Daha akıllı otopark yönetim sistemleri için Ultralytics YOLOv8

Özellikle geç kalıyorsan park yeri aramak için etrafta daireler çizerek dolaşmak stresli olabilir. Geleneksel park yeri arama yöntemi zahmetli ve zaman alıcıdır. Ancak yapay zekâ (AI) ve bilgisayarlı görüyle desteklenen bir otopark yönetim sistemi işleri kolaylaştırabilir. Park yeri bulunabilirliğini daha öngörülebilir hâle getirip trafik sıkışıklığını azaltabilir.

Bu makalede, yapay zekâ ve bilgisayarlı görüyle otopark yönetim sistemlerini nasıl geliştirebileceğini öğreneceğiz. Ayrıca bilgisayarlı görü destekli bir otopark yönetim sistemi oluşturmak için Ultralytics YOLOv8 modelini nasıl kullanabileceğini gösteren adım adım bir kod örneğini inceleyeceğiz.

Geleneksel otopark yönetiminin sorunları#

Yapay zekâyla geliştirilmiş akıllı otopark yönetim sistemlerini ele almadan önce, geleneksel otopark yönetim sistemlerinin sorunlarına bakalım.

Geleneksel sistemlerin başlıca sorunlarından biri otoparkların aşırı kalabalık olmasıdır; otoparklardaki araç sayısı mevcut park yeri sayısından fazladır. Aşırı kalabalık, park yeri ararken zaman kaybettirmenin yanı sıra yakıt tüketimini ve hava kirliliğini artırır. Bir diğer sorun da sürücü stresidir. Bir ankete göre insanların yaklaşık %27'si park yeri aramak için en az 30 dakika harcıyor. Ayrıca insanların %43'ü park yerleri yüzünden yabancılarla sözlü tartışmaya girdiklerini kabul etti.

Şekil 1. Stresli bir sürücü. Görsel kaynağı: Envato Elements.

Yapay zekâ otopark yönetimini kolaylaştırıyor#

Yapay zekâyla entegre otoparklar, geleneksel otopark yönetim sistemlerinin karşılaştığı sorunları çözmeyi amaçlar. Ultralytics YOLOv8 gibi bilgisayarlı görü modelleri ve yüksek çözünürlüklü kameralar otoparkları izleyerek boş ve dolu park yerleri hakkında gerçek zamanlı güncellemeler sağlayabilir.

Bu nasıl çalışır? Bilgisayarlı görü modeli, yüksek çözünürlüklü kameralardan gelen görüntüleri analiz ederek araçları algılayabilir, hareketlerini izleyebilir ve boş park yerlerini belirleyebilir. Ultralytics YOLOv8 modeli nesne algılama ve nesne izleme gibi bilgisayarlı görü görevlerini destekler ve video akışındaki araçları doğru şekilde belirleyip sınıflandırabilir. Sistem, algılanan araç konumlarını önceden tanımlanmış park yerleriyle karşılaştırarak bir park yerinin dolu olup olmadığını belirleyebilir.

Şekil 2. YOLOv8 park yerlerini algılıyor.

Görüntü tabanlı sistemin sağladığı park yeri durumu bilgileri farklı uygulamalara entegre edilip bu uygulamalara aktarılabilir:

• Mobil uygulamalar: Mobil uygulamalar, otoparklardaki yer durumunu gerçek zamanlı gösterebilir ve sürücülerin boş yerleri hızlı ve kolay bir şekilde bulmasına yardımcı olabilir.
• Dijital tabelalar: Otopark girişlerindeki dijital tabelalar, boş yer sayısını gösterebilir ve sürücüleri en yakın boş yere yönlendirebilir.
• Otomatik otopark sistemleri: Veriler, otomatik bariyerleri ve kapıları kontrol etmek için kullanılabilir; böylece yalnızca boş yer olduğunda girişe izin verilir ve sürücüler en yakın boş yere yönlendirilir.

