Çoklu Nesne Takibi Veri Kümelerine Genel Bakış
Çoklu nesne izleme, nesneleri tanımlayan ve algılanan her nesne için video kareleri boyunca benzersiz bir kimliği koruyan video analitiğinin temel bir parçasıdır. Ultralytics YOLO, gözetim, spor analitiği ve trafik izleme gibi alanlarda videolardaki hareketli nesneleri izleyebilir.
Veri Kümesi Biçimi#
İzleme modu, bir izleyiciyi eğitmez veya izleyiciye özgü bir veri kümesi gerektirmez. Algılama, segmentasyon, poz veya OBB modelini ilgili görevin standart veri kümesi biçimiyle eğit, ardından elde edilen ağırlıkları model.track() veya yolo track ile kullan. Seçilen izleyici, çıkarım sırasında modelin tahminlerini kareler boyunca ilişkilendirir.
Kullanılabilir Takipçiler#
Ultralytics YOLO aşağıdaki takip algoritmalarını destekler:
- BoT-SORT - Bu takipçiyi etkinleştirmek için
botsort.yamlkullan - ByteTrack - Bu takipçiyi etkinleştirmek için
bytetrack.yamlkullan - OC-SORT - Bu takipçiyi etkinleştirmek için
ocsort.yamlkullan - Deep OC-SORT - Bu takipçiyi etkinleştirmek için
deepocsort.yamlkullan - FastTracker - Bu takipçiyi etkinleştirmek için
fasttrack.yamlkullan - TrackTrack - Bu takipçiyi etkinleştirmek için
tracktrack.yamlkullan (varsayılan)
Kullanım#
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.5, show=True)Kareler Arasında Takipleri Sürdürme#
Video kareleri boyunca kesintisiz takip için persist=True parametresini kullanabilirsin:
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 izlemeyi kullanmak için aşağıdaki Python veya CLI örnekleriyle başla:
Örnekfrom ultralytics import YOLO model = YOLO("yolo26n.pt") # YOLO26 modelini yükle results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.5, 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.
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 izleme işi çalıştırdıktan sonra sonuçlar, izlenen nesne kimlikleri, sınırlayıcı kutuları ve güven puanları gibi çeşitli veri noktalarını içerir. Bu sonuçları yorumlamaya 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.
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")
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
