Çoklu nesne takip veri kümelerine genel bakış

Çoklu nesne takibi, video analitiğinde nesneleri tanımlayan ve video kareleri boyunca her bir tespit edilen nesne için benzersiz kimlikleri koruyan kritik bir bileşendir. Ultralytics YOLO, gözetim, spor analitiği ve trafik izleme dahil olmak üzere çeşitli alanlara uygulanabilen güçlü takip yetenekleri sunar.

Veri Kümesi Formatı (Yakında)

Ultralytics takibi şu anda takipçiye özel eğitim gerektirmeden tespit, segmentasyon veya poz modellerini yeniden kullanır. Yerel takipçi eğitimi desteği aktif geliştirme aşamasındadır.

Mevcut Takipçiler

Ultralytics YOLO aşağıdaki takip algoritmalarını destekler:

• BoT-SORT - Bu takipçiyi etkinleştirmek için botsort.yaml kullan (varsayılan)
• ByteTrack - Bu takipçiyi etkinleştirmek için bytetrack.yaml kullan

Kullanım

from ultralytics import YOLO

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

Takip Bilgilerinin Kareler Arasında Korunması

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

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 Çoklu Nesne Takibini nasıl kullanırım?

Ultralytics YOLO ile Çoklu Nesne Takibini kullanmak için, sağlanan Python veya CLI örneklerini kullanarak başlayabilirsin. İşte nasıl başlayabileceğin:

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 Intersection over Union (iou) eşikleriyle takip etmek için kullanır. Daha fazla ayrıntı için takip modu belgelerine bakabilirsin.

Ultralytics'te takipçileri eğitmek için gelecek özellikler nelerdir?

Ultralytics, yapay zeka modellerini sürekli olarak geliştirmektedir. Gelecek bir özellik, bağımsız takipçilerin eğitilmesini sağlayacak. O zamana kadar, Çoklu Nesne Tespit aracı, bağımsız bir eğitim gerektirmeden takip için önceden eğitilmiş tespit, segmentasyon veya Poz modellerinden yararlanır. Blogumuzu takip ederek veya gelecek özellikleri kontrol ederek güncel kalabilirsin.

Neden çoklu nesne takibi için Ultralytics YOLO kullanmalıyım?

Ultralytics YOLO is a state-of-the-art object detection model known for its real-time performance and high accuracy. Using YOLO for multi-object tracking provides several advantages:

• Gerçek zamanlı takip: Dinamik ortamlar için ideal, verimli ve yüksek hızlı takip elde et.
• Önceden eğitilmiş modellerle esneklik: Sıfırdan eğitmeye gerek yok; sadece önceden eğitilmiş tespit, segmentasyon veya Poz modellerini kullan.
• Kullanım kolaylığı: Hem Python hem de CLI ile basit API entegrasyonu, takip hatlarını kurmayı kolaylaştırır.
• Kapsamlı dokümantasyon ve topluluk desteği: Ultralytics, sorunları gidermek ve takip modellerini geliştirmek için kapsamlı dokümantasyon ve aktif bir topluluk forumu sağlar.

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

Ultralytics YOLO ile çoklu nesne takibi için özel veri kümeleri kullanabilir miyim?

Evet, Ultralytics YOLO ile çoklu nesne takibi için özel veri kümeleri kullanabilirsin. Bağımsız takipçi eğitimi desteği gelecek bir özellik olsa da, özel veri kümelerinde önceden eğitilmiş modelleri zaten kullanabilirsin. Veri kümelerini YOLO ile uyumlu uygun formatta hazırla ve entegre etmek için belgeleri takip et.

Ultralytics YOLO takip modelinden gelen sonuçları nasıl yorumlarım?

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

• Takip Edilen Kimlikler (IDs): Her nesneye, kareler arasında takibini kolaylaştıran benzersiz bir kimlik atanır.
• Sınırlayıcı kutular (Bounding boxes): Bunlar, takip edilen nesnelerin kare içindeki konumunu gösterir.
• Güven puanları: Bunlar, modelin takip edilen nesneyi tespit etmedeki güvenini yansıtır.

Bu sonuçları yorumlama ve görselleştirme konusunda ayrıntılı rehberlik için sonuç işleme kılavuzuna bakabilirsin.

Takipçi yapılandırmasını nasıl özelleştirebilirim?

Takipçi yapılandırma dosyasının değiştirilmiş bir sürümünü oluşturarak takipçiyi özelleştirebilirsin. ultralytics/cfg/trackers adresinden 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")