Ultralytics YOLO26 ile Kuyruk Yönetimi#
Kuyruk Yönetimi Nedir?#
Ultralytics YOLO26 ile kuyruk yönetimi, bekleme sürelerini azaltmak ve verimliliği artırmak için insan veya araç kuyruklarını düzenlemeyi ve kontrol etmeyi içerir. Perakende mağazaları, bankalar, havalimanları ve sağlık tesisleri gibi çeşitli ortamlarda müşteri memnuniyetini ve sistem performansını iyileştirmek için kuyrukları optimize etmeyi amaçlar.
İzle: Ultralytics YOLO26 ile Kuyruk Yönetim Sistemi Nasıl Oluşturulur | Gerçek Zamanlı Kuyruk Analitiği 🚀
Kuyruk Yönetiminin Avantajları#
- Bekleme Sürelerinin Azalması: Kuyruk yönetimi sistemleri, kuyrukları verimli şekilde düzenleyerek müşterilerin bekleme sürelerini en aza indirir. Böylece müşteriler daha az bekleyip ürün ve hizmetlerle daha fazla etkileşim kurar; memnuniyet düzeyleri de yükselir.
- Verimliliğin Artması: Kuyruk yönetimini uygulamak, işletmelerin kaynakları daha etkili şekilde tahsis etmesini sağlar. İşletmeler kuyruk verilerini analiz edip personel dağılımını optimize ederek operasyonları kolaylaştırabilir, maliyetleri düşürebilir ve genel verimliliği artırabilir.
- Gerçek Zamanlı Bilgiler: YOLO26 destekli kuyruk yönetimi, kuyruk uzunlukları ve bekleme süreleri hakkında anlık veriler sunarak yöneticilerin hızla bilinçli kararlar almasını sağlar.
- Daha İyi Müşteri Deneyimi: İşletmeler, uzun süre beklemekten kaynaklanan hayal kırıklığını azaltarak müşteri memnuniyetini ve bağlılığını önemli ölçüde artırabilir.
Gerçek Dünya Uygulamaları#
| Lojistik | Perakende |
|---|---|
 |  |
| Ultralytics YOLO26 ile havalimanındaki bilet gişesinde kuyruk yönetimi | Kalabalıktaki kuyruğun Ultralytics YOLO26 ile izlenmesi |
YOLO26 ile Kuyrukları Yönet#
QueueManager çözümü, tanımlı bir bölgenin içinde kalan nesneleri her karede sayar ve çıktı videosuna yazabileceğin canlı kuyruk uzunluğunu verir. Bekleme alanını kapsayan bir çokgen bölge tanımla, ardından video kaynağında Python API veya CLI ile çalıştır.
# Run a queue example
yolo solutions queue show=True
# Pass a source video
yolo solutions queue source="path/to/video.mp4"
# Pass queue coordinates
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]"QueueManager Bağımsız Değişkenleri#
Aşağıda QueueManager bağımsız değişkenlerini içeren bir tablo bulabilirsin:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Ultralytics YOLO model dosyasının yolu. |
region | list veya dict | None | İlgi bölgesini tanımlayan noktalar; (x, y) demetlerinin listesi veya birden fazla bölge için bölge adlarını nokta listelerine eşleyen bir sözlük (yalnızca RegionCounter). None olduğunda, bölge gerektiren çözümler önceden tanımlanmış varsayılan bölgeye döner. |
line_width | int | 2 | Çözümün çizdiği kutular, anahtar noktalar ve sayılar için çizgi kalınlığı. |
verbose | bool | True | Çözümün her kare için girdi şekli, sınıf sayıları ve işleme hızına ilişkin günlüğünü etkinleştirir. İzleme çağrısının kendisi her zaman sessizdir. |
QueueManager çözümü ayrıca track bağımsız değişkenlerini de destekler:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Kullanılacak izleme algoritmasını belirtir. Yerleşik seçenekler: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Algılamalar için güven eşiğini belirler; düşük değerler daha fazla nesnenin izlenmesine olanak tanır ancak yanlış pozitifleri de içerebilir. |
iou | float | 0.7 | Çakışan algılamaları filtrelemek için Kesişim-Birleşim Oranı (IoU) eşiğini belirler. |
classes | list | None | Sonuçları sınıf dizinine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları izler. |
device | str | None | Çıkarım için kullanılacak cihazı belirtir (ör. cpu, cuda:0 veya 0). Kullanıcıların model yürütme için CPU, belirli bir GPU veya başka hesaplama cihazları arasında seçim yapmasına olanak tanır. |
imgsz | int or tuple | 640 | Hedef çıkarım görüntü boyutu: kare görüntüler için bir tam sayı veya bir (height, width) çifti. Boyutlar model adım değerine göre ayarlanır. |
max_det | int | 300 | Yoğun sahnelerde bir çözümün işleyeceği nesne sayısını sınırlamak için izleme öncesinde kare başına tutulan en yüksek algılama sayısı. |
quantize | int or str | None | Çıkarım hassasiyeti: CPU dışında PyTorch ve TorchScript modelleri için 16 (FP16) veya 32/unset (FP32); diğer biçimler, model yapıtının ve çalışma zamanının seçtiği hassasiyeti kullanır. Kullanımdan kaldırılan half argümanının yerini alır. |
Ayrıca aşağıdaki görselleştirme parametreleri kullanılabilir:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | True ise açıklama eklenmiş görüntüleri veya videoları bir pencerede gösterir. Geliştirme veya test sırasında anında görsel geri bildirim almak için kullanışlıdır. |
show_conf | bool | True | Her algılamanın güven puanını etiketinin yanında gösterir. Modelin her algılamaya ne kadar güvendiğini görmeni sağlar. |
show_labels | bool | True | Görsel çıktıda her algılama için etiketleri gösterir. Algılanan nesnelerin hemen anlaşılmasını sağlar. |
Uygulama Stratejileri#
YOLO26 ile kuyruk yönetimini uygularken şu en iyi uygulamaları göz önünde bulundur:
- Kameraları Stratejik Konumlandırma: Kameraları, kuyruk alanının tamamını engel olmadan görüntüleyecek şekilde yerleştir.
