Nesne Yeniden Kimliklendirme (Re-ID)

Nesne Yeniden Kimliklendirme (Re-ID) karmaşık bir için tasarlanmış bilgisayarla görme (CV) tekniği belirli bir nesneyi veya bireyi çakışmayan kamera görüntülerinde veya farklı zamanlarda tanıma ve ilişkilendirme aralıklar. Bir nesneyi basitçe sınıflandıran standart algılamanın aksine, Re-ID bir nesnenin sınıflandırılıp sınıflandırılmadığını belirlemeye odaklanır. Bir konumda tespit edilen nesnenin daha önce farklı bir konumda görülen nesne ile aynı kimlikte olması. Bu yetenek gibi büyük ölçekli ortamlarda hareket ve davranışa ilişkin tutarlı bir anlayış oluşturmak için gereklidir. Tek bir kameranın tüm alanı kapsayamayacağı havaalanları, alışveriş merkezleri ve akıllı şehirler.

Yeniden Kimlik Tespitinin Mekaniği

Re-ID'nin temel zorluğu, ışık, poz, bakış açısı ve oklüzyondaki değişikliklere rağmen kimlikleri eşleştirmektir. İçin Bunu başarmak için sistem, tespit edilen her nesne için benzersiz bir dijital imza oluşturur.

• Özellik Çıkarma: Bir nesne bir nesnenin içinde tanımlandığında sınırlayıcı kutu, bir derin öğrenme (DL) modeli görüntüyü işler olarak bilinen yüksek boyutlu bir vektör oluşturmak için yama gömme. Bu vektör farklı görselleri kapsar Bir kişinin giysi renk desenleri veya bir aracın belirli marka ve model ayrıntıları gibi özellikler.
• Metrik Öğrenme: Doğruluğu sağlamak için bu modeller şunları kullanır metrik öğrenme teknikleri. Eğitim genellikle şunları içerir Siyam sinir ağları ya da üçlü kayıp fonksiyonu, ağa aşağıdakileri öğretir Aynı kimliğin gömülmeleri arasındaki mesafeyi en aza indirirken, farklı kimliklerin gömülmeleri arasındaki mesafeyi en üst düzeye çıkarır. kimlikler.
• Galeri Eşleştirme: Çıkarım sırasında, sistem yeni tespit edilen bir nesnenin gömülmesini karşılaştırır ("sorgu") ile önceki tespitlerden depolanan gömülmelerden oluşan bir "galeri" arasında karşılaştırma yapar. Algoritma sıralaması bu karşılaştırmaları benzerliklerine göre, genellikle bulmak için kosinüs benzerliği veya Öklid uzaklığı En iyi eşleşme.

Re-ID ve Nesne Takibi

Genellikle birlikte kullanılsa da, Nesne Yeniden Kimliklendirme ve nesne takibi bir videoda farklı amaçlara hizmet eder analiz boru hattı.

• Nesne Takibi: Bu işlem, bir nesnenin kimliğini bir kare içinde kare kare korur tek bir sürekli video akışı. Büyük ölçüde zamansal süreklilik ve hareket tahmin algoritmalarına dayanır Kalman filtresi gibi. Eğer bir nesne veya uzun bir süre boyunca kapalı kalırsa, track genellikle kaybolur veya geri döndüğünde yeni bir kimlik atanır.
• Nesne Yeniden Kimliklendirme: Re-ID, bir nesneyi yeniden ilişkilendirerek "kayıp izler" sorununu çözer. süreksiz görünümler arasında kimlik. Farklı kameralar arasındaki noktaları bir çoklu nesne izleme (MOT) sistemi, dağıtılmış bir ağ boyunca tam bir yörüngenin yeniden oluşturulmasına izin verir.

Gerçek Dünya Uygulamaları

Re-ID teknolojisi, modern analitiğin temel taşıdır ve çeşitli sektörlerde eyleme geçirilebilir içgörüler sağlar.

• Akıllı Perakendecilik: İçinde Yapay zeka destekli perakende ortamlarında Re-ID yardımcı oluyor Perakendeciler bir mağaza boyunca müşteri yolculuklarının haritasını çıkarır. Bir müşterinin hangi bölümleri ziyaret ettiğini anlayarak ve Katlar arasında hareket ettikçe onları yeniden tanımlayarak, işletmeler mağaza düzenini ve ürün yerleşimini optimize edebilir. biyometrik veri toplama ihtiyacı.
• Akıllı Şehir Gözetimi: İçin kentsel güvenlik ve emniyet, Re-ID, operatörlerin kayıp bir çocuk veya bir şüpheli gibi şüpheli bir kişiyi şehir genelinde aramasına olanak tanır kamera ağı. Bu, adli video incelemesi için gereken süreyi önemli ölçüde azaltır. Market-1501 gibi araştırma veri kümeleri.

Ultralytics YOLO ile Re-ID Uygulama

Modern nesne algılama çerçeveleri genellikle aşağıdakilere benzer görünüm özelliklerini kullanan izleme algoritmalarını entegre eder Tıkanmalar sırasında kimlikleri korumak için Re-ID. Bu YOLO11 model gelişmiş takip cihazları ile kolayca eşleştirilebilir Sağlam izleme için Re-ID özelliklerini içeren BoT-SORT gibi.

Aşağıdaki örnekte Python arayüzü kullanılarak bir video kaynağında izlemenin nasıl başlatılacağı gösterilmektedir.

from ultralytics import YOLO

# Load the latest YOLO11 model
model = YOLO("yolo11n.pt")

# Run tracking on a video file using the BoT-SORT tracker
# BoT-SORT utilizes Re-ID features to improve tracking robustness
results = model.track(source="path/to/video.mp4", tracker="botsort.yaml", show=True)

# Access the unique tracking IDs assigned to detected objects
for r in results:
    if r.boxes.id is not None:
        print(f"Track IDs: {r.boxes.id.cpu().numpy()}")

Daha Fazla Okuma ve Kaynak

Altta yatan teknolojilere ilişkin anlayışınızı derinleştirmek için aşağıdaki gibi kavramları keşfedin özellik çıkarımı ve mimarisi sinir ağı (NN). Gibi çerçeveler PyTorch ve TensorFlow inşa etmek için gerekli araçları sağlamak ve özel Re-ID modellerini eğitmek. Akıllı izlemenin daha geniş alanıyla ilgilenenler için video anlayışı ek bilgi sağlayabilir Makinelerin zamansal görsel verileri nasıl yorumladığına ilişkin bağlam.