarak kullanılan bir diğer algoritma DeepSORT'tur; bu ad, Derin Basit Çevrimiçi ve Gerçek Zamanlı Takip (Deep Simple Online and Real-Time Tracking) ifadesinin kısaltmasıdır. DeepSORT, Basit Çevrimiçi ve Gerçek Zamanlı Takip (Simple Online and Real-Time Tracking) anlamına gelen SORT'un gelişmiş bir sürümüdür.
ByteTrack'e benzer şekilde SORT, algılama üzerinden takip yaklaşımını kullanır. Ancak SORT, her nesnenin bir sonraki adımda muhtemelen nereye hareket edeceğini tahmin etmek için nesnenin geçmiş hareketine dayanarak gelecekteki konumunu kestiren matematiksel bir model olan bir Kalman filtresine dayanır.
Daha sonra yeni algılamaları mevcut izlerle, temel olarak konuma ve sınırlayıcı kutu örtüşmesine göre eşleştirir. Bu, SORT'u hızlı ve hafif kılar, ancak nesneler örtüştüğünde, yolları kesiştiğinde veya kısa süreliğine görünümden kaybolduğunda zorlanabilir.
DeepSORT, takip sürecine görünüş bilgisi ekleyerek SORT'u geliştirir. Harekete ve konuma ek olarak nesnelerin nasıl göründüğünü öğrenen derin öğrenme tabanlı bir yeniden kimliklendirme veya re-id modeli kullanır. Bu, hareket bilgisinin nesneyi diğerlerinden ayırt etmeye yetmediği durumlarda bile takipçinin aynı nesneyi kareler arasında tanımasını sağlar.
Bu nedenle DeepSORT, insanların sık sık örtüştüğü veya kısa süreliğine kapandığı gözetim ve kalabalık izleme gibi uygulamalarda yaygın olarak kullanılır. Ancak günümüzde klasik bir temel yöntem olarak kabul edilir ve daha yeni takip yöntemleri daha zorlu sahnelerde çoğu zaman daha iyi performans gösterir.
5. Norfair#
Norfair, seni sabit bir takip işlem hattına zorlamak yerine esnek olacak şekilde tasarlanmış hafif bir takip kütüphanesidir. Algılayıcı çıktıları sınırlayıcı kutu merkezleri, kilit noktalar veya özel koordinat verileri gibi bir nokta kümesi olarak ifade edilebildiği sürece neredeyse her algılayıcının üzerine takip ekleyebilir.
Şekil 4. Norfair kullanarak gerçek dünyada nesne takibi (Kaynak)
Bu esneklik, standart çoklu nesne takibi araçlarının yetersiz kalabileceği alışılmadık girdiler veya dinamik hareket örüntüleri içeren projeler için onu özellikle etkili kılar. Kütüphane ayrıca algılamaların kareler arasında nasıl eşleştirileceğini kontrol etmek için yerleşik mesafe işlevleri sunar.
Bu mesafe işlevleri iki noktanın veya nesnenin ne kadar benzer olduğunu ölçerek kullanıcılara takip mantığı üzerinde tam kontrol sağlar. Norfair; robotik, spor hareketi analizi, drone navigasyonu ve poz işaretlerinin ya da kilit noktaların takibine büyük ölçüde dayanan uygulamalarda sıkça kullanılır.
6. MMTracking#
MMTracking, MMDetection gibi yaygın olarak kullanılan bilgisayarlı görü kütüphanelerinin de arkasındaki OpenMMLab ekibine ait açık kaynaklı bir takip araç kutusudur. MMDetection üzerine kurulan bu araç, takip sistemleri geliştirmek ve bunlarla denemeler yapmak için esnek bir çatı sağlar.
En güçlü yönlerinden biri modüler tasarımıdır. MMTracking, seni tek bir işlem hattına bağlı tutmak yerine algılayıcılar, takip modülleri ve bazı kurulumlarda yeniden kimliklendirme modelleri gibi farklı bileşenleri yapılandırmana ve değiştirmene olanak tanır. Bu esneklik sayesinde yöntemleri karşılaştırmak, yeni fikirleri test etmek veya takip işlem hatlarını ince ayarlamak isteyen ekiplerin bulunduğu araştırma ve ileri düzey projelerde özellikle popülerdir.
7. FairMOT#
FairMOT, aynı anda birçok nesneyi takip etmek üzere tasarlanmış bir çoklu nesne takibi çatısıdır. Önce algılama yapan ve ardından ayrı bir adım olarak nesneleri kareler arasında ilişkilendiren geleneksel algılama üzerinden takip işlem hatlarının aksine FairMOT, algılamayı ve yeniden kimliklendirmeyi tek bir ağda birlikte öğrenir.