- Uygun Kuyruk Bölgeleri Tanımlama: Kuyruk sınırlarını alanının fiziksel düzenine göre dikkatlice belirle.
- Tespit Güven Eşiğini Ayarlama: Güven eşiğini ışık koşullarına ve kalabalık yoğunluğuna göre hassas şekilde ayarla.
- Mevcut Sistemlerle Entegrasyon: Otomatik yanıtlar için kuyruk yönetimi çözümünü dijital tabelalara veya personel bildirim sistemlerine bağla.
Sık Sorulan Sorular#
Ultralytics YOLO26'yı gerçek zamanlı kuyruk yönetimi için kullanmak üzere şu adımları izleyebilirsin:
- Video akışını
cv2.VideoCapturekullanarak yakala. - Kuyruk yönetimi için ilgi alanını (ROI) tanımla.
solutions.QueueManageröğesiniyolo26n.ptgibi bir YOLO26 modeli ve bölgeyle başlat.- Nesneleri tespit etmek ve kuyrukları yönetmek için kareleri işle.
İşte basit bir örnek:
import cv2 from ultralytics import solutions cap = cv2.VideoCapture("path/to/video.mp4") queue_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)] queuemanager = solutions.QueueManager( model="yolo26n.pt", region=queue_region, line_width=3, show=True, ) while cap.isOpened(): success, im0 = cap.read() if not success: break results = queuemanager(im0) cap.release() cv2.destroyAllWindows()Ultralytics Platform kullanmak, kuyruk yönetimi çözümünün temelindeki modelleri eğitmek ve dağıtmak için kullanıcı dostu bir platform sunarak bu süreci kolaylaştırabilir.
- Video akışını
Kuyruk yönetiminde Ultralytics YOLO26 kullanmak çeşitli avantajlar sunar:
- Bekleme Sürelerinde Büyük Düşüş: Kuyrukları verimli şekilde düzenleyerek müşteri bekleme sürelerini azaltır ve memnuniyeti artırır.
- Verimliliği Artırma: Kuyruk verilerini analiz ederek personel dağılımını ve operasyonları optimize eder, böylece maliyetleri düşürür.
- Gerçek Zamanlı Bilgiler: Her karede canlı kuyruk sayıları sunarak kuyruklar uzadığında hızlı müdahale edilmesini sağlar.
- Ölçeklenebilirlik: Perakende mağazaları, havalimanları ve sağlık tesisleri gibi farklı ortamlarda kolayca ölçeklenebilir.
Daha fazla bilgi için Kuyruk Yönetimi çözümlerimizi incele.
Ultralytics YOLO26'nın kuyruk yönetimi için TensorFlow ve Detectron2'ye kıyasla çeşitli avantajları vardır:
- Gerçek Zamanlı Performans: YOLO26, gerçek zamanlı tespit yetenekleriyle bilinir ve daha yüksek işlem hızları sunar.
- Kullanım Kolaylığı: Ultralytics, eğitimden dağıtıma kadar Ultralytics Platform aracılığıyla kullanıcı dostu bir deneyim sunar.
- Önceden Eğitilmiş Modeller: Kurulum için gereken süreyi en aza indiren çeşitli önceden eğitilmiş modellere erişim.
- Topluluk Desteği: Kapsamlı dokümantasyon ve aktif topluluk desteği, sorunları çözmeyi kolaylaştırır.
Ultralytics YOLO ile nasıl başlayacağını öğren.
Evet, Ultralytics YOLO26 havalimanları ve perakende ortamlarındaki kuyruklar da dahil olmak üzere çeşitli kuyruk türlerini yönetebilir. QueueManager'ı belirli bölgeler ve ayarlarla yapılandırarak YOLO26'yı farklı kuyruk düzenlerine ve yoğunluklarına uyarlayabilirsin.
Havalimanları için örnek:
queue_region_airport = [(50, 600), (1200, 600), (1200, 550), (50, 550)] queue_airport = solutions.QueueManager( model="yolo26n.pt", region=queue_region_airport, line_width=3, )Çeşitli uygulamalar hakkında daha fazla bilgi için Gerçek Dünya Uygulamaları bölümümüze göz at.
Ultralytics YOLO26, kuyruk yönetiminde çeşitli gerçek dünya uygulamalarında kullanılır:
- Perakende: Bekleme sürelerini azaltmak ve müşteri memnuniyetini artırmak için kasa kuyruklarını izler.
- Havalimanları: Yolculara daha sorunsuz bir deneyim sunmak için bilet gişelerindeki ve güvenlik kontrol noktalarındaki kuyrukları yönetir.
- Sağlık: Kliniklerdeki ve hastanelerdeki hasta akışını optimize eder.
- Bankalar: Kuyrukları verimli şekilde yöneterek bankalardaki müşteri hizmetlerini iyileştirir.
Bilgisayarlı görü teknolojisinin farklı sektörlerde kuyruk izlemeyi nasıl dönüştürdüğü hakkında daha fazla bilgi edinmek için gerçek dünyada kuyruk yönetimi hakkındaki blog yazımıza göz at.