Otopark yönetim sisteminin avantajları#

Park yeri durumu hakkında bilgi sahibi olmak birçok avantaj sağlayabilir. Gerçek zamanlı güncellemeler sürücülerin doğrudan boş yerlere yönelmesine yardımcı olur; böylece trafik akışı iyileşir ve park yeri bulma stresi azalır. İşletmeciler, park yerlerinin nasıl kullanıldığını anlayarak otoparkı daha iyi yönetebilir, gerçek zamanlı izlemeyle güvenliği artırabilir ve olaylara hızla müdahale edebilir.

Otopark işlevlerinin otomatikleştirilmesi, el iş gücü ihtiyacını azaltarak maliyetleri düşürür. Yapay zekâ sistemleri, mobil veya web uygulamaları üzerinden park yeri ayırtmayı kolaylaştırır; sürücüler kullanılabilirlik bildirimleri alabilir, böylece zamandan ve paradan tasarruf eder. Şehir plancıları bu verileri daha iyi yol düzenleri tasarlamak, etkili park düzenlemelerini uygulamak ve şehirleri daha verimli, ulaşımı daha kolay hâle getirecek yeni otoparklar geliştirmek için kullanabilir.

Şekil 3. Mobil uygulamayla park yeri ayırtma.

Kendin dene: YOLOv8 ile otopark yönetimi#

Otopark yönetimini ve avantajlarını net bir şekilde anladığımıza göre, görüntü tabanlı bir otopark yönetim sistemi oluşturmayı inceleyelim. Araçları algılamak, park yerlerini izlemek ve doluluk durumlarını belirlemek için YOLOv8 modelini kullanacağız.

Bu örnekte, bir otoparkın videosunu veya kamera akışını kullanabilirsin. Başlamadan önce, bu sistemin doğru araç algılamasına ve önceden belirlenmiş park yeri koordinatlarına bağlı olduğunu unutma.

Kamera kalibrasyonu ve çevresel etkenler, park yeri algılama ve doluluk durumu doğruluğunu etkileyebilir. İşlem hızı ve doğruluk, GPU performansına göre de değişebilir.

Adım 1: Ultralytics paketini yükleyerek başlayalım. Komut istemini veya terminali aç ve aşağıdaki komutu çalıştır.

pip install ultralytics

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza başvur. YOLOv8 için gerekli paketleri yüklerken sorun yaşarsan yaygın sorunlar kılavuzumuz çözümler ve faydalı ipuçları sunuyor.

Adım 2: Görüntülerindeki ilgi alanlarını işaretleyebilmek için park yerlerini önceden seçmemiz gerekiyor. Park yerlerini önceden seçmek üzere kullanıcı arayüzünü açmak için bu kodu çalıştır.

from ultralytics import solutions

solutions.ParkingPtsSelection()

Aşağıda gösterildiği gibi, bu kodu çalıştırdığında bir kullanıcı arayüzü açılacak. Otopark giriş videondan bir kare veya ekran görüntüsü alıp yükle. Park yerlerinin çevresine sınırlayıcı kutular çizdikten sonra kaydet seçeneğine tıkla. Seçtiğin park yerlerine ait bilgiler ‘bounding_boxes.json.’ adlı bir JSON dosyasına kaydedilecek.

Şekil 4. Görüntülerindeki park yerlerini seçme.

Adım 3: Şimdi otopark yönetimi için ana koda geçebiliriz. Gerekli kütüphaneleri içe aktararak ve 2. adımda oluşturduğumuz JSON dosyasının yolunu tanımlayarak başla.

import cv2
from ultralytics import solutions

polygon_json_path = "bounding_boxes.json"

Adım 4: Girdi video dosyasını okumak için bir VideoCapture nesnesi oluştur ve video dosyasının başarıyla açıldığından emin ol.

cap = cv2.VideoCapture("Path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"

Adım 5: Genişlik, yükseklik ve saniyedeki kare sayısı gibi gerekli tüm video özelliklerini başlat.

w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

Adım 6: Ardından, işlenmiş son video dosyasını kaydetmek için bir VideoWriter nesnesi oluşturabiliriz.

video_writer = cv2.VideoWriter("parking management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

Adım 7: Burada otopark yönetim sistemini Ultralytics YOLOv8 modeli ve JSON dosyasına kaydedilmiş park bölgeleriyle başlatıyoruz.

management = solutions.ParkingManagement(model="yolov8n.pt", json_file=polygon_json_path)

