Bilgisayarlı görü projelerinde hız tahmini için Ultralytics YOLOv8

Muhtemelen hepimiz hız sınırı yol işaretlerini görmüşüzdür. Hatta bazılarımız posta veya e-posta yoluyla otomatik hız sınırı ihlali bildirimi almış olabilir. Yapay zekâ (AI) trafik yönetimi sistemleri, bilgisayarlı görü sayesinde hız ihlallerini otomatik olarak tespit edebilir. Sokak lambalarında ve otoyollarda bulunan kameralar tarafından yakalanan gerçek zamanlı görüntüler, hız tahmini ve yol güvenliğini güçlendirmek için kullanılır.

Hız tahmini yalnızca otoyol güvenliğiyle sınırlı değildir. Spor, otonom araçlar ve çeşitli diğer uygulamalarda da kullanılabilir. Bu makalede, bilgisayarlı görü projelerinde hız tahmini için Ultralytics YOLOv8 modelini nasıl kullanabileceğini ele alacağız. Ayrıca, kendin deneyebilmen için bir kodlama örneğini adım adım inceleyeceğiz. Haydi başlayalım!

Hız tahmini trafik yönetimini kolaylaştırır#

Dünya Sağlık Örgütü'ne (WHO) göre her yıl yaklaşık 1,19 milyon kişi, aşırı hız nedeniyle meydana gelen kara yolu trafik kazalarında hayatını kaybediyor. Ayrıca 20 ila 50 milyon kişi daha ölümcül olmayan yaralanmalara maruz kalıyor ve bunların çoğu engellilikle sonuçlanıyor. Hız tahmini kazaları önlemeye, hayat kurtarmaya ve yollarımızı güvenli ve verimli tutmaya yardımcı olduğundan trafik güvenliğinin önemi göz ardı edilemez.

Bilgisayarlı görü kullanarak hız tahmini yapmak, ne kadar hızlı hareket ettiklerini hesaplamak için video karelerindeki nesneleri algılamayı ve izlemeyi içerir. Ultralytics YOLOv8 gibi algoritmalar, araçlar gibi nesneleri art arda gelen karelerde tanımlayıp izleyebilir. Sistem, gerçek dünyadaki mesafeleri ölçmek için kalibre edilmiş kameralar veya referans noktaları kullanarak bu nesnelerin katettiği mesafeyi ölçer. Nesnelerin iki nokta arasında hareket etmesinin ne kadar sürdüğünü zamanlayarak, mesafe-zaman oranını kullanıp hızlarını hesaplar.

Şekil 1. Ultralytics YOLOv8 modeli kullanılarak hız tahmini.

Hız yapanları tespit etmenin yanı sıra yapay zekâ ile entegre hız tahmini sistemleri, trafik hakkında öngörülerde bulunmak için veri toplayabilir. Bu öngörüler, sinyal zamanlamalarını ve kaynak tahsisini optimize etmek gibi trafik yönetimi görevlerini destekleyebilir. Trafik düzenleri ve yoğunluğun nedenleri hakkındaki içgörüler, trafik sıkışıklığını azaltacak yeni yollar planlamak için kullanılabilir.

Diğer sektörlerde hız tahmini uygulamaları#

Hız tahmini uygulamaları yolları izlemekle sınırlı değildir. Sporcuların performansını izlemek, otonom araçların çevrelerindeki nesnelerin hızını anlamasına yardımcı olmak ve şüpheli davranışları tespit etmek gibi amaçlarla da kullanılabilir. Bir nesnenin hızını ölçmek için kameranın kullanılabildiği her yerde bilgisayarlı görü ile hız tahmini kullanılabilir.

