Ultralytics YOLO26 ile Nesne Sayımı#

Ultralytics YOLO26 ile videodaki nesneleri saymak için şu adımları izleyebilirsin:

1. Gerekli kütüphaneleri içe aktar (cv2, ultralytics).
2. Sayım bölgesini tanımla (ör. çokgen, çizgi vb.).
3. Video yakalamayı ayarla ve nesne sayacını başlat.
4. Nesneleri izlemek ve tanımlanan bölgede saymak için her kareyi işle.

Bir bölgede sayım yapmak için basit bir örnek:

import cv2

from ultralytics import solutions

def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    cap = cv2.VideoCapture(video_path)
    assert cap.isOpened(), "Error reading video file"
    w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
    counter = solutions.ObjectCounter(show=True, region=region_points, model=model_path)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = counter(im0)
        video_writer.write(results.plot_im)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()

count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolo26n.pt")

Daha gelişmiş yapılandırma ve seçenekler için, nesneleri aynı anda birden fazla bölgede saymaya yönelik RegionCounter çözümüne göz at.

Nesne sayımı için Ultralytics YOLO26 kullanmanın çeşitli avantajları vardır:

1. Kaynak Optimizasyonu: Doğru sayımlar sağlayarak kaynakların verimli yönetilmesini kolaylaştırır ve envanter yönetimi gibi sektörlerde kaynak tahsisini optimize etmeye yardımcı olur.
2. Gelişmiş Güvenlik: Varlıkları doğru şekilde izleyip sayarak güvenlik ve gözetimi güçlendirir; proaktif tehdit tespitine ve güvenlik sistemlerine yardımcı olur.
3. Bilinçli Karar Verme: Karar verme süreçleri için değerli içgörüler sunar; perakende, trafik yönetimi ve daha birçok alandaki süreçleri optimize eder.
4. Gerçek Zamanlı İşleme: YOLO26'nın mimarisi, gerçek zamanlı çıkarım olanağı sunarak canlı video akışları ve zamana duyarlı uygulamalar için uygun olmasını sağlar.

Uygulama örnekleri ve pratik kullanım alanları için belirli bölgelerdeki nesneleri izlemeye yönelik TrackZone çözümünü incele.

Ultralytics YOLO26 ile belirli nesne sınıflarını saymak için izleme aşamasında ilgilendiğin sınıfları belirtmen gerekir. Aşağıda bir Python örneği yer alıyor:

import cv2

from ultralytics import solutions

def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    cap = cv2.VideoCapture(video_path)
    assert cap.isOpened(), "Error reading video file"
    w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    line_points = [(20, 400), (1080, 400)]
    counter = solutions.ObjectCounter(show=True, region=line_points, model=model_path, classes=classes_to_count)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = counter(im0)
        video_writer.write(results.plot_im)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()

count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolo26n.pt", [0, 2])

Bu örnekte classes_to_count=[0, 2], 0 ve 2 sınıflarındaki nesneleri saydığı anlamına gelir (ör. COCO veri kümesindeki kişi ve araba). Sınıf indeksleri hakkında daha fazla bilgiyi COCO veri kümesi belgelerinde bulabilirsin.

Ultralytics YOLO26, Faster R-CNN, SSD ve önceki YOLO sürümleri gibi diğer nesne algılama modellerine kıyasla çeşitli avantajlar sunar:

1. Hız ve Verimlilik: YOLO26, gözetim ve otonom sürüş gibi yüksek hızlı çıkarım gerektiren uygulamalar için ideal olan gerçek zamanlı işleme yetenekleri sunar.
2. Doğruluk: Son teknoloji algılama ve izleme doğruluğu sunarak yanlış pozitifleri azaltır ve genel sistem güvenilirliğini artırır.
3. Entegrasyon Kolaylığı: YOLO26; mobil cihazlar ve uç cihazlar dâhil çeşitli platform ve cihazlarla sorunsuz entegrasyon sunar; bu, modern AI uygulamaları için kritik öneme sahiptir.
4. Esneklik: Belirli kullanım alanlarının gereksinimlerini karşılamak için yapılandırılabilir modellerle algılama ve segmentasyon görevlerini destekler; ayrıca izleme modu da sunar.

Özelliklerini ve performans karşılaştırmalarını daha ayrıntılı incelemek için Ultralytics YOLO26 Belgelerine göz at.

Evet, Ultralytics YOLO26; gerçek zamanlı algılama yetenekleri, ölçeklenebilirliği ve esnek entegrasyonu sayesinde kalabalık analizi ve trafik yönetimi gibi gelişmiş uygulamalar için son derece uygundur. Gelişmiş özellikleri, dinamik ortamlarda nesneleri yüksek doğrulukla izlemeyi, saymayı ve sınıflandırmayı sağlar. Örnek kullanım alanları:

• Kalabalık Analizi: Bölge tabanlı sayım ile büyük kalabalıkları izle ve yönet; güvenliği sağlarken kalabalık akışını optimize et.
• Trafik Yönetimi: Hız tahmini yetenekleriyle araçları izle ve say, trafik düzenlerini analiz et ve tıkanıklığı gerçek zamanlı olarak yönet.
• Perakende Analitiği: Mağaza düzenlerini optimize etmek ve müşteri deneyimini iyileştirmek için müşteri hareket düzenlerini ve ürün etkileşimlerini analiz et.
• Endüstriyel Otomasyon: Kalite kontrolü ve verimlilik iyileştirmeleri için konveyör bantlarındaki ürünleri say ve üretim hatlarını izle.

Gerçek dünyadaki bilgisayarlı görü zorlukları için tasarlanmış kapsamlı araç setini görmek üzere daha özel uygulamalar için Ultralytics Çözümlerini incele.