Object Tracking

Nesne takibi, bilgisayarlı görü (CV) alanında, bir videodaki belirli varlıkları tanımlamayı ve bunların bir dizi kare boyunca hareketlerini izlemeyi içeren dinamik bir süreçtir. Her kareyi birbirinden bağımsız şekilde ele alan statik görüntü analizinden farklı olarak, takip sürece zaman boyutunu katar. Bu sayede yapay zeka (AI) sistemleri; araba, insan veya hayvan gibi tespit edilen her bir nesneye benzersiz bir kimlik numarası (ID) atayabilir ve nesne hareket ettiğinde, yön değiştirdiğinde veya geçici olarak gözden kaybolduğunda bu kimliği koruyabilir. Bu yetenek, makinelerin davranışları analiz etmesine, yörüngeleri hesaplamasına ve ham görüntülerden eyleme dönüştürülebilir içgörüler elde etmesine olanak tanıyan gelişmiş video anlama teknolojisinin temel taşıdır.

Link to this sectionNesne Takibi Nasıl Çalışır?#

Modern takip sistemleri genellikle "tespit yoluyla takip" (tracking-by-detection) paradigmasını kullanır. Bu iş akışı, güçlü tespit modellerini, tespitleri zaman içinde birleştiren özel algoritmalarla birleştirir. Süreç genellikle üç ana aşamadan oluşur:

1. Detection: In every frame, an object detection model, such as the state-of-the-art YOLO26, scans the image to locate objects of interest. The model outputs bounding boxes that define the spatial extent of each object.

2. Hareket Tahmini: Kalman Filtresi gibi algoritmalar, nesnenin mevcut hızına ve yörüngesine dayanarak gelecekteki konumunu tahmin eder. Bu tahmin, bir sonraki kare için arama alanını daraltarak sistemin daha verimli çalışmasını sağlar.

3. Veri İlişkilendirme: Sistem, yeni tespitleri Macar algoritması gibi optimizasyon yöntemlerini kullanarak mevcut takip edilen nesnelerle eşleştirir. Bu adım, genellikle tahmin edilen kutunun yeni tespit ile ne kadar örtüştüğünü ölçmek için Intersection over Union (IoU) gibi metriklerden yararlanır. Gelişmiş takipçiler, birbirine benzeyen nesneleri yeniden tanımlamak için görsel öznitelik çıkarma yöntemlerini de kullanabilir.

Link to this sectionNesne Takibi ve Nesne Tespiti Farkı#

Bu terimler birbiriyle yakından ilişkili olsa da, makine öğrenimi (ML) hattında farklı işlevlere hizmet ederler.

• Nesne Tespiti, "Bu görüntüde ne var ve nerede?" sorusuna yanıt verir. Durumsuzdur (stateless); yani önceki karelere dair hiçbir hafızası yoktur. Bir araba videoda ilerlerken, dedektör 1. karede bir "araba" ve 2. karede bir "araba" görür, ancak bunların aynı araç olduğunu bilmez.
• Nesne Takibi, "Bu belirli nesne nereye gidiyor?" sorusuna yanıt verir. Durumludur (stateful). 1. karedeki "araba" ile 2. karedeki "araba" arasında bağlantı kurarak sistemin "Araba ID #42"nin soldan sağa hareket ettiğini kaydetmesini sağlar. Bu, tahminleyici modelleme ve sayma gibi görevler için hayati öneme sahiptir.

Link to this sectionGerçek Dünya Uygulamaları#

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

• Akıllı Ulaşım Sistemleri: Takip, otonom araçların güvenli bir şekilde ilerlemesi için kritiktir. Yayaları ve diğer araçları takip ederek, arabalar potansiyel çarpışmaları tahmin edebilir. Ayrıca trafik mühendisleri, güvenlik düzenlemelerini uygulamak ve trafik akışını optimize etmek için bu sistemleri hız tahmini amacıyla kullanırlar.
• Perakende Analitiği: Fiziksel mağazalar, müşteri davranışlarını anlamak için perakendede yapay zeka çözümlerinden faydalanır. Takip teknolojisi, mağaza yöneticilerinin yaya trafiğini ölçmek için nesne sayımı yapmalarını, ısı haritaları kullanarak ekran önündeki kalma sürelerini analiz etmelerini ve bekleme sürelerini azaltmak için kuyruk yönetimini optimize etmelerini sağlar.
• Spor Analizi: Profesyonel sporlarda antrenörler, oyuncu biyomekaniğini ve takım dizilişlerini analiz etmek için takibi poz tahmini ile birleştirerek kullanırlar. Bu veriler, çıplak gözle görülmeyen desenleri ortaya çıkararak rekabet avantajı sağlar.

Link to this sectionPython ile Takip Uygulaması#

Ultralytics, yüksek performanslı takibi uygulamayı basit hale getirir. Kütüphanedeki track modu, tespiti, hareket tahminini ve ID atamasını otomatik olarak yönetir. Aşağıdaki örnek, Ultralytics Platform uyumlu YOLO26 modelini kullanarak bir videodaki nesnelerin nasıl takip edileceğini göstermektedir.

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()}")

Link to this sectionİlgili Kavramlar#

Takip ekosistemini tam olarak anlamak için, yalnızca bir kutu yerine bir nesnenin kesin piksel düzeyi hatlarını takip eden örnek segmentasyonunu keşfetmek faydalıdır. Ayrıca, Çoklu Nesne Takibi (MOT) zorlukları, algoritmaların kalabalık sahnelerle ve tıkanmalarla ne kadar iyi başa çıktığını değerlendirmek için genellikle MOTChallenge gibi yaygın olarak kullanılan kriterleri içerir. Üretim ortamlarında dağıtım için geliştiriciler, bu modelleri verimli iş akışlarına entegre etmek amacıyla genellikle NVIDIA DeepStream veya OpenCV gibi araçlardan yararlanırlar.