Gece trafik videosu algılama: Doğruluğun neden önemli olduğuna bakış

Yollar karanlıkta yalnızca sürücülere değil, güvenliklerini sağlamaktan sorumlu sistemlere de farklı görünür. Düşük görüş mesafesi, far parlaması ve hızla hareket eden yansımalar, gece araç tespitini daha zor hâle getirebilir.

Manuel gözlem veya harekete dayalı kameralar gibi geleneksel yöntemler çoğunlukla insan değerlendirmesine ve basit hareket ipuçlarına dayanır. Bu, düşük ışıkta veya karmaşık trafik koşullarında güvenilir olmayabilir. Bu yöntemler araçları veya yayaları yanlış tanımlayarak hatalı tespitlere ya da gözden kaçan nesnelere yol açabilir.

Şekil 1. Gece yetersiz aydınlatılmış bir yol örneği (Kaynak)

Yapay zekâ (AI), derin öğrenme ve bilgisayarlı görü, araç tespitini ve tanımayı otomatikleştirerek bu boşluğu kapatabilir. Özellikle bilgisayarlı görü, makinelerin görsel verileri görmesini ve yorumlamasını sağlayan bir AI dalıdır. Gece trafik videosu tespiti söz konusu olduğunda görü AI modelleri, parlaklığın veya hareketin ötesine geçerek doğruluğu artıran karmaşık örüntüleri tanımayı öğrenebilir.

Örneğin Ultralytics YOLO26 ve Ultralytics YOLO11 gibi bilgisayarlı görü modelleri hızları ve hassasiyetleriyle tanınır. Video ve görüntü verilerini gerçek zamanlı olarak işleyebilir, bir kare içindeki birden fazla nesneyi tespit edip sınıflandırabilir ve bunları görüntü dizileri boyunca takip edebilirler.

Bu yetenekler, farlar, gölgeler veya üst üste binen araçlar tespiti zorlaştırsa bile nesne tespiti ve örnek segmentasyonu gibi çeşitli görü görevleriyle mümkün olur. Modelin nesneleri tanımlamasını, sınıflandırmasını ve birbirinden ayırmasını sağlarlar.

Bu makalede gece trafik izlemenin zorluklarını, bilgisayarlı görünün bunları nasıl ele aldığını ve görü AI'ın gerçek dünyadaki trafik izleme sistemlerinde nerelerde uygulandığını inceleyeceğiz. Hadi başlayalım!

Gece tespitinin zorlukları#

Bilgisayarlı görünün gece trafik tespitindeki zorlukları nasıl çözdüğünü incelemeden önce, hava karardıktan sonra araçları görmenin neden bu kadar zor olduğuna bakalım. Dikkate alman gereken birkaç faktör şunlar:

• Düşük görüş mesafesi: Sınırlı aydınlatma ve yetersiz ışık koşulları, kameraların keskin ve ayrıntılı görüntüler yakalamasını zorlaştırır. Görüntü kalitesi düştüğünde araçlar arka planla bütünleşebilir veya tamamen yanlış tanımlanabilir.

• Hava koşulları: Yağmur, sis, pus ve hatta toz video kalitesini daha da düşürebilir. Bu koşullar, tespit sistemlerinin araçları çevrelerinden ayırt etmesini zorlaştırır.

• Farlar ve arka lambalar: Parlak ışınlar ve yansımalar kameraları aşırı derecede etkileyebilir. Bu durum, ışık noktalarının araç sanıldığı hatalı araç tespitlerine yol açarak tespit algoritmalarını yanıltabilir ve doğruluğu düşürebilir.

• Araçların örtülmesi: Yoğun trafik koşullarında araçlar diğer araçların arkasında kısmen veya tamamen gizlenebilir. Örtülme, özellikle birden fazla yol kullanıcısı tek bir karede üst üste bindiğinde araç takibini, sayımını ve sınıflandırmasını zorlaştırır.

