Ultralytics YOLO26 ile Nesne Sayımı#

Ultralytics YOLO26 kullanarak bir videodaki nesneleri saymak için şu adımları izleyebilirsin:

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

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 yapılandırmalar ve seçenekler için birden fazla bölgedeki nesneleri aynı anda saymaya yönelik RegionCounter çözümüne göz at.

Nesne sayımı için Ultralytics YOLO26 kullanmak çeşitli avantajlar sunar:

1. Kaynak Optimizasyonu: Doğru sayımlar sağlayarak verimli kaynak yönetimini kolaylaştırır ve envanter yönetimi gibi sektörlerde kaynak tahsisini optimize etmeye yardımcı olur.
2. Gelişmiş Güvenlik: Varlıkları doğru şekilde izleyip sayarak güvenlik ve gözetimi geliştirir; proaktif tehdit algılamaya ve güvenlik sistemlerine yardımcı olur.
3. Bilinçli Karar Verme: Karar verme için değerli içgörüler sunarak perakende, trafik yönetimi ve daha birçok alandaki süreçleri optimize eder.
4. Gerçek Zamanlı İşleme: YOLO26'nın mimarisi gerçek zamanlı çıkarımı mümkün kılarak onu canlı video akışları ve zamana duyarlı uygulamalar için uygun hale getirir.

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

Ultralytics YOLO26 kullanarak belirli nesne sınıflarını saymak için izleme aşamasında ilgilendiğin sınıfları belirtmen gerekir. Aşağıda bir Python örneği verilmiştir:

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 sınıfındaki nesneleri (ör. COCO veri kümesindeki kişi ve araba) saydığı anlamına gelir. Sınıf dizinleri 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, gerçek zamanlı işleme özellikleri sunarak gözetim ve otonom sürüş gibi yüksek hızlı çıkarım gerektiren uygulamalar için ideal hale gelir.
2. Doğruluk: En gelişmiş algılama ve izleme doğruluğunu sunarak yanlış pozitifleri azaltır ve genel sistem güvenilirliğini artırır.
3. Entegrasyon Kolaylığı: YOLO26, mobil cihazlar ve uç cihazlar dahil olmak üzere çeşitli platform ve cihazlarla sorunsuz entegrasyon sunar; bu, modern AI uygulamaları için kritik öneme sahiptir.
4. Esneklik: Algılama ve segmentasyon görevlerini destekler; ayrıca üzerinde izleme modu ve belirli kullanım alanı gereksinimlerini karşılayacak şekilde yapılandırılabilir modeller sunar.

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

Evet, Ultralytics YOLO26 gerçek zamanlı algılama yetenekleri, ölçeklenebilirliği ve entegrasyon esnekliği sayesinde kalabalık analizi ve trafik yönetimi gibi gelişmiş uygulamalar için son derece uygundur. Gelişmiş özellikleri, dinamik ortamlarda yüksek doğrulukla nesne izleme, sayma ve sınıflandırma olanağı sağlar. Örnek kullanım alanları şunlardır:

• Kalabalık Analizi: Güvenliği sağlamak ve bölge tabanlı sayımla kalabalık akışını optimize etmek için büyük toplulukları izle ve yönet.
• Trafik Yönetimi: Araçları izle ve say, trafik düzenlerini analiz et ve hız tahmini özellikleriyle yoğunluğu gerçek zamanlı yönet.
• Perakende Analitiği: Mağaza düzenlerini optimize etmek ve müşteri deneyimini iyileştirmek için müşteri hareketi düzenlerini ve ürün etkileşimlerini analiz et.
• Endüstriyel Otomasyon: Kalite kontrolü ve verimlilik iyileştirmeleri için konveyör bantlarındaki ürünleri say ve üretim hatlarını izle.

Daha özel uygulamalar için gerçek dünyadaki bilgisayarlı görü zorluklarına yönelik kapsamlı bir araç seti sunan Ultralytics Çözümlerini incele.