Object Tracking

Nesne takibi, bilgisayarlı görü (CV) alanında videodaki belirli varlıkları tanımlamayı ve bir kare dizisi boyunca hareketlerini izlemeyi içeren dinamik bir süreçtir. Her bir anlık görüntüyü ayrı ayrı ele alan statik görüntü analizinin aksine takip, zaman boyutunu sürece dahil eder. Bu sayede yapay zekâ (AI) sistemleri, algılanan her öğeye (örneğin bir araba, kişi veya hayvan) benzersiz bir kimlik numarası (ID) atayabilir ve nesne hareket ederken, yönünü değiştirirken veya geçici olarak gizlenirken bu kimliği koruyabilir. Bu yetenek, gelişmiş video anlayışının temelini oluşturur ve makinelerin davranışları analiz etmesini, yörüngeleri hesaplamasını ve ham görüntülerden eyleme dönüştürülebilir içgörüler elde etmesini sağlar.

Nesne Takibi Nasıl Çalışır#

Modern takip sistemleri genellikle "algılamaya dayalı takip" paradigmasını kullanır. Bu iş akışı, algılamaları zaman içinde ilişkilendirmek için güçlü algılama modellerini özel algoritmalarla birleştirir. Süreç genellikle üç ana aşamayı izler:

1. Algılama: Her karede, son teknoloji YOLO26 gibi bir nesne algılama modeli, ilgili nesneleri bulmak için görüntüyü tarar. Model, her nesnenin uzamsal kapsamını tanımlayan sınırlayıcı kutular üretir.

2. Hareket Tahmini: Kalman Filtresi gibi algoritmalar, bir nesnenin mevcut hızı ve yörüngesine dayanarak gelecekteki konumunu tahmin eder. Bu tahmin, sonraki kare için arama alanını daraltarak sistemi daha verimli hâle getirir.

3. Veri İlişkilendirme: Sistem, yeni algılamaları Macar algoritması gibi optimizasyon yöntemlerini kullanarak mevcut izlerle eşleştirir. Bu adım, tahmin edilen bir kutunun yeni bir algılamayla ne ölçüde örtüştüğünü ölçmek için genellikle Birleşim üzerinden Kesişim (IoU) gibi metriklere dayanır. Gelişmiş takipçiler, benzer görünen nesneleri yeniden tanımlamak için görsel özellik çıkarma yöntemlerini de kullanabilir.

Nesne Takibi ve Nesne Algılama Karşılaştırması#

Bu terimler birbiriyle yakından ilişkili olsa da makine öğrenimi (ML) işlem hattında farklı işlevler görür.

• Nesne Algılama şu soruya yanıt verir: "Bu görüntüde ne var ve nerede?" Durumsuzdur; yani önceki karelere ilişkin bir belleği yoktur. Bir araba video boyunca ilerlediğinde, algılayıcı 1. karede bir "araba", 2. karede de bir "araba" görür ancak bunların aynı araç olduğunu bilmez.
• Nesne Takibi şu soruya yanıt verir: "Bu belirli nesne nereye gidiyor?" Durum bilgisine sahiptir. 1. karedeki "araba" ile 2. karedeki "arabayı" ilişkilendirerek sistemin "Araba ID #42" öğesinin soldan sağa hareket ettiğini kaydetmesini sağlar. Bu, öngörücü modelleme ve sayım gibi görevler için gereklidir.

Gerçek Dünya Uygulamaları#

Nesne kimliğini koruma yeteneği, çeşitli sektörlerde karmaşık gerçek zamanlı çıkarım uygulamalarını mümkün kılar.

• Akıllı Ulaşım Sistemleri: Takip, otonom araçların güvenli bir şekilde yol alması için hayati önem taşır. Araçlar, yayaları ve diğer araçları takip ederek olası çarpışmaları tahmin edebilir. Ayrıca trafik mühendisleri, güvenlik düzenlemelerini uygulamak ve trafik akışını optimize etmek için hız tahmini amacıyla bu sistemleri kullanır.
• Perakende Analitiği: Fiziksel mağazalar, müşteri davranışını anlamak için perakendede yapay zekâ kullanır. Takip, mağaza yöneticilerinin yaya trafiğini ölçmek için nesne sayımı yapmasına, ısı haritalarını kullanarak vitrinlerin önünde geçirilen süreleri analiz etmesine ve bekleme sürelerini azaltmak için kuyruk yönetimini optimize etmesine olanak tanır.
• Spor Analizi: Profesyonel sporlarda antrenörler, oyuncuların biyomekaniğini ve takım dizilişlerini analiz etmek için takibi poz tahmini ile birlikte kullanır. Bu veriler, çıplak gözle görülemeyen örüntüleri ortaya çıkararak rekabet avantajı sağlar.

Python ile Takip Uygulama#

Ultralytics, yüksek performanslı takibi kolayca uygulamanı sağlar. Kütüphanedeki track modu; algılama, hareket tahmini ve ID atama işlemlerini otomatik olarak gerçekleştirir. Aşağıdaki örnek, bir videodaki nesneleri takip etmek için Ultralytics Platform ile uyumlu YOLO26 modelinin nasıl kullanılacağını gösterir.

from ultralytics import YOLO

# Load the official YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video file or webcam (source=0)
# 'show=True' displays the video with bounding boxes and unique IDs
results = model.track(source="https://ultralytics.com/images/bus.jpg", show=True)

# Access the unique tracking IDs from the results
if results[0].boxes.id is not None:
    print(f"Detected Track IDs: {results[0].boxes.id.cpu().numpy()}")

İlgili Kavramlar#

Takip ekosistemini tam olarak anlamak için, bir nesnenin yalnızca kutusunu değil, piksel düzeyindeki kesin dış hatlarını takip eden örnek bölütlemeyi incelemek yararlı olur. Ayrıca Çok Nesneli Takip (MOT) yarışmaları, algoritmaların kalabalık sahneleri ve örtüşmeleri ne kadar iyi ele aldığını değerlendirmek için sıklıkla MOTChallenge gibi yaygın kullanılan kıyaslamaları içerir. Üretim ortamlarına dağıtım için geliştiriciler, bu modelleri verimli işlem hatlarına entegre etmek amacıyla genellikle NVIDIA DeepStream veya OpenCV gibi araçlardan yararlanır.