Gece koşulları için kıyaslama veri kümelerine ve metriklere duyulan ihtiyaç#

Bilgisayarlı görü modelleri, veri kümeleri olarak bilinen büyük görüntü koleksiyonları kullanılarak eğitilir. Bu veri kümeleri; otomobiller, kamyonlar, yayalar ve bisikletler gibi içerdikleri nesnelerle dikkatlice etiketlenir ve eğitimin temelini oluşturur. Model, bu etiketli örnekleri inceleyerek örüntüleri öğrenir ve yeni video görüntülerindeki nesneleri tanımlayıp tespit edebilir.

Şekil 2. Trafikte araçları ve yayaları tespit etmek için bilgisayarlı görü kullanımı (Kaynak)

Model, eğitim sırasında verilerden özellikler çıkarır ve tespit doğruluğunu artırmak için bunları kullanır. Bu süreç, model gerçek dünyadaki trafik sahneleriyle karşılaştığında kaçırılan tespitleri ve hatalı alarmları azaltmaya yardımcı olur.

Ancak gece koşulları için veri kümeleri veya veri koleksiyonları oluşturmak çok daha zordur. Düşük video kalitesi etiketlemeyi zaman alıcı ve hataya açık hâle getirir. Ayrıca kazalar veya olağandışı sürüş davranışları gibi nadir ancak önemli olayları gece koşullarında yakalamak zor olabilir. Bunun sonucunda modellerin öğrenebileceği eğitim örneklerinin sayısı sınırlı kalır.

Bu sorunu ele almak için araştırmacılar özel kıyaslama veri kümeleri geliştirmiştir. Bir kıyaslama veri kümesi yalnızca görüntü koleksiyonundan ibaret değildir. Standartlaştırılmış etiketler, değerlendirme protokolleri ve hassasiyet, geri çağırma ve ortalama kesinlik (mAP) gibi performans metrikleri içerir. Bu metrikler, farklı algoritmaları aynı koşullar altında test edip karşılaştırmayı ve adil, tutarlı bir değerlendirme yapılmasını mümkün kılar.

Örneğin ExDark kıyaslama veri kümesi, 12 nesne kategorisine (bisiklet, tekne, şişe, otobüs, otomobil, kedi, sandalye, fincan, köpek, motosiklet, insan, masa) ait 7.363 düşük ışıklı görüntü içerir. Her görüntü sınırlayıcı kutularla etiketlenmiştir ve veri kümesi, yetersiz aydınlatmada nesne tespiti ile sınıflandırmasını değerlendirmek için araştırmalarda yaygın olarak kullanılır.

Şekil 3. ExDark veri kümesine kısa bir bakış (Kaynak)

Benzer şekilde NightOwls kıyaslama veri kümesi, yaklaşık 115.000 gece görüntüsü ve yaklaşık 279.000 yaya etiketlemesi sunar. Yol güvenliğinde ve gelişmiş sürücü destek sistemlerinde (ADAS) hayati rol oynayan yaya tespit sistemlerini değerlendirmek için önemli bir kaynak hâline gelmiştir.

Bilgisayarlı görü gece trafik videosu tespitine nasıl yardımcı olur?#

Artık karşılaşılan zorlukları ve veri kümelerine duyulan ihtiyacı daha iyi anladığımıza göre, görü tabanlı sistemlerin gece trafik videolarını nasıl yorumlayabildiğine daha yakından bakalım.

YOLO11 ve YOLO26 gibi modeller, düşük ışık koşullarında bile trafiği analiz etmeyi mümkün kılan nesne tespiti, takip ve örnek segmentasyonu gibi bilgisayarlı görü görevlerini destekler. Bu modellerin gece trafiğini analiz etmek için desteklediği görü AI görevlerine genel bakış şöyle:

