Nesne Yeniden Kimliklendirme (Re-ID)

Nesne Yeniden Tanımlama (Re-ID), bilgisayar görme (CV) alanında, farklı ve birbiriyle örtüşmeyen kamera görüntülerinde veya uzun süreler boyunca belirli bir nesneyi veya kişiyi eşleştirmek için tasarlanmış özel bir görevdir. Standart nesne algılama, bir varlığın sınıfını tanımaya odaklanırken (bir görüntünün "kişi" veya "araba" içerdiğini belirlerken), Re-ID bir adım daha ileri giderek görsel görünümüne göre hangi kişinin veya arabanın olduğunu belirler. Bu özellik, tek bir kameranın tüm alanı kapsayamadığı büyük ölçekli ortamlarda hareketin tutarlı bir anlatısını oluşturmak ve izole görsel gözlemler arasındaki noktaları etkili bir şekilde birleştirmek için gereklidir. .

Yeniden Tanımlama 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 adımlı bir süreç kullanır. .

• Özellik Çıkarma: Bir nesne algılandığında, bir evrişimli sinir ağı (CNN) görüntü kırpmasını analiz ederek, genellikle gömme olarak bilinen bir özellik vektörü oluşturur. Bu vektör, giysi dokusu veya araç rengi gibi nesnenin benzersiz görsel özelliklerinin yoğun bir sayısal temsilidir.
• Metrik Öğrenme: Temel modeller, metrik öğrenme teknikleri kullanılarak eğitilir. Amaç, aynı nesnenin gömülü öğelerinin vektör uzayında matematiksel olarak birbirine yakın olmasını, farklı nesnelerin gömülü öğelerinin ise birbirinden uzak olmasını sağlamaktır. Siamese sinir ağları gibi özel mimariler genellikle bu ilişkileri öğrenmek için kullanılır.
• Benzerlik Eşleştirme: Dağıtım sırasında sistem, bir sorgu nesnesinin gömülmesini saklanan kimliklerin galerisiyle karşılaştırır. Bu karşılaştırma genellikle kosinüs benzerliği veya Öklid mesafesinin hesaplanmasını içerir. Benzerlik puanı önceden tanımlanmış bir eşiği aşarsa sistem bir eşleşmeyi onaylar.

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: Bu süreç zamansal sürekliliğe dayanır. Kalman Filtresi gibi algoritmalar, bir nesnenin mevcut hızı ve yörüngesine dayanarak bir sonraki karede nesnenin gelecekteki konumunu tahmin eder. Genellikle Birleşim Üzerinde Kesişim (IoU) kullanarak bitişik karelerdeki algılamaları ilişkilendirir.
• Yeniden Tanımlama: Yeniden tanımlama, zamansal süreklilik bozulduğunda çok önemlidir. Bu durum, bir nesne bir engelin arkasında gizlendiğinde veya bir nesne bir kameranın görüş alanından çıkıp başka bir kameranın görüş alanına girdiğinde meydana gelir. Yeniden tanımlama, konum geçmişinden ziyade görünüşe dayalı olarak kimliği yeniden belirler ve çoklu nesne izlemeyi (MOT) mümkün kılar. .

Gerçek Dünya Uygulamaları

Ayrık görünümler arasında kimliği koruma yeteneği, çeşitli sektörlerde sofistike analizlere olanak tanır.

• Akıllı Şehir Trafik Yönetimi: Akıllı şehirlerdeki yapay zeka bağlamında, Re-ID, belediye sistemlerinin track şehir genelindeki kavşak ağında hareketini track . Bu, sadece plaka tanıma sistemine dayanmadan ortalama seyahat sürelerini hesaplamaya ve trafik ışığı zamanlamasını optimize etmeye yardımcı olur .
• Perakende Müşteri Analitiği: Perakendeciler, alışverişçi davranışlarını anlamak için Re-ID'yi kullanır. Farklı reyonlarda bir müşterinin görüldüğü yerleri birbirine bağlayarak, mağazalar popüler yolların ısı haritalarını oluşturabilir. Bu, mağaza düzenini ve personel sayısını optimize etmeye yardımcı olur ve sadece tekil etkileşimler yerine tüm müşteri yolculuğu hakkında içgörüler sağlar.

Re-ID Özellikleriyle İzleme Uygulaması

Modern görme AI iş akışları genellikle yüksek performanslı dedektörleri Re-ID kavramlarını kullanan izleyicilerle birleştirir. YOLO26 modeli, görünüm özelliklerini kullanarak track koruyan BoT-SORT gibi izleyicilerle sorunsuz bir şekilde entegre edilebilir. Veri kümelerini ve eğitim boru hatlarını verimli bir şekilde yönetmek isteyen kullanıcılar için Ultralytics , açıklama ve dağıtım için birleşik bir arayüz sunar.

Aşağıdaki örnek, kimlik kalıcılığını otomatik olarak yöneten Ultralytics Python kullanarak nesne izlemeyi nasıl gerçekleştireceğinizi göstermektedir: identity persistence automatically:

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 eğitimi yüksek kaliteli eğitim verileri gerektirir. Üçlü kayıp gibi teknikler, genellikle belirli Re-ID alt modüllerinin eğitimi sırasında, gömülü öğelerin ayırt edici gücünü iyileştirmek için kullanılır. Hassasiyet ve geri çağırmanın nüanslarını anlamak, bir Re-ID sisteminin yanlış eşleşmeleri ne kadar iyi önlediğini değerlendirirken de çok önemlidir. Re-ID sistemlerinin, yanlış eşleşmeleri önleme konusunda ne kadar başarılı olduğunu değerlendirmek için,