Hız tahmininin kullanıldığı bazı alanlara örnekler:

• Tesla'nın otonom otomobilleri, çarpışmaları önlemek için görü tabanlı hız tahmini kullanır.
• Bilgisayarlı görü ve hız tahmini, atletizm etkinliklerinde performans analizini iyileştirmek için 2024 Olimpiyat Oyunları'nda kullanılacak.
• Akıllı şehirler, yürüme hızlarını izlemek ve kentsel hareketliliği ve güvenliği artırmak için yaya yürüyüş analizi üzerinde araştırmalar yapıyor. Bu sistemler sürücüleri yayaların varlığı konusunda uyarabilir ve kazaları önleyebilir.
• Hayvan davranışı izleme sistemleri, hayvanların hareketlerini takip etmek ve sıkıntı veya hastalık belirtilerini tespit etmek için hız tahminini kullanır.

Şekil 2. Hız tahmini, bir kişinin yürüme hızını ölçebilir.

Bilgisayarlı görü kullanarak hız tahmininin faydaları#

Görü tabanlı hız tahmini sistemleri, daha yüksek doğrulukları, uygun maliyetleri ve esneklikleri sayesinde geleneksel sensör tabanlı yöntemlerin yerini alıyor. LiDAR gibi pahalı sensörlere dayanan sistemlerin aksine bilgisayarlı görü, hızı gerçek zamanlı olarak izlemek ve analiz etmek için standart kameralar kullanır. Hız tahmini için bilgisayarlı görü çözümleri, mevcut trafik altyapısına sorunsuz şekilde entegre edilebilir. Ayrıca bu sistemler, genel trafik akışını ve güvenliğini iyileştirmek için araç türü tanımlama ve trafik düzeni analizi gibi çeşitli karmaşık görevleri gerçekleştirecek şekilde oluşturulabilir.

Kendin dene: Ultralytics YOLOv8 kullanarak hız tahmini#

Hız tahminini ve uygulamalarını artık net bir şekilde anladığımıza göre, kod aracılığıyla bilgisayarlı görü projelerine hız tahminini nasıl entegre edebileceğine daha yakından bakalım. Hareket eden araçları algılayıp hızlarını Ultralytics YOLOv8 modelini kullanarak tahmin edeceğiz.

Bu örnekte internetten indirilen, yoldaki otomobillerin bulunduğu bir video kullanılıyor. Aynı videoyu veya konuyla ilgili herhangi bir videoyu kullanabilirsin. Ultralytics YOLOv8 modeli, her aracın merkezini tanımlar ve video karesindeki yatay bir çizgiyi bu merkezin ne kadar hızlı geçtiğine göre aracın hızını hesaplar.

Başlamadan önce, bu durumda mesafe hesaplamasının yaklaşık olduğunu ve Öklid Mesafesine dayandığını belirtmek önemlidir. Kamera kalibrasyonu hesaba katılmadığından hız tahmini tamamen doğru olmayabilir. Ayrıca tahmini hız, GPU'nun hızına bağlı olarak değişebilir.

1. Adım: Ultralytics paketini yükleyerek başlayacağız. Komut istemini veya terminali aç ve aşağıda gösterilen komutu çalıştır.

pip install ultralytics

Yükleme sürecine ilişkin adım adım talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz at. YOLOv8 için gereken paketleri yüklerken herhangi bir sorunla karşılaşırsan Yaygın Sorunlar kılavuzumuzda çözümler ve faydalı ipuçları bulabilirsin.

2. Adım: Sırada gerekli kütüphaneleri içe aktarmak var. OpenCV kütüphanesi video işleme işlemlerini gerçekleştirmemize yardımcı olacak.

import cv2
from ultralytics import YOLO, solutions

3. Adım: Ardından Ultralytics YOLOv8 modelini yükleyebilir ve modelin algılayabileceği sınıfların adlarını alabiliriz.

model = YOLO("yolov8n.pt")
names = model.model.names

Projen için hangi modelin en uygun olduğunu anlamak üzere desteklediğimiz tüm modellere göz at.

4. Adım: Bu adımda OpenCV'nin VideoCapture modülünü kullanarak giriş video dosyasını açacağız. Ayrıca videonun genişliğini, yüksekliğini ve saniyedeki kare sayısını (fps) alacağız.

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

5. Adım: Burada, hız tahminine ilişkin nihai sonuçlarımızı kaydetmek üzere video yazıcıyı başlatacağız. Çıktı video dosyası “speed_estimation.avi” olarak kaydedilecek.

