Object Re-identification (Re-ID)

Nesne Yeniden Tanımlama (Re-ID), bir nesneyi veya bireyi farklı, birbiriyle örtüşmeyen kamera açılarında veya uzun zaman dilimleri boyunca eşleştirmek için tasarlanmış bilgisayarlı görü (CV) alanında uzmanlaşmış bir görevdir. Standart nesne algılama bir varlığın sınıfını tanımaya odaklanırken (bir görselin "kişi" veya "araba" içerdiğini tanımlamak gibi), Re-ID bir adım daha ileri giderek, görsel görünüme dayalı olarak bunun hangi özel kişi veya araba olduğunu belirler. Bu yetenek, tek bir kameranın tüm alanı kapsayamadığı geniş ölçekli ortamlarda hareketin tutarlı bir anlatısını oluşturmak ve birbirinden kopuk görsel gözlemler arasında bağlantı kurmak için gereklidir.

Link to this sectionYeniden Tanımlama Nasıl Çalışır#

Re-ID'nin temel zorluğu; ışıklandırma, kamera açıları, duruş ve arka plan karmaşasındaki değişikliklere rağmen kimlik tutarlılığını korumaktır. Bunu başarmak için sistem genellikle derin sinir ağlarını içeren çok adımlı bir süreç kullanır.

• Özellik Çıkarımı: Bir nesne algılandığında, bir evrişimli sinir ağı (CNN), gömme (embedding) olarak bilinen bir özellik vektörü oluşturmak için görüntüyü analiz eder. Bu vektör; kıyafet dokusu veya araç rengi gibi nesnenin benzersiz görsel özelliklerinin yoğun bir sayısal temsilidir.
• Metrik Öğrenme: Temel modeller metrik öğrenme teknikleri kullanılarak eğitilir. Buradaki amaç, aynı nesneye ait gömmelerin vektör uzayında matematiksel olarak birbirine yakın olmasını, farklı nesnelere ait gömmelerin ise birbirinden uzaklaşmasını sağlamaktır. Bu ilişkileri öğrenmek için sıklıkla Siyam sinir ağları gibi özelleşmiş mimariler kullanılır.
• Benzerlik Eşleştirme: Dağıtım sırasında sistem, sorgu nesnesinin gömme verisini kayıtlı kimliklerden oluşan bir galeriyle karşılaştırır. Bu karşılaştırma genellikle kosinüs benzerliği veya Öklid mesafesi hesaplamasını içerir. Benzerlik puanı önceden tanımlanmış bir eşiği geçerse, sistem bir eşleşmeyi doğrular.

Link to this sectionRe-ID ve Nesne Takibi#

Re-ID ile nesne takibi arasında ayrım yapmak önemlidir, çünkü bunlar bir görü hattında tamamlayıcı ancak farklı roller üstlenirler.

• Nesne Takibi: Bu süreç zamansal sürekliliğe dayanır. Kalman Filtresi gibi algoritmalar, mevcut hız ve yörüngeye dayanarak bir nesnenin bir sonraki karedeki gelecekteki konumunu tahmin eder. Genellikle bitişik karelerdeki algılamaları ilişkilendirmek için Kesişim Üzerinden Birleşim (IoU) kullanılır.
• Yeniden Tanımlama: Re-ID, zamansal süreklilik kesintiye uğradığında çok kritiktir. Bu durum tıkanma (occlusion) sırasında—bir nesne engelin arkasında gizlendiğinde—veya bir nesne bir kameranın görüş alanından çıkıp diğerine girdiğinde gerçekleşir. Re-ID, konum geçmişinden ziyade görünüme dayalı olarak kimliği yeniden tesis ederek sağlam bir çoklu nesne takibi (MOT) sağlar.

Link to this sectionGerçek Dünya Uygulamaları#

Birbirinden kopuk görüş açıları arasında kimliği koruma yeteneği, çeşitli endüstrilerde gelişmiş analitik imkanı sunar.

• Akıllı Şehir Trafik Yönetimi: Akıllı şehirlerde yapay zeka bağlamında Re-ID, belediye sistemlerinin bir aracı şehir çapındaki kavşak ağında hareket ederken izlemesine olanak tanır. Bu, sadece plaka tanıma yöntemine güvenmeden ortalama seyahat sürelerini hesaplamaya ve trafik ışığı zamanlamasını optimize etmeye yardımcı olur.
• Perakende Müşteri Analitiği: Perakendeciler, alışveriş yapanların davranışlarını anlamak için Re-ID'den yararlanır. Bir müşterinin farklı reyonlardaki görüntülerini eşleştirerek, mağazalar popüler yolların ısı haritalarını oluşturabilir. Bu, sadece izole etkileşimler yerine tüm müşteri yolculuğuna dair içgörüler sağlayarak mağaza düzenlerini ve personel seviyelerini optimize etmeye yardımcı olur.

Link to this sectionRe-ID Özellikleriyle Takibi Uygulama#

Modern görü yapay zeka iş akışları, genellikle yüksek performanslı dedektörleri Re-ID kavramlarını kullanan takipçilerle birleştirir. YOLO26 modeli, takip tutarlılığını korumak için görünüm özelliklerinden yararlanan BoT-SORT gibi takipçilerle sorunsuz bir şekilde entegre edilebilir. Veri setlerini ve eğitim hatlarını verimli bir şekilde yönetmek isteyen kullanıcılar için Ultralytics Platform, etiketleme ve dağıtım için birleşik bir arayüz sunar.

Aşağıdaki örnek, kimlik kalıcılığını otomatik olarak yöneten Ultralytics Python paketini kullanarak nasıl nesne takibi yapılacağını göstermektedir:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Track objects in a video file
# The 'persist=True' argument is vital for maintaining IDs across frames
# BoT-SORT is a tracker that can utilize appearance features for Re-ID
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    tracker="botsort.yaml",
    persist=True,
)

# Print the unique ID assigned to the first detected object in the first frame
if results[0].boxes.id is not None:
    print(f"Tracked Object ID: {results[0].boxes.id[0].item()}")

Sağlam bir performans için bu modellerin eğitimi, yüksek kaliteli eğitim verisi gerektirir. Gömme işlemlerinin ayrıştırıcı gücünü iyileştirmek adına, belirli Re-ID alt modüllerinin eğitimi sırasında sıklıkla üçlü kayıp (triplet loss) gibi teknikler kullanılır. Bir Re-ID sisteminin hatalı eşleşmelerden ne kadar iyi kaçındığını değerlendirirken hassasiyet ve geri çağırma (precision and recall) kavramlarının inceliklerini anlamak da kritiktir.