Ultralytics YOLO27:

Çok Nesneli Takip Veri Kümelerine Genel Bakış#

Çok nesneli takip, video analitiğinin kritik bir bileşenidir; nesneleri tanımlar ve video kareleri boyunca tespit edilen her nesne için benzersiz kimlikleri korur. Ultralytics YOLO, gözetim, spor analitiği ve trafik izleme dahil olmak üzere çeşitli alanlarda uygulanabilen güçlü takip özellikleri sunar.

Veri Kümesi Formatı#

Track modu bir takipçi eğitmez ve takipçiye özel bir veri kümesi gerektirmez. Bir algılama, segmentasyon, poz veya OBB modelini ilgili görevin standart veri kümesi formatıyla 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 arasında kesintisiz takip için persist=True parametresini kullanabilirsin:

Örnek
import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.pt")

# Open the video file
cap = cv2.VideoCapture("path/to/video.mp4")

while cap.isOpened():
    success, frame = cap.read()
    if success:
        # Run tracking with persistence between frames
        results = model.track(frame, persist=True)

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

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

cap.release()
cv2.destroyAllWindows()

SSS#

  • Ultralytics YOLO ile Çok Nesneli Takibi kullanmak için sağlanan Python veya CLI örneklerini kullanarak başlayabilirsin. Başlamak için yapman gerekenler şöyle:

    Örnek
    from ultralytics import YOLO

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

    Bu komutlar YOLO26 modelini yükler ve verilen video kaynağındaki nesneleri, belirli güven (conf) ve Kesişim/Birleşim (iou) eşikleriyle takip etmek için kullanır. Daha fazla bilgi için track modu belgelerine bak.

  • Ultralytics YOLO, gerçek zamanlı performansı ve yüksek doğruluğuyla tanınan, son teknoloji bir nesne algılama modelidir. Çok nesneli takip için YOLO kullanmak çeşitli avantajlar sağlar:

    • Gerçek zamanlı takip: Dinamik ortamlar için ideal, verimli ve yüksek hızlı takip elde et.
    • Önceden eğitilmiş modellerle esneklik: Sıfırdan eğitim yapmana gerek yok; önceden eğitilmiş algılama, segmentasyon, poz veya OBB modellerini kullanman yeterli.
    • Kullanım kolaylığı: Hem Python hem de CLI ile basit API entegrasyonu, takip işlem hatlarını kolayca kurmanı sağlar.
    • Kapsamlı belgeler ve topluluk desteği: Ultralytics, sorunları gidermene ve takip modellerini geliştirmene yardımcı olmak için kapsamlı belgeler ve aktif bir topluluk forumu sunar.

    YOLO ile takip kurma ve kullanma hakkında daha fazla bilgi için track kullanım kılavuzumuzu ziyaret et.

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

  • Ultralytics YOLO ile bir takip işi çalıştırdıktan sonra sonuçlar, takip edilen nesne kimlikleri, bunların sınırlayıcı kutuları ve güven puanları gibi çeşitli veri noktalarını içerir. Bu sonuçları nasıl yorumlayacağına dair kısa bir genel bakış şöyle:

    • Takip edilen kimlikler: Her nesneye benzersiz bir kimlik atanır; bu, nesneyi kareler boyunca takip etmeye yardımcı olur.
    • Sınırlayıcı kutular: Bunlar, takip edilen nesnelerin kare içindeki konumunu gösterir.
    • Güven puanları: Bunlar, modelin takip edilen nesneyi algılama konusundaki güvenini yansıtır.

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

  • Takipçi yapılandırma dosyasının değiştirilmiş bir sürümünü oluşturarak takipçiyi özelleştirebilirsin. ultralytics/cfg/trackers konumundan mevcut bir takipçi yapılandırma dosyasını kopyala, parametreleri gerektiği gibi 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