Çoklu Nesne Takip Veri Setlerine Genel Bakış#

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

Veri Seti Formatı (Yakında Geliyor)#

Ultralytics takibi şu anda takipçiye özel bir eğitim gerektirmeden tespit, segmentasyon, poz veya OBB modellerini yeniden kullanır. Yerel takipçi eğitimi desteği aktif olarak geliştirilmektedir.

Mevcut Takipçiler#

Ultralytics YOLO aşağıdaki takip algoritmalarını destekler:

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

Kareler Arasında Takibi Sürdürme#

Video kareleri boyunca kesintisiz 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 bunu belirli bir güvenilirlik (conf) ve Intersection over Union (iou) eşikleriyle verilen video kaynağındaki nesneleri takip etmek için kullanır. Daha fazla ayrıntı için track mode documentation sayfasına göz at.

Ultralytics'te takipçileri eğitmek için gelecek özellikler nelerdir?#

Ultralytics yapay zeka modellerini sürekli olarak geliştirmektedir. Yaklaşık bir özellik, bağımsız takipçilerin eğitilmesini sağlayacaktır. O zamana kadar Multi-Object Detector, bağımsız bir eğitim gerektirmeden takip için önceden eğitilmiş tespit, segmentasyon, poz veya OBB modellerinden yararlanır. blog sayfamızı takip ederek gelişmelerden haberdar ol.

Neden çoklu nesne takibi için Ultralytics YOLO kullanmalıyım?#

Ultralytics YOLO, gerçek zamanlı performansı ve yüksek accuracy oranıyla tanınan son teknoloji ürünü bir object detection modelidir. Çoklu nesne takibi için YOLO kullanmak çeşitli avantajlar sağlar:

• Gerçek zamanlı takip: Dinamik ortamlar için ideal, verimli ve yüksek hızlı takibe ulaş.
• Önceden eğitilmiş modellerle esneklik: Sıfırdan eğitmen gerekmez; önceden eğitilmiş tespit, segmentasyon, poz veya OBB modellerini doğrudan kullan.
• Kullanım kolaylığı: Hem Python hem de CLI ile basit API entegrasyonu, takip hatlarını kurmayı kolaylaştırır.
• Kapsamlı belgeler ve topluluk desteği: Ultralytics, sorunları gidermek ve takip modellerini geliştirmek için kapsamlı belgeler ve aktif bir topluluk forumu sunar.

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

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

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

Ultralytics YOLO takip modelinden elde edilen 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 sonuçların nasıl yorumlanacağına dair kısa bir genel bakış:

• Takip edilen Kimlikler: Her nesneye, kareler boyunca takip edilmesine yardımcı olan benzersiz bir kimlik atanır.
• Sınırlayıcı kutular: Bunlar, takip edilen nesnelerin kare içindeki konumunu gösterir.
• Güven puanları: Bunlar, modelin takip edilen nesneyi tespit etme konusundaki güvenini yansıtır.

Bu sonuçları yorumlama ve görselleştirme konusunda ayrıntılı rehberlik için results handling guide kılavuzuna bak.

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 düzenle ve takipçiyi çalıştırırken bu dosyayı belirt:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="video.mp4", tracker="custom_tracker.yaml")