Object Re-identification (Re-ID)

Nesne Yeniden Tanımlama (Re-ID), belirli bir nesneyi veya kişiyi farklı, örtüşmeyen kamera görüntüleri arasında ya da uzun zaman aralıklarında eşleştirmek için tasarlanmış, bilgisayarlı görü (CV) alanındaki uzmanlaşmış bir görevdir. Standart nesne algılama, bir varlığın sınıfını tanımaya, yani bir görüntünün "kişi" veya "araba" içerdiğini belirlemeye odaklanırken Re-ID, görsel görünümüne dayanarak bunun hangi kişi veya araba olduğunu belirleyerek bir adım daha ileri gider. Bu yetenek, tek bir kameranın alanın tamamını göremediği büyük ölçekli ortamlarda hareketin tutarlı bir anlatısını oluşturmak ve birbirinden yalıtılmış görsel gözlemler arasındaki bağlantıları etkili bir şekilde kurmak için gereklidir.

Re-Identification Nasıl Çalışır#

Re-ID'nin temel zorluğu, aydınlatma, kamera açıları, poz ve arka plan karmaşasındaki değişikliklere rağmen kimlik tutarlılığını korumaktır. Bunu başarmak için sistem genellikle derin sinir ağlarını içeren çok aşamalı bir işlem hattı kullanır.

• Özellik Çıkarma: Bir nesne algılandıktan sonra evrişimli sinir ağı (CNN), yaygın olarak embedding olarak bilinen bir özellik vektörü oluşturmak için görüntü kırpmasını analiz eder. Bu vektör; giysi dokusu veya araç rengi gibi nesnenin kendine özgü görsel özelliklerinin yoğun sayısal bir temsilidir.
• Metrik Öğrenme: Temel modeller, metrik öğrenme teknikleri kullanılarak eğitilir. Amaç, aynı nesneye ait embedding'lerin vektör uzayında matematiksel olarak birbirine yakın olmasını, farklı nesnelere ait embedding'lerin ise birbirinden uzaklaştırılmasını sağlamaktır. Siyam sinir ağları gibi özel mimariler, bu ilişkileri öğrenmek için sıklıkla kullanılır.
• Benzerlik Eşleştirme: Dağıtım sırasında sistem, sorgu nesnesinin embedding'ini depolanan kimliklerden oluşan bir galeriyle karşılaştırır. Bu karşılaştırma genellikle kosinüs benzerliğinin veya Öklid mesafesinin hesaplanmasını içerir. Benzerlik puanı önceden belirlenmiş bir eşiği aşarsa sistem eşleşmeyi doğrular.

Re-ID ve Nesne Takibi#

Bir görüntü işleme hattında tamamlayıcı ancak birbirinden farklı roller üstlendikleri için Re-ID'yi nesne takibinden ayırt etmek önemlidir.

• Nesne Takibi: Bu işlem zamansal sürekliliğe dayanır. Kalman filtresi gibi algoritmalar, mevcut hızı ve yörüngesine dayanarak bir nesnenin bir sonraki karedeki gelecekteki konumunu tahmin eder. Algoritmalar, bitişik karelerdeki algılamaları ilişkilendirmek için sıklıkla Birleşim Üzerinden Kesişim (IoU) kullanır.
• Yeniden Tanımlama: Zamansal süreklilik kesintiye uğradığında Re-ID kritik önem taşır. Bu durum, bir nesnenin bir engelin arkasında gizlendiği oklüzyon sırasında veya bir nesnenin bir kameranın görüş alanından çıkıp başka bir kameranınkine girmesiyle gerçekleşir. Re-ID, kimliği konum geçmişi yerine görünüme dayanarak yeniden oluşturur ve güçlü çoklu nesne takibini (MOT) mümkün kılar.

Gerçek Dünya Uygulamaları#

Ayrık görüntüler arasında kimliği koruyabilme yeteneği, çeşitli sektörlerde gelişmiş analizlere olanak tanır.

• Akıllı Şehirlerde Trafik Yönetimi: Akıllı şehirlerde AI bağlamında Re-ID, belediye sistemlerinin bir aracı şehir genelindeki kavşak ağında hareket ederken takip etmesini sağlar. Bu, yalnızca plaka tanımaya dayanmadan ortalama seyahat sürelerinin hesaplanmasına ve trafik ışıklarının zamanlamasının optimize edilmesine yardımcı olur.
• Perakende Müşteri Analitiği: Perakendeciler, alışveriş yapanların davranışlarını anlamak için Re-ID'den yararlanır. Mağazalar, bir müşterinin farklı reyonlardaki görüntülerini ilişkilendirerek popüler güzergâhların ısı haritalarını oluşturabilir. Bu, yalnızca birbirinden yalıtılmış etkileşimler yerine müşterinin tüm yolculuğuna ilişkin içgörüler sunarak mağaza düzenlerinin optimize edilmesine ve personel seviyelerinin belirlenmesine yardımcı olur.

Re-ID Özellikleriyle Takip Uygulama#

Modern görüntü işleme AI iş akışları, yüksek performanslı algılayıcıları genellikle Re-ID kavramlarından yararlanan takipçilerle birleştirir. YOLO26 modeli, görünüm özelliklerinden yararlanarak takip tutarlılığını koruyan BoT-SORT gibi takipçilerle sorunsuz bir şekilde entegre edilebilir. Veri kümelerini ve eğitim işlem hatlarını verimli bir şekilde yönetmek isteyen kullanıcılar için Ultralytics Platformu, açıklama ve dağıtım için birleşik bir arayüz sunar.

Aşağıdaki örnek, kimlik kalıcılığını otomatik olarak yöneten Ultralytics Python paketi kullanılarak nesne takibinin nasıl gerçekleştirileceğini gösterir:

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()}")

Güçlü performans için bu modellerin eğitilmesi, yüksek kaliteli eğitim verileri gerektirir. Embedding'lerin ayırt edici gücünü geliştirmek amacıyla belirli Re-ID alt modüllerinin eğitimi sırasında üçlü kayıp gibi teknikler sıklıkla kullanılır. Bir Re-ID sisteminin yanlış eşleşmelerden ne ölçüde kaçındığını değerlendirirken kesinlik ve duyarlılığın inceliklerini anlamak da kritik önem taşır.