Object Tracking

Nesne takibi, bir videodaki belirli varlıkları tanımlamayı ve bunların bir kare dizisi boyunca hareketini izlemeyi içeren computer vision (CV) alanında dinamik bir süreçtir. Her anlık görüntüyü ayrı ayrı ele alan statik görüntü analizinin aksine, takip zaman boyutunu işin içine sokar. Bu sayede artificial intelligence (AI) sistemleri, tespit edilen her öğeye (araba, insan veya hayvan gibi) benzersiz bir kimlik numarası (ID) atayabilir ve nesne hareket ettiğinde, yön değiştirdiğinde veya geçici olarak engellendiğinde bu kimliği koruyabilir. Bu yetenek, makinelerin davranışı analiz etmesini, yörüngeleri hesaplamasını ve ham kayıttan eyleme dönüştürülebilir içgörüler elde etmesini sağlayan gelişmiş video understanding sistemlerinin temel taşını oluşturur.

Nesne 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. Tespit: Her karede, son teknoloji ürünü YOLO26 gibi bir object detection modeli, ilgi çekici nesneleri bulmak için görüntüyü tarar. Model, her nesnenin uzamsal sınırlarını belirleyen bounding boxes çıktısı üretir.

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

3. Veri İlişkilendirme: Sistem, Hungarian algorithm gibi optimizasyon yöntemlerini kullanarak yeni tespitleri mevcut takiple eşleştirir. Bu adım, tahmin edilen bir kutunun yeni bir tespit ile ne kadar örtüştüğünü ölçmek için genellikle Intersection over Union (IoU) gibi metriklere dayanır. Gelişmiş takipçiler ayrıca benzer görününen nesneleri yeniden tanımlamak için görsel feature extraction özelliklerini kullanabilir.

Nesne Takibi ve Nesne Tespiti Farkı#

Bu terimler birbiriyle yakından ilişkili olsa da machine learning (ML) hattı içinde 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?" sorusunu yanıtlar. Durum (stateful) bilgisine sahiptir. 1. karedeki "araba"yı 2. karedeki "araba" ile birbirine bağlayarak sistemin "Araç Kimliği #42"nin soldan sağa doğru hareket ettiğini kaydetmesine olanak tanır. Bu, predictive modeling ve sayım gibi görevler için hayati önem taşır.

Gerçek Dünya Uygulamaları#

Nesne kimliğini koruma yeteneği, çeşitli endüstrilerde karmaşık real-time inference uygulamalarını mümkün kılar.

• Akıllı Ulaşım Sistemleri: Takip, autonomous vehicles araçların güvenli bir şekilde seyahat etmesi için çok önemlidir. Arabalar, yayaları ve diğer araçları takip ederek olası çarpışmaları tahmin edebilir. Dahası, trafik mühendisleri güvenlik düzenlemelerini uygulamak ve trafik akışını optimize etmek amacıyla speed estimation için bu sistemleri kullanır.
• Perakende Analitiği: Fiziksel mağazalar, müşteri davranışını anlamak için AI in retail teknolojisini kullanır. Takip, mağaza yöneticilerinin yaya trafiğini ölçmek için object counting yapmasına, heatmaps kullanarak vitrinlerin önündeki kalış sürelerini analiz etmesine ve bekleme sürelerini azaltmak için queue management süreçlerini optimize etmesine olanak tanır.
• Spor Analizi: Profesyonel sporda koçlar, oyuncu biyomekaniğini ve takım dizilişlerini analiz etmek için pose estimation ile birleştirilmiş takibi kullanır. Bu veri, çıplak gözle görülemeyen kalıpları ortaya çıkararak rekabet avantajı sağlar.

Python ile Takip Uygulaması#

Ultralytics, yüksek performanslı takibi uygulamayı basit hale getirir. Kütüphanedeki track modu, tespiti, hareket tahminini ve kimlik atamasını otomatik olarak yönetir. Aşağıdaki örnek, bir videodaki nesneleri takip etmek için Ultralytics Platform ile uyumlu YOLO26 modelinin nasıl kullanılacağını 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()}")

İlgili Kavramlar#

Takip ekosistemini tam olarak anlamak için, yalnızca bir kutuyu değil, bir nesnenin piksel düzeyindeki kesin konturlarını takip eden instance segmentation özelliğini incelemek faydalıdır. Ek olarak, Çoklu Nesne Takibi (MOT) yarışmaları, algoritmaların kalabalık sahneleri ve kapanmaları ne kadar iyi yönettiğini değerlendirmek için genellikle MOTChallenge gibi yaygın olarak kullanılan kıyaslama testlerini içerir. Üretim ortamlarında dağıtım yapmak için geliştiriciler, bu modelleri verimli işlem hatlarına entegre etmek amacıyla genellikle NVIDIA DeepStream veya OpenCV gibi araçları kullanır.