3 Ekim 2025
Zayıf görüş alanından parlamaya kadar, gece trafik videosu algılama doğruluğunu neyin zorlaştırdığını ve bilgisayarla görmenin güvenliği ve akışı nasıl iyileştirdiğini öğrenin.
Yollar karanlıkta sadece sürücüler için değil, aynı zamanda onları güvende tutmaktan sorumlu sistemler için de farklı görünür. Kötü görüş, far parlaması ve hızlı hareket eden yansımalar gece araç tespitini daha zor hale getirebilir.
Manuel gözlem veya hareket tabanlı kameralar gibi geleneksel yöntemler temel olarak insan yargısına ve basit hareket ipuçlarına dayanır. Bu, düşük ışıklı veya karmaşık trafik koşullarında güvenilmez olabilir. Bu yöntemler araçları veya yayaları yanlış tanımlayabilir, yanlış tespitlere veya gözden kaçan gözlemlere yol açabilir.
Yapay zeka (AI), derin öğrenme ve bilgisayar görüşü, araç algılama ve tanımayı otomatikleştirerek bu boşluğu doldurabilir. Özellikle bilgisayar görüşü, makinelerin görsel verileri görmesini ve yorumlamasını sağlayan bir yapay zeka dalıdır. Gece trafik videosu algılama söz konusu olduğunda, Vision AI modelleri parlaklık veya hareketin ötesine geçerek doğruluğu artıran karmaşık desenleri tanımayı öğrenebilir.
Örneğin, Ultralytics YOLO26 ve Ultralytics YOLO11 gibi bilgisayarla görme modelleri hızları ve hassasiyetleriyle bilinir. Video ve görüntü verilerini gerçek zamanlı olarak işleyebilir, bir kare içindeki birden fazla nesneyi algılayıp sınıflandırabilir ve bunları diziler boyunca izleyebilirler.
Bu yetenekler, farlar, gölgeler veya üst üste binen araçlar algılamayı zorlaştırsa bile, nesne algılama ve örnek segmentasyonu gibi çeşitli görüş görevleri ile mümkün olmaktadır. Modelin nesneleri tanımlamasını, sınıflandırmasını ve ayırt etmesini sağlarlar.
Bu makalede, gece trafik izlemenin zorluklarını keşfedecek, bilgisayarla görmenin bunları nasıl ele aldığını ve Vision AI'nın gerçek dünyadaki trafik izleme sistemlerinde nerede uygulandığını göreceğiz. Hadi başlayalım!
Bilgisayarla görmenin gece trafik tespitinin zorluklarını nasıl çözdüğünü keşfetmeden önce, hava karardıktan sonra araçları tespit etmenin neden bu kadar zor olduğuna bakalım. İşte dikkate alınması gereken birkaç faktör:
Bilgisayarla görme modelleri, veri kümeleri olarak bilinen büyük görüntü koleksiyonları kullanılarak eğitilir. Bu veri kümeleri, içerdikleri arabalar, kamyonlar, yayalar ve bisikletler gibi nesnelerle dikkatlice etiketlenir ve eğitim için temel oluşturur. Model, bu etiketli örnekleri inceleyerek kalıpları tanımayı öğrenir ve yeni video görüntülerindeki nesneleri tanımlamasını ve tespit etmesini sağlar.
Eğitim sırasında model verilerden özellikler çıkarır ve bunları algılama doğruluğunu artırmak için kullanır. Bu süreç, model gerçek dünyadaki trafik sahnelerine maruz kaldığında kaçırılan tespitleri ve yanlış 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 hale getirir. Ayrıca, kazalar veya olağandışı sürüş davranışları gibi nadir ancak önemli olayların gece ortamlarında yakalanması zor olabilir. Bu da modellerin öğrenebileceği sınırlı sayıda eğitim örneği ile sonuçlanır.
Bu sorunu ele almak için araştırmacılar özel kıyaslama veri kümeleri geliştirmiştir. Kıyaslama veri kümesi sadece bir görüntü koleksiyonundan daha fazlasıdır. Standartlaştırılmış etiketler, değerlendirme protokolleri ve kesinlik, geri çağırma ve ortalama ortalama kesinlik (mAP) gibi performans ölçütleri içerir. Bu metrikler, farklı algoritmaların aynı koşullar altında test edilmesini ve karşılaştırılmasını mümkün kılarak adil ve tutarlı bir değerlendirme yapılmasını sağlar.
Örneğin, ExDark kıyaslama veri seti, 12 nesne kategorisinde (bisiklet, tekne, şişe, otobüs, araba, kedi, sandalye, bardak, köpek, motosiklet, insan, masa) 7.363 adet düşük ışıklı görüntü içerir. Her görüntü sınırlayıcı kutularla etiketlenmiştir ve veri seti, yetersiz aydınlatmada nesne tespiti ve sınıflandırmasını değerlendirmek için araştırmalarda yaygın olarak kullanılmaktadır.