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

6. Adım: Sırada hız tahmini için çizgi noktalarını tanımlamak var. Giriş videomuzda bu çizgi, karenin ortasına yatay olarak yerleştirilecek. Giriş videona bağlı olarak çizgiyi en uygun konuma yerleştirmek için değerlerle oynamaktan çekinme.

line_pts = [(0, 360), (1280, 360)]

7. Adım: Artık tanımlanan çizgi noktalarını ve sınıf adlarını kullanarak hız tahmini nesnesini başlatabiliriz.

speed_obj = solutions.SpeedEstimator(
    reg_pts=line_pts,
    names=names,
    view_img=True,
)

8. Adım: Betiğin temel kısmı videoyu kare kare işler. Her kareyi okur, nesneleri algılar ve izleriz. İzlenen nesnelerin hızı tahmin edilir ve açıklama eklenmiş kare çıktı videosuna yazılır.

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

9. Adım: Son olarak video yakalama ve yazıcı nesnelerini serbest bırakır, açık olan OpenCV pencerelerini kapatırız.

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

10. Adım: Betiğini kaydet. Terminal veya komut istemi üzerinden çalışıyorsan betiği aşağıdaki komutu kullanarak çalıştır:

python your_script_name.py

Görü tabanlı hız tahmininin zorlukları#

Bilgisayarlı görü kullanarak hız tahminini uygulamanın beraberinde getirdiği zorlukları anlamak da önemlidir. Yağmur, sis veya kar gibi olumsuz hava koşulları, yolun görünürlüğünü engelleyebileceğinden sistemde sorunlara neden olabilir. Benzer şekilde diğer araçların veya nesnelerin neden olduğu örtüşmeler, bu sistemlerin hedef aracın hızını doğru şekilde takip edip tahmin etmesini zorlaştırabilir. Gölgelere veya güneş parlamasına yol açan yetersiz aydınlatma koşulları da hız tahmini görevini daha karmaşık hâle getirebilir.

Bir diğer zorluk işlem gücüyle ilgilidir. Gerçek zamanlı hız tahmini yapmak için yüksek kaliteli trafik kameralarından gelen büyük miktarda görsel veriyi işlememiz gerekir. Çözümünün tüm bunları yönetmek ve her şeyin gecikme olmadan hızlı çalışmasını sağlamak için pahalı donanımlara ihtiyacı olabilir.

Ardından gizlilik sorunu gelir. Bu sistemler tarafından toplanan veriler, kişinin rızası olmadan elde edilen marka, model ve plaka bilgileri gibi araç ayrıntılarını içerebilir. Bazı modern HD kameralar, aracın içindeki yolcuların görüntülerini bile yakalayabilir. Bu tür veri toplama, büyük bir özenle ele alınması gereken ciddi etik ve yasal sorunlara yol açabilir.

Geleceğe doğru hızla ilerlemek#

Hız tahmini için Ultralytics YOLOv8 modelini kullanmak, birçok kullanım alanı için esnek ve verimli bir çözüm sunar. Zorlu koşullarda doğruluk ve gizlilik sorunlarını ele alma gibi zorluklar olsa da avantajları oldukça fazladır. Bilgisayarlı görü destekli hız tahmini, eski yöntemlere kıyasla daha uygun maliyetli, uyarlanabilir ve hassastır. Ulaşım, spor, gözetim ve sürücüsüz otomobiller gibi çeşitli sektörlerde faydalıdır. Tüm bu avantajları ve uygulamalarıyla geleceğin akıllı sistemlerinin temel bir parçası olmaya adaydır.

Yapay zekâya ilgi duyuyor musun? Topluluğumuza katıl! Yapay zekâyı sağlık ve tarım gibi çeşitli sektörlerde yenilikçi çözümler oluşturmak için nasıl kullandığımız hakkında daha fazla bilgi edinmek üzere GitHub depomuzu incele. Bizimle iş birliği yap, yenilikler geliştir ve öğren! 🚀