Link to this sectionÇoklu 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.

Link to this sectionVeri Seti Formatı (Yakında Geliyor)#

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

Link to this sectionMevcut Takipçiler#

Ultralytics YOLO aşağıdaki takip algoritmalarını destekler:

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

Link to this sectionKullanım#

from ultralytics import YOLO

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

Link to this sectionKareler Arasında Takibi Sürdürme#

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()

Link to this sectionSSS#

Link to this sectionUltralytics 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 belirli güven (conf) ve Intersection over Union (iou) eşikleriyle verilen video kaynağındaki nesneleri takip etmek için kullanır. Daha fazla detay için takip modu belgelerine göz at.

Link to this sectionUltralytics'te takipçileri eğitmek için gelecek özellikler nelerdir?#

Ultralytics, yapay zeka modellerini sürekli olarak geliştiriyor. Gelecek bir özellik, bağımsız takipçilerin eğitilmesini sağlayacak. O zamana kadar, Çoklu Nesne Dedektörü, bağımsız eğitim gerektirmeden takip için önceden eğitilmiş tespit, segmentasyon veya Poz modellerinden yararlanır. Blogumuzu takip ederek güncel kal.

Link to this sectionNeden 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 takibe ulaş.
• Önceden eğitilmiş modellerle esneklik: Sıfırdan eğitmene 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 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 detay için takip kullanım kılavuzumuzu ziyaret et.

Link to this sectionUltralytics 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.

Link to this sectionUltralytics 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 detaylı rehberlik için sonuç işleme kılavuzuna bak.

Link to this sectionTakipçi 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")