Nesne Yeniden Kimliklendirme (Re-ID)

Nesne Yeniden Tanımlama (Re-ID), bilgisayar görüşünde (CV) belirli nesneleri veya bireyleri, birbiriyle örtüşmeyen farklı kamera görüntülerinde veya uzun süreler boyunca ilişkilendirmeyi amaçlayan özel bir tekniktir. Standart nesne algılama, tek bir görüntüdeki bir nesnenin sınıfını (ör. "kişi" veya "araba") tanımlarken, Re-ID, algılanan belirli bir nesnenin, tek bir görüntüdeki sınıfıyla tam olarak aynı kimliğe sahip olup olmadığını belirler. Standart nesne algılama, tek bir görüntüdeki nesnenin sınıfını (ör. "kişi" veya "araba") tanımlarken, Re-ID, algılanan belirli bir nesnenin daha önce görülen nesneyle tam olarak aynı kimlikte olup olmadığını belirler. Bu özellik, tek bir kameranın tüm alanı kapsayamadığı büyük ölçekli ortamlarda hareketin tutarlı bir şekilde anlaşılması ve izole görsel gözlemler arasındaki noktaları etkili bir şekilde birbirine bağlamak için çok önemlidir.

Yeniden Tanımlama Nasıl Çalışır?

Re-ID'nin temel zorluğu, aydınlatma, poz, kamera açısı ve arka plan karmaşasındaki değişikliklere rağmen kimlikleri eşleştirmektir. Bunu başarmak için sistem, basit sınırlayıcı kutu koordinatlarının ötesine geçer ve nesnenin görsel içeriğini analiz eder.

• Özellik Çıkarma: Bir nesne algılandığında, bir derin öğrenme (DL) modeli görüntüyü işleyerek genellikle gömme olarak adlandırılan bir özellik vektörü oluşturur. Bu vektör, giysinin dokusu veya aracın rengi gibi yüksek düzeyli görsel özellikleri sayısal bir biçimde temsil eder.
• Metrik Öğrenme: Sistem, aynı nesnenin gömülü öğelerinin matematiksel olarak birbirine yakın olmasını, farklı nesnelerin gömülü öğelerinin ise birbirinden uzak olmasını sağlamak için metrik öğrenmeyi kullanır. Siamese sinir ağları gibi teknikler genellikle bu amaçla eğitilir.
• Benzerlik Eşleştirme: Çıkarım sırasında sistem, sorgu nesnesinin gömülü öğesi ile önceden depolanan kimliklerin "galerisi" arasındaki kosinüs benzerliğini veya Öklid mesafesini hesaplar. Benzerlik puanı belirli bir eşiği aşarsa, bir eşleşme bildirilir.

Re-ID ve Nesne Takibi

Re-ID'yi nesne izleme ile ayırt etmek önemlidir, çünkü bunlar görme boru hattında birbirini tamamlayan ancak farklı roller üstlenirler.

• Nesne Takibi: Genellikle Kalman Filtresi gibi algoritmalarla desteklenen bu süreç, bir video karesinden bir sonraki kareye bir nesnenin konumunu tahmin eder. Bu süreç, zamanın sürekliliği ve Intersection over Union (IoU) gibi uzamsal örtüşmeye büyük ölçüde dayanır. Nesne Takibi, genellikle bir nesnenin bir video karesinden bir sonraki kareye konumunu tahmin eder. Bu süreç, zamanın sürekliliği ve uzamsal örtüşmeye büyük ölçüde dayanır. Intersection over Union (IoU) gibi.
• Yeniden Tanımlama: Yeniden tanımlama, izleme başarısız olduğunda devreye girer; örneğin, bir nesne tamamen engellenerek görünmez hale geldiğinde veya bir kameranın görüş alanından çıkıp başka bir kameranın görüş alanına girdiğinde. Yeniden tanımlama, konum geçmişinden ziyade görünüşe dayalı olarak kimliği yeniden belirler ve dağıtılmış ağlar arasında güçlü çoklu nesne izleme (MOT) sağlar.

Gerçek Dünya Uygulamaları

Yeniden tanımlama, izole edilmiş tespitleri eyleme geçirilebilir yörüngelere dönüştürerek çeşitli sektörlerde sofistike analizler yapılmasını sağlar. çeşitli sektörlerde.

• Akıllı Şehir Güvenliği: Kentsel gözetimde, Re-ID, operatörlerin şehir genelindeki trafik kamera ağında belirli track veya aracı track etmelerini sağlar. Bu, adli arama için hayati önem taşır ve yetkililerin binlerce saatlik görüntüleri manuel olarak incelemeden kayıp bir çocuğu veya şüpheliyi bulmalarını sağlar.
• Perakende Analitiği: AI destekli perakende ortamlarında, mağazalar Re-ID'yi kullanarak müşteri yolculuklarını anlamaya çalışır. Alışverişçilerin koridorlar veya katlar arasında hareket ederken yeniden tanımlanmasıyla, perakendeciler popüler yolların ısı haritalarını oluşturabilir ve mağaza düzenini optimize edebilir. Tüm bunlar, biyometrik veriler yerine sayısal gömülü verileri analiz ederek gizlilik korunarak gerçekleştirilir.

Re-ID Özellikleriyle İzleme Uygulaması

YOLO26 ve YOLO11 zorlu koşullarda kimlikleri korumak için Re-ID kavramlarını kullanan izleyicilerle entegre edilebilir. Ultral Ultralytics kütüphanesinde bulunan BoT-SORT izleyici, hareket ipuçlarını görünüm özellikleriyle birleştirerek sağlam bir performans sunar.

Aşağıdaki örnek, bu izlemeyi bir video dosyasına nasıl uygulayacağınızı göstermektedir:

from ultralytics import YOLO

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

# Track objects in a video using BoT-SORT
# BoT-SORT uses appearance features to help re-identify objects after occlusions
results = model.track(source="path/to/video.mp4", tracker="botsort.yaml", persist=True)

# Process results
for result in results:
    if result.boxes.id is not None:
        print(f"Tracked IDs: {result.boxes.id.cpu().numpy()}")

Bu yetenekleri destekleyen mimariyi daha ayrıntılı incelemek için, evrişimli sinir ağları (CNN'ler) ve ResNet omurgalarını gözden geçirmeniz önerilir. Bu temelleri anlamak, belirli ortamlar için özel Re-ID modellerini ince ayarlamak üzere doğru eğitim verilerini seçmenize yardımcı olur. .