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 kümesi 12 nesne kategorisinde (bisiklet, tekne, şişe, otobüs, araba, kedi, sandalye, bardak, köpek, motosiklet, insanlar, masa) 7.363 düşük ışıklı görüntü içerir. Her görüntü sınırlayıcı kutularla açıklanmıştır ve veri kümesi, zayıf aydınlatmada nesne algılama ve sınıflandırmayı değerlendirmek için araştırmalarda yaygın olarak kullanılmaktadır.
Benzer şekilde, NightOwls kıyaslama veri seti, yaklaşık 279.000 yaya açıklamasıyla 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.
Artık söz konusu zorlukları ve veri kümelerine duyulan ihtiyacı daha iyi anladığımıza göre, görüş tabanlı sistemlerin gece trafik videolarını nasıl yorumlayabileceğine daha yakından bakalım.
YOLO11 ve YOLO26 gibi modeller, düşük ışık koşullarında bile trafiği analiz etmeyi mümkün kılan nesne algılama, izleme ve örnek segmentasyonu gibi bilgisayarla görme görevlerini destekler. İşte bu modellerin gece trafiğini analiz etmek için desteklediği Vision AI görevlerine genel bir bakış:
Model eğitimini, veri setlerine duyulan ihtiyacı ve YOLO11 ve YOLO26 gibi modellerin desteklediği görevleri tartıştık. Ancak hepsini bir araya getirmek için üzerinden geçmemiz gereken bir kavram daha var: bu modellerin gece izlemesine gerçekte nasıl uygulandığı.
Ultralytics YOLO modelleri, önceden eğitilmiş sürümler olarak mevcuttur, 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 parlama, gölgeler veya zayıf kontrastı etkili bir şekilde ele alma konusunda çok iyi değildir. Bu modellerin gece trafik videosu tespitinde etkili olabilmesi için gerçek dünyadaki gece koşullarını yansıtan özel veri kümeleri üzerinde ince ayar yapılması gerekir.
İnce ayar veya özel eğitim, far parlaması altındaki araçlar, yaya geçitlerindeki yayalar veya gece kalabalık kavşaklar gibi düşük ışık koşullarında çekilen ek etiketli görüntüler üzerinde modelin eğitilmesini içerir, böylece gece sahnelerinin benzersiz özelliklerini öğrenir.
Özel olarak eğitildikten sonra model, düşük ışık koşullarında algılama, izleme, segmentasyon veya sınıflandırma gibi görevleri çok daha yüksek doğrulukla destekleyebilir. Bu da trafik yetkililerinin bu tür modelleri araç sayma, hız tahmini, uyarlanabilir sinyal kontrolü ve geceleri kaza önleme gibi pratik kullanım durumları için uygulamasına olanak tanır.
Şimdi de bilgisayarla görmenin gerçek dünyadaki gece trafik sistemlerine nasıl uyarlanabileceğine bakalım.
Şehir içi kavşaklar, özellikle görüş mesafesinin düştüğü ve trafik akışının daha az öngörülebilir hale geldiği geceleri yönetilmesi en zor alanlardan bazılarıdır. Geleneksel sinyaller, gerçek zamanlı değişikliklere yanıt veremeyen sabit zamanlayıcılara dayanır. Araştırmalar bu durumun sadece sürücülere zaman kaybettirmekle kalmayıp aynı zamanda gereksiz yakıt tüketimine ve gecikmelere de yol açtığını göstermektedir.
İşte tam da bu noktada bilgisayarlı görüş sistemleri bu zorluğun üstesinden gelmeye yardımcı olabilir. Bu sistemler araç hareketlerini izleyebilir ve araç sayısını gerçek zamanlı olarak tespit edebilir. Bu veriler daha sonra uyarlanabilir trafik kontrol sistemlerine aktarılır. Bu da sinyallerin gerçek yol koşullarına göre hızla ayarlanmasını sağlar. Böylece, bir şerit kalabalıkken diğeri boşsa, sinyal zamanlaması darboğazları gidermek 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 düşen ölümlü kaza oranının gündüze göre üç kata kadar daha yüksek olabileceğini göstermektedir.
Sabit gözetleme kameraları, yol devriyeleri, araç varlığı sensörleri ve sabit zamanlı sinyal sistemleri gibi geleneksel izleme yöntemleri tepkisel olarak çalışır ve tehlikeli durumları oluşmalarını önleyecek kadar erken tespit edemeyebilir.
Bilgisayarla görme çözümleri, canlı video akışlarını analiz ederek ve yol veya otoyoldaki olağandışı desenleri tespit ederek bu endişenin üstesinden gelebilir. Bu sistemler nesne takibini kullanarak araç davranışını gerçek zamanlı olarak izleyebilir ve anormal bir şey göründüğünde uyarı verebilir.