Benzer şekilde, NightOwls kıyaslama veri seti, yaklaşık 279.000 yaya etiketiyle birlikte yaklaşık 115.000 gece görüntüsü sağlar. Yol güvenliği ve gelişmiş sürücü destek sistemlerinde (ADAS) hayati bir rol oynayan yaya algılama sistemlerini değerlendirmek için önemli bir kaynak haline gelmiştir.
İlgili zorluklar ve veri setlerine duyulan ihtiyaç hakkında daha iyi bir anlayışa sahip olduğumuza göre, görüş tabanlı sistemlerin gece trafiği videolarını nasıl yorumlayabileceğine daha yakından bakalım.
YOLO11 ve YOLO26 gibi modeller, düşük ışık koşullarında bile trafiği analiz etmeyi mümkün kılan nesne tespiti, izleme ve örnek segmentasyonu gibi bilgisayar görüşü görevlerini destekler. İşte bu modellerin gece trafiğini analiz etmek için desteklediği Vizyon Yapay Zeka görevlerine genel bir bakış:
Model eğitimini, veri kümelerine duyulan ihtiyacı ve YOLO11 ve YOLO26 gibi modellerin desteklediği görevleri tartıştık. Ancak hepsini bir araya getirmek için üzerinden geçilmesi gereken bir kavram daha var: bu modellerin gece izlemesine nasıl uygulandığı.
Ultralytics YOLO modelleri, kullanıma hazır olarak önceden eğitilmiş sürümler olarak mevcuttur, yani birçok günlük nesneyi kapsayan COCO veri seti gibi büyük, genel amaçlı veri kümeleri üzerinde zaten eğitilmişlerdir. Bu, modele nesneleri tespit etme ve sınıflandırma konusunda güçlü bir temel yetenek kazandırır.
Ancak, bu veri kümeleri çok az düşük ışıklı veya gece örneği içerdiğinden, önceden eğitilmiş modeller parlama, gölgeler veya zayıf kontrastı etkili bir şekilde işlemekte pek iyi değildir. Gece trafiği video tespiti için etkili hale getirmek için, gerçek dünya gece koşullarını yansıtan özel veri kümeleri üzerinde ince ayar yapılması gerekir.
İnce ayar veya özel eğitim, modelin düşük ışık koşullarında yakalanan ek etiketli görüntüler üzerinde eğitilmesini içerir; örneğin, far parlaması altındaki araçlar, yaya geçitlerindeki yayalar veya geceleri kalabalık kavşaklar, böylece gece sahnelerinin benzersiz özelliklerini öğrenir.
Özel olarak eğitildikten sonra, model düşük ışık koşullarında çok daha yüksek doğrulukla algılama, izleme, segmentasyon veya sınıflandırma gibi görevleri destekleyebilir. Bu, trafik yetkililerinin bu tür modelleri araç sayımı, hız tahmini, uyarlanabilir sinyal kontrolü ve geceleyin kaza önleme gibi pratik kullanım durumları için uygulamasına olanak tanır.
Şimdi de bilgisayar görüşünün gerçek dünya gece trafiği sistemlerinde nasıl benimsenebileceğine bakalım.
Kentsel kavşaklar, özellikle görüşün düştüğü ve trafik akışının daha az tahmin edilebilir hale geldiği geceleri yönetilmesi en zor alanlardan bazılarıdır. Geleneksel sinyaller, gerçek zamanlı değişikliklere yanıt veremeyen sabit zamanlayıcılara güvenir. Araştırmalar, bunun yalnızca sürücüler için zaman kaybına neden olmakla kalmayıp aynı zamanda gereksiz yakıt tüketimine ve gecikmelere yol açtığını gösteriyor.
Bilgisayar görüşü sistemlerinin bu zorluğun üstesinden gelmeye yardımcı olabileceği yer tam olarak burasıdır. Bu sistemler, araç hareketlerini izleyebilir ve araç sayısını gerçek zamanlı olarak algılayabilir. Veriler daha sonra uyarlanabilir trafik kontrol sistemlerine aktarılır. Bu, sinyallerin gerçek yol koşullarına yanıt olarak hızla ayarlanmasını sağlar. Bu nedenle, bir şerit kalabalıkken diğeri boşsa, sinyal zamanlaması darboğazları temizlemek için anında ayarlanabilir.
Gece araç kullanmak gündüze göre daha risklidir çünkü görüş mesafesinin azalması, düzensiz aydınlatma ve parlama sürücülerin mesafeleri değerlendirmesini zorlaştırır. Aslında araştırmalar, gece kilometre başına ölümcül kaza oranının gün ışığına göre üç kata kadar daha yüksek olabileceğini göstermektedir.
Sabit gözetleme kameraları, yol devriyeleri, araç varlık sensörleri ve sabit zamanlı sinyal sistemleri gibi geleneksel izleme yöntemleri, reaktif olarak çalışır ve tehlikeli durumları meydana gelmelerini önleyecek kadar erken tespit edemez.
