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.
Veriseti Formatı#
Track modu bir takipçi eğitmez veya takipçiye özel bir veriseti gerektirmez. İlgili görevin standart veriseti formatıyla bir detection, segmentation, pose veya OBB modeli eğit ve ardından elde edilen ağırlıkları model.track() veya yolo track ile kullan. Seçilen takipçi, çıkarım zamanında modelin tahminlerini kareler boyunca ilişkilendirir.
Mevcut Takipçiler#
Ultralytics YOLO aşağıdaki takip algoritmalarını destekler:
- BoT-SORT - Bu takibi etkinleştirmek için
botsort.yamlkullan - ByteTrack - Bu takibi etkinleştirmek için
bytetrack.yamlkullan - OC-SORT - Bu takibi etkinleştirmek için
ocsort.yamlkullan - Deep OC-SORT - Bu takibi etkinleştirmek için
deepocsort.yamlkullan - FastTracker - Bu takibi etkinleştirmek için
fasttrack.yamlkullan - TrackTrack - Bu takibi 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=0.7, 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 kullanmak için sağlanan Python veya CLI örneklerini kullanarak başlayabilirsin. İşte nasıl başlayabileceğin:
Örnekfrom 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 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.
Evet. Özel veriseten üzerinde bir detection, segmentation, pose veya OBB modeli eğit ve ardından ağırlıklarını
model.track()'a aktar. Takipçinin kendisi çıkarım sırasında çalışır ve ayrı bir eğitim verisi gerektirmez.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 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")