Örneğin, hareket halindeki bir araç şerit değiştiriyorsa, sıkışık bir alanda çok hızlı hareket ediyorsa veya aniden yavaşlıyorsa, sistem bunu gerçek zamanlı olarak işaretleyebilir. Bu, yetkililerin hızlı bir şekilde yanıt verebileceği ve kazaları gerçekleşmeden önleyebileceği anlamına gelir.
Otonom araçlar ve ADAS için gece sürüşü kendi zorluklarını beraberinde getirir. Düşük görüş mesafesi ve öngörülemeyen trafik düzenleri, geleneksel sensörlerin güvenilir performans göstermesini zorlaştırır ve bu da güvenlik endişelerini artırır.
Bilgisayar görüşü, nesne algılama, şerit izleme ve segmentasyon gibi görevleri yerine getirerek bu sistemleri geliştirir ve araçların zayıf aydınlatma koşullarında bile yayaları, diğer araçları ve engelleri tanımasını sağlar. Çevrenin 3 boyutlu haritasını çıkaran radar veya LiDAR (Light Detection and Ranging) ile birleştirildiğinde, eklenen görsel katman ADAS'ın erken uyarılar sağlamasına yardımcı olur ve otonom araçlara geceleri daha güvenli bir şekilde seyretmeleri için ihtiyaç duydukları farkındalığı verir.
Aşırı hız, dünya genelinde her üç trafik ölümünden birinden sorumludur ve bu risk sadece geceleri daha da artmaktadır. Karanlık, trafik polisinin ihlalleri yakalamasını zorlaştırır, çünkü gün ışığında net olan ayrıntılar hava karardıktan sonra genellikle bulanıklaşır.
Bu nedenle boş yollarda hız yapmak, kırmızı ışıkta geçmek veya yanlış şeride girmek gibi suçlar genellikle cezasız kalır. Bilgisayar görüşü, düşük ışık koşullarında bile ihlalleri tespit etmek için kızılötesi kameralar kullanarak bu sorunun üstesinden gelir. Bu sistemler olayların kaydedildiği algılama bölgeleri oluşturarak yanlış pozitifleri azaltır ve net, doğrulanabilir kanıtlar sağlar. Ulaşım yetkilileri için bu, daha az kör nokta ve manuel kontrollere daha az bağımlılık anlamına geliyor.
Gece trafiği video tespiti için Vision AI kullanmanın bazı avantajları şunlardır.
Avantajlarına rağmen, Vision AI kullanarak gece trafik tespiti de belirli sınırlamalarla birlikte gelir. İşte akılda tutulması gereken bazı faktörler:
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 ederek tamamen karanlıkta bile görmeyi mümkün kılıyor. Bu, standart kameralar parlama veya düşük ışıkla mücadele ettiğinde ortaya çıkan hataları azaltır.
Büyüyen bir diğer yaklaşım ise kamera-LiDAR füzyonudur. Kameralar yolun ayrıntılı görüntülerini sağlarken LiDAR hassas bir 3D harita oluşturur. Birlikte kullanıldıklarında, özellikle düşük ışıkta veya orta dereceli siste şeritleri, araçları ve engelleri tespit etme doğruluğunu artırırlar.
Aynı zamanda, düşük ışıkta görüntü iyileştirme, yaya tanıma ve plaka tanımlama alanlarındaki gelişmeler bilgisayarla görmenin yeteneklerini artırmaktadır. Bu gelişmeler sayesinde, yetersiz aydınlatılmış yollar ve kavşaklar bile daha fazla güvenilirlik ve daha az hata ile izlenebilir.
Geceleri araçları tespit etmek trafik izleme için her zaman bir zorluk olmuştur, ancak bilgisayarla görme bunu daha yönetilebilir hale getirmektedir. Parlamanın etkisini azaltarak ve karmaşık trafik sahnelerini ele alarak, karanlıktan sonra yolların nasıl davrandığına dair daha doğru bir resim sağlar. Bu sistemler gelişmeye devam ettikçe, geceleri daha güvenli, daha akıllı ve daha verimli ulaşımın önünü açıyor.
Vision AI'yı projelerinize entegre etmeye hazır mısınız? Aktif topluluğumuza katılın ve otomotiv endüstrisinde yapay zeka ve robotikte Vision AI gibi yenilikleri keşfedin. Daha fazlasını keşfetmek için GitHub depomuzu ziyaret edin. Bilgisayarla görmeye bugün başlamak için lisanslama seçeneklerimize göz atın.
.webp)