Adım 8: Şimdi, işlemek için video dosyasını kare kare tarıyoruz. Hiç kare okunamazsa döngü sonlanır.

while cap.isOpened():
    ret, im0 = cap.read()
    if not ret:
        break

Adım 9: Döngünün içinde her kareyi otopark yönetimi nesnesine göndeririz. Nesne, YOLOv8 modelini kullanarak karedeki araçları izler ve önceden seçilen her park bölgesinin dolu olup olmadığını kontrol eder.

    results = management(im0)

Adım 10: Döndürülen sonuçlar, dolu ve boş park yeri sayısını içerir; bu sayıları yazdırabilir veya başka uygulamalara aktarabilirsin.

    print(f"Occupied: {results.filled_slots}, Available: {results.available_slots}")

Adım 11: Döngünün son kısmı, açıklama eklenmiş kareyi “parking management.avi” çıkış video dosyasına yazar.

    video_writer.write(results.plot_im)

Adım 12: Son olarak VideoCapture ve VideoWriter nesnelerini serbest bırakabilir ve tüm pencereleri kapatabiliriz.

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Adım 13: Betiğini kaydet. Terminal veya komut istemi kullanıyorsan betiği aşağıdaki komutla çalıştır:

python your_script_name.py

Kod hakkında daha fazla bilgi edinmek istersen Ultralytics'ın resmî belgelerine göz atabilirsin.

Otomatik otopark yönetim sistemlerinin zorlukları#

Akıllı park sistemleri hem sürücülere hem de işletmelere birçok avantaj sunar. Ancak bu tür çözümleri uygulamaya koymadan önce dikkate alınması gereken bazı zorluklar da vardır. Bunlardan bazılarına göz atalım.

• Gizlilik endişeleri: Bu sistemler kişinin aracının markası ve modeli, plaka numarası, giriş ve çıkış saati gibi bilgileri toplar.
• Yüksek kurulum maliyeti: Sensörlerin, kameraların, otomatik bilet makinelerinin ve yapay zekâ yazılımlarının kurulumu pahalı olabilir.
• Bakım gereksinimleri: Bakım sıklığı yapay zekâ sistemine bağlıdır, ancak sistemlerin çoğu aylık bakım gerektirir.

Akıllı park sistemlerinin geleceği#

Geleceğin yenilikçi otopark yönetimi, genel park deneyimini iyileştirmek ve sürdürülebilirliği desteklemek için yapay zekâ, sürücüsüz araçlar ve sanal gerçeklik gibi son teknoloji çözümlerden yararlanacak. Bu sistemlerle entegre edildiğinde sürücüsüz araçlar, insan müdahalesi olmadan otopark konumlarına gidip park edebilecek. Bu sistemler ayrıca işletmelerin daha fazla park yerini doldurmasına ve hizmetlerinin reklamını çeşitli uygulama ve web sitelerinde yapmasına yardımcı olur. Sürücülerin park yeri ararken etrafta dolaşmasından kaynaklanan karbon salımını da azaltır.

Park etme derdine son#

Ultralytics YOLOv8 gibi yapay zekâ modelleri ve bilgisayarlı görü otoparkını dönüştürebilir. Park yeri aramak için etrafta dolaşmayı azaltarak sana zaman kazandırır ve emisyonları düşürür. Bu akıllı otopark yönetim sistemleri, trafik sıkışıklığı, yasa dışı park ve sürücülerin yaşadığı hayal kırıklığı gibi yaygın sorunları çözer. Başlangıç yatırımı gerektirse de uzun vadeli faydaları önemlidir. Akıllı otoparklara yatırım yapmak, sürdürülebilir şehirler ve herkes için daha kolay bir park deneyimi oluşturmanın anahtarıdır.

Yapay zekâ hakkında daha fazla bilgi edinmek ister misin? Topluluğumuzla bağlantı kur! GitHub depomuzu inceleyerek, yapay zekâyı sağlık hizmetleri ve tarım gibi çeşitli sektörlerde yenilikçi çözümler geliştirmek için nasıl kullandığımız hakkında daha fazla bilgi edin. Bizimle iş birliği yap, yenilik yap ve öğren!