• Nesne tespiti: Bu görev, her karedeki araçları, yayaları, bisikletleri ve diğer yol kullanıcılarını tanımlamak ve konumlandırmak için kullanılabilir; genellikle etraflarına sınırlayıcı kutular çizilir.
• Nesne takibi: Tespit edilen nesnelerin kareler boyunca izlenmesine yardımcı olur. Böylece aynı araç veya yaya zaman içinde tanınabilir, araç hızının tahmin edilmesi ve trafik akışının izlenmesi mümkün olur.
• Örnek segmentasyonu: Nesneler üst üste bindiğinde bile tek tek nesneleri ayırt edebilir ve karmaşık gece koşullarında doğruluğu artıran piksel düzeyinde ayrıntı sunar.
• Görüntü sınıflandırma: Bu görev, tüm bir görüntüyü veya tespit edilen bir nesneyi otomobil, otobüs, kamyon veya motosiklet gibi önceden tanımlanmış bir kategoriye atar.
• Yönlendirilmiş sınırlayıcı kutu (OBB) tespiti: Bir nesnenin kesin açısını ve yönelimini yakalayarak araçların gece trafiğinde çapraz veya alışılmadık konumlarda göründüğü durumlarda doğruluğu artırır.

Gece izleme için Ultralytics YOLO modellerini kullanma#

Model eğitimini, veri kümelerine duyulan ihtiyacı ve YOLO11 ile YOLO26 gibi modellerin desteklediği görevleri ele aldık. Ancak tüm bunları bir araya getirmek için açıklamamız gereken bir kavram daha var: Bu modeller gece izlemede gerçekte nasıl uygulanır?

Ultralytics YOLO modelleri kullanıma hazır olarak önceden eğitilmiş sürümler şeklinde sunulur. Yani birçok günlük nesneyi kapsayan COCO veri kümesi gibi büyük, genel amaçlı veri kümeleri üzerinde zaten eğitilmişlerdir. Bu, modele nesneleri tespit etmek ve sınıflandırmak için güçlü bir temel yetenek kazandırır.

Ancak bu veri kümeleri çok az sayıda düşük ışık veya gece örneği içerdiğinden, önceden eğitilmiş modeller parlamayı, gölgeleri veya düşük kontrastı etkili bir şekilde ele almakta başarılı değildir. Gece trafik videosu tespitinde etkili olabilmeleri için gerçek dünyadaki gece koşullarını yansıtan özel veri kümeleri üzerinde ince ayar yapılması gerekir.

İnce ayar veya özel eğitim, modelin düşük ışık koşullarında yakalanmış ek etiketli görüntülerle eğitilmesini içerir. Bunlar; far parlaması altındaki araçları, yaya geçitlerindeki yayaları veya gece kalabalık kavşakları içerebilir. Böylece model, gece sahnelerinin kendine özgü özelliklerini öğrenir.

Özel olarak eğitildikten sonra model, düşük ışık koşullarında tespit, takip, segmentasyon veya sınıflandırma gibi görevleri çok daha yüksek doğrulukla destekleyebilir. Bu, trafik yetkililerinin bu tür modelleri gece araç sayımı, hız tahmini, uyarlanabilir sinyal kontrolü ve kaza önleme gibi pratik kullanım alanlarında uygulamasını sağlar.

Gece trafik videosu tespitinde görü AI uygulamaları#

Şimdi bilgisayarlı görünün gerçek dünyadaki gece trafik sistemlerinde nasıl kullanılabileceğine bakalım.

Akıllı trafik sinyalleri akıllı şehir planlamasını destekleyebilir#

Kentsel kavşaklar, özellikle görüş mesafesinin düştüğü ve trafik akışının daha öngörülemez hâle geldiği geceleri, yönetilmesi en zor alanlardan bazılarıdır. Geleneksel sinyaller, gerçek zamanlı değişikliklere yanıt veremeyen sabit zamanlayıcılara dayanır. Araştırmalar bunun sürücüler için yalnızca zaman kaybına değil, aynı zamanda gereksiz yakıt tüketimi ve gecikmelere de yol açtığını gösteriyor.