Şekil 5. FairMOT çatısının nasıl çalıştığı (Kaynak)
Bu ortak kurulum, özellikle insanların sık sık örtüştüğü veya hızlı hareket ettiği kalabalık sahnelerde daha tutarlı kimlikleri korumasına yardımcı olur. FairMOT, yaya takibi ve kalabalık izleme gibi senaryolarda yaygın olarak kullanılır; ayrıca gerçek zamanlı olarak çok sayıda hedefi takip etmenin önemli olduğu perakende analitiği ve trafik izleme gibi ortamlarda da uygulanır.
8. SiamMask#
SiamMask, sınırlayıcı kutuyla birlikte bir segmentasyon maskesi üreterek birçok takipçiden bir adım ileri giden tek nesne takibi yöntemidir. Basitçe söylemek gerekirse hedefin etrafına yalnızca bir dikdörtgen çizmez. Nesnenin şeklini piksel düzeyinde de ana hatlarıyla belirtir; bu, hedef şekil değiştirdiğinde, döndüğünde veya kısmen gizlendiğinde yararlı olabilir.
Şekil 6. SiamMask kullanarak nesne takibi ve segmentasyonu (Kaynak)
Bu yaklaşım, takipçinin önce ilk karede hedeften alınan ve genellikle şablon olarak adlandırılan küçük bir referans görünümünü kullandığı Siamese takip tasarımından yararlanır. Ardından her yeni karede daha geniş bir bölgeyi tarar ve bu şablona en çok benzeyen noktayı bulur.
SiamMask, eşleştirme tabanlı bu fikri temel alır. Ayrıca hedef için piksel düzeyinde bir maske tahmin eder; böylece video oynarken hem nesnenin konumunu hem de daha hassas bir ana hat çizgisini elde edersin.
Nesne takibi aracı seçerken dikkate alınması gereken temel faktörler#
Günümüzde yapay zekâ alanında çeşitli açık kaynaklı nesne takibi araçları bulunduğundan, bilgisayarlı görü projen için en iyi seçenek, özel kullanım alanının gerektirdiklerine bağlıdır. Dikkate alman gereken bazı faktörler şunlardır:
- Doğruluk: Bu, görü sisteminin örtüşme, kapanma veya hızlı hareket sırasında bile kararlı kimlikleri koruması gereken kalabalık ya da görsel açıdan karmaşık sahnelerde en önemli unsurdur.
- Hız: Robotik, trafik izleme ve spor analitiği gibi gerçek zamanlı uygulamalarda yanıt verebilirlik, kusursuz hassasiyetten daha önemli olabilir.
- Entegrasyon kolaylığı: Bazı nesne takibi araçlarını tak-çalıştır biçiminde kullanmak ve yalnızca birkaç satır kodla çalıştırmak kolayken, diğerleri daha fazla kurulum, yapılandırma veya özel işlem hattı çalışması gerektirir.
- Dağıtım kısıtlamaları: GPU sunucuları, uç cihazlar veya mobil donanım gibi hedef ortam, hangi takip yaklaşımının pratik olduğunu belirleyebilir.
- Ölçeklenebilirlik: Sisteminin aynı anda çok sayıda nesneyi takip etmesi veya birden fazla video akışını işlemesi gerekiyorsa takipçi, performansta büyük bir düşüş yaşamadan verimli biçimde ölçeklenebilmelidir.
Her nesne takibi aracı veya algoritması farklı bir amaca hizmet eder. Sonuç olarak doğru seçim; özel gereksinimlerine, çalışma zamanı kısıtlamalarına, performans ölçütlerine ve projenin takip yaklaşımının ne ölçüde özelleştirilebilir olmasını gerektirdiğine bağlıdır.
Önemli çıkarımlar#
Nesne takibi, ilk dönemlerdeki elle tasarlanmış tekniklerden hareketi, kimliği ve davranışı etkileyici bir doğrulukla yorumlayan günümüzün son teknoloji derin öğrenme sistemlerine evrilmiştir. Açık kaynaklı araçlar bu ilerlemenin itici güçlerinden biri olmuştur. Güçlü algoritmalara erişimi demokratikleştirir, denemeleri teşvik eder ve araştırmacıların kısıtlayıcı lisanslar veya ağır altyapı olmadan gelişmiş takip işlem hatları oluşturmasını sağlar.
Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza ve GitHub depomuza göz at. Tarımda yapay zekâ ve imalatta bilgisayarlı görü hakkındaki çözüm sayfalarımızı keşfet. Lisanslama seçeneklerimizi incele ve kendi görü modelini oluşturmaya başla.