Bilgisayarlı görü çözümleri, canlı video akışlarını analiz ederek ve yolda veya otoyolda olağandışı durumları tespit ederek bu sorunu çözebilir. Nesne takibi kullanarak, bu sistemler araç davranışlarını gerçek zamanlı olarak izleyebilir ve bir anormallik tespit ettiğinde uyarı verebilir.
Örneğin, hareket halindeki bir araç şerit değiştiriyorsa, yoğun bir alanda çok hızlı hareket ediyorsa veya aniden yavaşlıyorsa, sistem bunu gerçek zamanlı olarak işaretleyebilir. Bu, yetkililerin hızla müdahale edebileceği ve kazaları olmadan önleyebileceği anlamına gelir.
Otonom araçlar ve ADAS için gece sürüşü kendine özgü zorluklar getirir. Düşük görüş mesafesi ve öngörülemeyen trafik düzenleri, geleneksel sensörlerin güvenilir bir şekilde 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 yayaları, diğer araçları ve engelleri düşük ışık koşullarında bile tanımasını sağlar. Çevreyi 3D olarak haritalayan radar veya LiDAR (Işık Algılama ve Mesafe Ölçme) ile birlikte kullanıldığında, eklenen görsel katman ADAS'ın erken uyarılar vermesine yardımcı olur ve otonom araçlara gece daha güvenli bir şekilde gezinmeleri için gereken farkındalığı sağlar.
Hız ihlali, dünya çapında her üç trafik ölümünden birinden sorumludur ve bu risk gece daha da kötüleşir. Karanlık, trafik polisinin ihlalleri yakalamasını zorlaştırır, çünkü gün ışığında net olan ayrıntılar genellikle karanlıkta bulanıklaşır.
Bu nedenle, boş yollarda hız yapmak, kırmızı ışıkta geçmek veya yanlış şeride geçmek gibi ihlaller genellikle cezasız kalır. Bilgisayarlı görü, kızılötesi kameralar kullanarak düşük ışık koşullarında bile ihlalleri tespit ederek bu sorunu çözer. Bu sistemler, olayların kaydedildiği tespit bölgeleri oluşturur, yanlış pozitifleri azaltır ve açık, doğrulanabilir kanıtlar sağlar. Ulaşım yetkilileri için bu, daha az kör nokta ve manuel kontrollere daha az bağımlılık anlamına gelir.
Gece trafik videosu tespiti için Görüntü İşleme Yapay Zeka'sını kullanmanın bazı avantajları şunlardır.
Faydalarına rağmen, Görüntü İşleme Yapay Zeka'sı kullanılarak yapılan gece trafik tespiti de bazı sınırlamalarla birlikte gelir. Akılda tutulması gereken bazı faktörler şunlardır:
Şehirler büyüdükçe ve yollar daha yoğun hale geldikçe, gece trafik tespiti daha akıllı ve duyarlı sistemlere doğru ilerliyor. Örneğin, termal kameralar ve kızılötesi sensörler, insanlardan ve araçlardan gelen ısı izlerini tespit edebilir ve bu da tamamen karanlıkta bile görmeyi mümkün kılar. Bu, standart kameraların parlama veya düşük ışıkla mücadele ettiğinde meydana gelen hataları azaltır.
Büyüyen bir diğer yaklaşım da kamera-LiDAR füzyonudur. Kameralar yolun ayrıntılı görüntülerini sağlarken, LiDAR hassas bir 3D harita oluşturur. Birlikte kullanıldığında, özellikle düşük ışık veya orta derecede sis koşullarında şeritleri, araçları ve engelleri tespit etme doğruluğunu artırırlar.
Aynı zamanda, düşük ışıkta görüntü iyileştirme, yaya tanıma ve plaka tanıma alanındaki gelişmeler, bilgisayarlı görünün yeteneklerini genişletiyor. Bu iyileştirmelerle, kötü aydınlatılmış yollar ve kavşaklar bile daha güvenilir ve daha az hatayla izlenebilir.
Geceleri araçları tespit etmek, trafik izleme için her zaman bir zorluk olmuştur, ancak bilgisayarlı görü bunu daha yönetilebilir hale getiriyor. Parlamanın etkisini azaltarak ve karmaşık trafik sahnelerini işleyerek, yolların karanlıkta nasıl davrandığına dair daha doğru bir resim sunar. Bu sistemler gelişmeye devam ettikçe, geceleri daha güvenli, daha akıllı ve daha verimli ulaşımın önünü açıyorlar.
Görüntü İşleme Yapay Zeka'sını projelerinize entegre etmeye hazır mısınız? Aktif topluluğumuza katılın ve otomotiv endüstrisindeki yapay zeka ve robotikte Görüntü İşleme Yapay Zeka'sı gibi yenilikleri keşfedin. Daha fazlasını keşfetmek için GitHub depomuzu ziyaret edin. Bilgisayarlı görüye bugün başlamak için lisanslama seçeneklerimize göz atın.