Bilgisayarlı görü sistemleri tam da bu noktada bu zorluğun üstesinden gelmeye yardımcı olabilir. Bu sistemler araç hareketlerini izleyebilir ve araç sayısını gerçek zamanlı olarak tespit edebilir. Veriler daha sonra uyarlanabilir trafik kontrol sistemlerine aktarılır. Bu sayede sinyaller gerçek yol koşullarına hızlıca uyum sağlayabilir. Böylece bir şerit yoğunken diğeri boşsa, darboğazları gidermek için sinyal süreleri anında ayarlanabilir.

Kaza önleme#

Gece araç kullanmak, görüş mesafesinin azalması, düzensiz aydınlatma ve parlamanın sürücülerin mesafeleri değerlendirmesini zorlaştırması nedeniyle gündüze göre daha risklidir. Hatta araştırmalar, geceleri kilometre başına ölümlü kaza oranının gün ışığına kıyasla üç kata kadar daha yüksek olabileceğini gösteriyor.

Sabit gözetim kameraları, yol devriyeleri, araç varlığı sensörleri ve sabit zamanlı sinyal sistemleri gibi geleneksel izleme yöntemleri tepkisel çalışır ve tehlikeli durumları oluşmadan önce önleyecek kadar erken tespit edemeyebilir.

Bilgisayarlı görü çözümleri, canlı video akışlarını analiz ederek ve yolda veya otoyolda olağandışı örüntüleri tespit ederek bu sorunu ele alabilir. Bu sistemler, nesne takibini kullanarak araç davranışlarını gerçek zamanlı izleyebilir ve anormal görünen bir durum olduğunda uyarı verebilir.

Örneğin hareket hâlindeki bir araç şerit değiştiriyorsa, yoğun bir bölgede çok hızlı ilerliyorsa veya aniden yavaşlıyorsa sistem bunu gerçek zamanlı olarak işaretleyebilir. Bu, yetkililerin hızlı müdahale etmesini ve kazaları gerçekleşmeden önce önlemesini sağlar.

Otonom sürüş ve ADAS#

Otonom araçlar ve ADAS için gece sürüşü kendine özgü zorluklar getirir. Düşük görüş mesafesi ve öngörülemeyen trafik örüntüleri, geleneksel sensörlerin güvenilir biçimde çalışmasını zorlaştırır ve bu da güvenlik endişelerini artırır.

Bilgisayarlı görü; nesne tespiti, şerit takibi ve segmentasyon gibi görevleri yerine getirerek bu sistemleri geliştirir ve araçların kötü aydınlatma koşullarında bile yayaları, diğer otomobilleri ve engelleri tanımasını sağlar. Çevrenin 3B haritasını çıkaran radar veya LiDAR (ışık algılama ve mesafe ölçümü) ile birleştirildiğinde, ek görsel katman ADAS'ın erken uyarılar sunmasına ve otonom araçların geceleri daha güvenli yol alabilmeleri için ihtiyaç duydukları farkındalığı kazanmasına yardımcı olur.

Şekil 4. Hem gündüz hem de gece koşullarında çekilmiş araç görüntüleri (Kaynak)

Kolluk kuvvetleri ve ihlal tespiti#

Hız yapma, dünya genelindeki trafik ölümlerinin üçte birinden sorumludur ve risk geceleri daha da artar. Karanlık, trafik polislerinin ihlalleri tespit etmesini zorlaştırır; çünkü gün ışığında net olan ayrıntılar hava karardıktan sonra çoğu zaman belirsizleşir.

Bu nedenle boş yollarda hız yapma, kırmızı ışıkta geçme veya yanlış şeride kayma gibi ihlaller çoğu zaman cezasız kalır. Bilgisayarlı görü, düşük ışık koşullarında bile ihlalleri tespit etmek için kızılötesi kameralar kullanarak bu sorunu ele alır. Bu sistemler olayların kaydedildiği tespit bölgeleri oluşturur, hatalı pozitifleri azaltır ve net, doğrulanabilir kanıtlar sunar. Ulaştırma yetkilileri için bu, daha az kör nokta ve manuel kontrollere daha az bağımlılık anlamına gelir.

