Ultralytics YOLO27:
Get Started

Çoklu Nesne Takibi Veri Kümelerine Genel Bakış#

Çoklu nesne takibi, video kareleri boyunca nesneleri tanımlayan ve algılanan her nesne için benzersiz kimlikleri koruyan, video analitiğinin kritik bir bileşenidir. Ultralytics YOLO; gözetim, spor analitiği ve trafik izleme gibi çeşitli alanlarda kullanılabilen güçlü takip özellikleri sunar.

Veri Kümesi Biçimi#

Takip modu bir takipçi eğitmez ve takipçiye özel bir veri kümesi gerektirmez. Algılama, segmentasyon, poz veya OBB modelini ilgili görevin standart veri kümesi biçiminde eğit, ardından elde edilen ağırlıkları model.track() veya yolo track ile kullan. Seçilen takipçi, çıkarım sırasında modelin tahminlerini kareler arasında ilişkilendirir.

Kullanılabilir Takipçiler#

Ultralytics YOLO aşağıdaki takip algoritmalarını destekler:

  • BoT-SORT - Bu takipçiyi etkinleştirmek için botsort.yaml kullan
  • ByteTrack - Bu takipçiyi etkinleştirmek için bytetrack.yaml kullan
  • OC-SORT - Bu takipçiyi etkinleştirmek için ocsort.yaml kullan
  • Deep OC-SORT - Bu takipçiyi etkinleştirmek için deepocsort.yaml kullan
  • FastTracker - Bu takipçiyi etkinleştirmek için fasttrack.yaml kullan
  • TrackTrack - Bu takipçiyi etkinleştirmek için tracktrack.yaml kullan (varsayılan)

Kullanım#

Örnek
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

Kareler Arasında Takipleri Sürdürme#

Video kareleri boyunca kesintisiz takip için persist=True parametresini kullanabilirsin:

Örnek
import cv2

from ultralytics import YOLO

# YOLO modelini yükle
model = YOLO("yolo26n.pt")

# Video dosyasını aç
cap = cv2.VideoCapture("path/to/video.mp4")

while cap.isOpened():
    success, frame = cap.read()
    if success:
        # Kareler arasında kalıcılık ile takip çalıştır
        results = model.track(frame, persist=True)

        # Sonuçları görselleştir
        annotated_frame = results[0].plot()
        cv2.imshow("Tracking", annotated_frame)

        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

cap.release()
cv2.destroyAllWindows()

Sık Sorulan Sorular#

  • Ultralytics YOLO ile Çoklu Nesne Takibini kullanmak için Python veya CLI örneklerini kullanarak başlayabilirsin. Başlangıç için yapman gerekenler:

    Örnek
    from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # YOLO26 modelini yükle
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

    Bu komutlar YOLO26 modelini yükler ve belirli güven (conf) ile Kesişim-Birleşim (iou) eşiklerini kullanarak verilen video kaynağındaki nesneleri takip eder. Daha fazla bilgi için takip modu belgelerine bak.

  • Ultralytics YOLO, gerçek zamanlı performansı ve yüksek doğruluğuyla tanınan, son teknoloji bir nesne algılama modelidir. Çoklu nesne takibi için YOLO kullanmanın çeşitli avantajları vardır:

    • Gerçek zamanlı takip: Dinamik ortamlar için ideal, verimli ve yüksek hızlı takip elde et.
    • Önceden eğitilmiş modellerle esneklik: Sıfırdan eğitim yapman gerekmez; önceden eğitilmiş algılama, segmentasyon, poz veya OBB modellerini kullanman yeterlidir.
    • Kullanım kolaylığı: Python ve CLI ile basit API entegrasyonu, takip işlem hatlarının kurulumunu kolaylaştırır.
    • Kapsamlı belgeler ve topluluk desteği: Ultralytics, sorunları gidermene ve takip modellerini geliştirmeni sağlayan kapsamlı belgeler ve aktif bir topluluk forumu sunar.

    YOLO'yu takip için kurma ve kullanma hakkında daha fazla bilgi için takip kullanım kılavuzumuzu ziyaret et.

  • Evet. Özel veri kümen üzerinde bir algılama, segmentasyon, poz veya OBB modeli eğit, ardından modelin ağırlıklarını model.track() öğesine aktar. Takipçinin kendisi çıkarım sırasında çalışır ve ayrı eğitim verileri gerektirmez.

  • Ultralytics YOLO ile bir takip işi çalıştırdıktan sonra sonuçlarda takip edilen nesne kimlikleri, sınırlayıcı kutuları ve güven skorları gibi çeşitli veri noktaları yer alır. Bu sonuçların nasıl yorumlanacağına dair kısa bir genel bakış:

    • Takip edilen kimlikler: Her nesneye benzersiz bir kimlik atanır ve bu, nesnenin kareler boyunca takip edilmesine yardımcı olur.
    • Sınırlayıcı kutular: Bunlar, takip edilen nesnelerin kare içindeki konumunu gösterir.
    • Güven skorları: Bunlar, modelin takip edilen nesneyi algılayacağına ne kadar güvendiğini yansıtır.

    Bu sonuçları yorumlama ve görselleştirme hakkında ayrıntılı rehberlik için sonuçları işleme kılavuzuna bak.

  • Takipçi yapılandırma dosyasının değiştirilmiş bir sürümünü oluşturarak takipçiyi özelleştirebilirsin. ultralytics/cfg/trackers konumundaki mevcut bir takipçi yapılandırma dosyasını kopyala, parametreleri ihtiyaçlarına göre değiştir ve takipçiyi çalıştırırken bu dosyayı belirt:

    from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="video.mp4", tracker="custom_tracker.yaml")
Katkıda Bulunanlar
GLglenn-jocher14RAraimbekovm2MImiles-deans-ultralytics1ONonuralpszr1PDpderrenger1MAMatthewNoyce1AMambitious-octopus1

Yorumlar