Gece trafik videosu tespitinin artıları ve eksileri#

Gece trafik videosu tespitinde görü AI kullanmanın bazı avantajları şunlardır.

• Ölçeklenebilirlik: İnce ayar yapıldıktan sonra modeller birçok kamera veya kavşakta dağıtılabilir ve şehir genelinde izlemeyi destekleyebilir.
• Öngörücü analiz: Geçmiş video verileri, tıkanıklıkları ve kaza riski yüksek bölgeleri tahmin etmek için kullanılabilir ve önleyici tedbirleri destekleyebilir.
• Kaynak optimizasyonu: Yetkililere yol devriyelerini ve acil durum hizmetlerini daha verimli tahsis etmelerine yardımcı olan gerçek zamanlı içgörüler sunar.

Avantajlarına rağmen görü AI kullanılarak gece trafik tespiti yapılmasının bazı sınırlamaları da vardır. Şunları göz önünde bulundurmalısın:

• Veriye bağımlılık: Görü AI sistemlerinin doğruluğu, çok çeşitli gece koşullarını yakalayan büyük ve yüksek kaliteli veri kümelerine erişime büyük ölçüde bağlıdır.

• Çevresel zorluklar: Yağmur, sis veya pus gibi hava koşullarının yanı sıra kirli ya da hizası bozulmuş kamera lensleri gibi pratik sorunlar tespit performansını düşürebilir ve düzenli bakım gerektirebilir.

• Donanım gereksinimleri: Gelişmiş AI modellerini çalıştırmak çoğu zaman yüksek performanslı GPU'lar veya özel uç cihazlar gerektirir; bu da geniş ölçekli dağıtımı maliyetli ve karmaşık hâle getirebilir.

Geceleri akıllı ulaşım sistemlerinin geleceği#

Şehirler büyüyüp yollar yoğunlaştıkça gece trafik tespiti daha akıllı ve duyarlı sistemlere doğru ilerliyor. Örneğin termal kameralar ve kızılötesi sensörler insanlardan ve araçlardan yayılan ısı izlerini tespit ederek tamamen karanlıkta bile görmeyi mümkün kılabilir. Bu, standart kameraların parlama veya düşük ışıkla başa çıkmakta zorlandığı durumlarda oluşan hataları azaltır.

Şekil 5. Gece görüş teknolojisi geceleri yaya tespitini geliştirir (Kaynak)

Giderek yaygınlaşan bir diğer yaklaşım kamera-LiDAR füzyonudur. Kameralar yolun ayrıntılı görüntülerini sunarken LiDAR hassas bir 3B harita oluşturur. Birlikte kullanıldıklarında, özellikle düşük ışıkta veya orta yoğunlukta siste şeritlerin, araçların ve engellerin tespit doğruluğunu artırırlar.

Aynı zamanda düşük ışıklı görüntü iyileştirme, yaya tanıma ve plaka tanıma alanlarındaki gelişmeler bilgisayarlı görünün yeteneklerini genişletiyor. Bu iyileştirmeler sayesinde yetersiz aydınlatılmış yollar ve kavşaklar bile daha yüksek güvenilirlik ve daha az hatayla izlenebilir.

Önemli çıkarımlar#

Geceleri araç tespit etmek trafik izlemede her zaman zorlu olmuştur, ancak bilgisayarlı görü bunu daha yönetilebilir hâle getiriyor. Parlamanın etkisini azaltıp karmaşık trafik sahnelerini işleyerek yolların hava karardıktan sonraki durumuna ilişkin daha doğru bir görünüm sunuyor. Bu sistemler gelişmeye devam ettikçe geceleri daha güvenli, akıllı ve verimli ulaşımın önünü açıyor.

Görü AI'ı projelerine entegre etmeye hazır mısın? Aktif topluluğumuza katıl ve otomotiv sektöründe AI ile robotikte görü AI gibi yenilikleri keşfet. Daha fazla bilgi edinmek için GitHub depomuzu ziyaret et. Bilgisayarlı görüye bugün başlamak için lisanslama seçeneklerimize göz at.