Ultralytics YOLO26 kullanarak Hız Tahmini 🚀#
Hız Tahmini nedir?#
Speed estimation, computer vision uygulamalarında sıklıkla kullanılan, belirli bir bağlam içerisindeki bir nesnenin hareket hızını hesaplama sürecidir. Ultralytics YOLO26 kullanarak artık object tracking verileri ile birlikte mesafe ve zaman verilerini kullanarak nesnelerin hızını hesaplayabilirsin; bu, trafik izleme ve gözetim gibi görevler için çok önemlidir. Hız tahmininin doğruluğu, çeşitli uygulamaların verimliliğini ve güvenilirliğini doğrudan etkiler ve onu akıllı sistemlerin geliştirilmesinde ve gerçek zamanlı karar verme süreçlerinde kilit bir bileşen haline getirir.
Watch: Speed Estimation using Ultralytics YOLO26
Hız tahmini hakkında daha derinlemesine bilgiler için blog yazımıza göz at: Ultralytics YOLO for Speed Estimation in Computer Vision Projects
Hız Tahmininin Avantajları#
- Verimli Trafik Kontrolü: Doğru hız tahmini, trafik akışını yönetmeye, güvenliği artırmaya ve yollardaki sıkışıklığı azaltmaya yardımcı olur.
- Hassas Otonom Navigasyon: self-driving cars gibi otonom sistemlerde güvenilir hız tahmini, aracın güvenli ve doğru bir şekilde yönlendirilmesini sağlar.
- Gelişmiş Gözetim Güvenliği: Gözetim analitiğinde hız tahmini, olağandışı davranışları veya potansiyel tehditleri tanımlamaya yardımcı olarak güvenlik önlemlerinin etkinliğini artırır.
Gerçek Dünya Uygulamaları#
| Ulaşım | Ulaşım |
|---|---|
 |  |
| Ultralytics YOLO26 kullanarak Karayolunda Hız Tahmini | Ultralytics YOLO26 kullanarak Köprüde Hız Tahmini |
Hız bir Tahmindir
Hız bir tahmin olacaktır ve tamamen doğru olmayabilir. Ayrıca, tahmin kamera özelliklerine ve ilgili faktörlere göre değişiklik gösterebilir.
YOLO26 ile Hız Tahmini Yap#
SpeedEstimator çözümü, her bir nesneyi kareler boyunca takip eder ve video kare hızı (fps) ile gerçek dünya ölçeğini (meter_per_pixel) kullanarak piksel yer değiştirmesini bir hıza dönüştürür. meter_per_pixel değerini kamera kurulumuna göre ayarla ve gürültülü izlerden kaynaklanan uç değerleri engellemek için max_speed kullan.
# Run a speed example
yolo solutions speed show=True
# Pass a source video
yolo solutions speed source="path/to/video.mp4"
# Adjust meter per pixel value based on camera configuration
yolo solutions speed meter_per_pixel=0.05SpeedEstimator Argümanları#
İşte SpeedEstimator argümanlarını içeren bir tablo:
| Argüman | Tip | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Bir Ultralytics YOLO model dosyasına giden yol. |
fps | float | 30.0 | Hız hesaplamaları için kullanılan saniye başına kare sayısı. |
max_hist | int | 5 | Hız/yön hesaplamaları için nesne başına izlenecek maksimum geçmiş nokta sayısı. |
meter_per_pixel | float | 0.05 | Piksel mesafesini gerçek dünya birimlerine dönüştürmek için kullanılan ölçeklendirme faktörü. |
max_speed | int | 120 | Görsel katmanlardaki maksimum hız sınırı (uyarılarda kullanılır). |
line_width | int | 2 | Çözümün çizdiği kutular, anahtar noktalar ve sayımlar için çizgi kalınlığı. |
verbose | bool | True | Çözümün girdi şekli, sınıf sayıları ve işleme hızına yönelik kare başına günlüğünü etkinleştirir. Takip çağrısının kendisi her zaman sessizdir. |
SpeedEstimator çözümü, track parametrelerinin kullanılmasını sağlar:
| Argüman | Tip | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'botsort.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 ayarlar; daha düşük değerler daha fazla nesnenin izlenmesine izin verir ancak hatalı pozitif sonuçlar içerebilir. |
iou | float | 0.7 | Örtüşen tespitleri filtrelemek için Intersection over Union (IoU) eşiğini ayarlar. |
classes | list | None | Sonuçları sınıf indeksine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları izler. |
device | str | None | Çıkarım için cihazı belirtir (ör. cpu, cuda:0 veya 0). Kullanıcıların model yürütme için CPU, belirli bir GPU veya diğer bilgi işlem cihazları arasında seçim yapmasına olanak tanır. |
Ek olarak, aşağıdaki görselleştirme seçenekleri desteklenmektedir:
| Argüman | Tip | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | Eğer True ise, açıklama eklenmiş görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim için kullanışlıdır. |
show_conf | bool | True | Her tespit için güven skorunu etiketin yanında görüntüler. Her bir tespit için modelin kesinliği hakkında içgörü sağlar. |
show_labels | bool | True | Görsel çıktıda her bir tespit için etiketleri görüntüler. Tespit edilen nesnelerin anında anlaşılmasını sağlar. |
SSS#
Ultralytics YOLO26 ile nesne hızı tahmini, object detection ve takibini birleştirir. Model, her karede nesneleri algılar, bunları kareler boyunca takip eder ve kare hızı ile
meter_per_pixelölçeğini kullanarak kareler arasında katedilen mesafeyi bir hıza dönüştürür. Yukarıdaki Python örneği bu tam işlem hattını çalıştırır; videonu ilet vemeter_per_pixeldeğerini kamerana göre ayarla. Daha fazla arka plan bilgisi için resmi blog yazımıza göz at.Hız tahmini için Ultralytics YOLO26 kullanmak, trafik yönetiminde önemli avantajlar sunar:
- Gelişmiş Güvenlik: Aşırı hızı tespit etmek ve yol güvenliğini artırmak için araç hızlarını doğru bir şekilde tahmin et.
- Gerçek Zamanlı İzleme: Trafik akışını ve sıkışıklığı etkili bir şekilde izlemek için YOLO26'nın gerçek zamanlı nesne algılama yeteneğinden yararlan.
- Ölçeklenebilirlik: Büyük ölçekli uygulamalar için esnek ve ölçeklenebilir çözümler sağlayarak modeli edge devices cihazlardan sunuculara kadar çeşitli donanım kurulumlarında dağıt.
Daha fazla uygulama için advantages of speed estimation konusuna göz at.
Evet, YOLO26, TensorFlow ve PyTorch gibi diğer AI çerçeveleriyle entegre edilebilir. Ultralytics; YOLO26 modellerini ONNX, TensorRT ve CoreML gibi çeşitli formatlara aktarmak için destek sunarak diğer ML çerçeveleriyle sorunsuz bir şekilde birlikte çalışabilirliği sağlar.
Bir YOLO26 modelini ONNX formatına aktarmak için:
yolo export model=yolo26n.pt format=onnxModelleri dışa aktarma hakkında daha fazla bilgi edinmek için guide on export kılavuzumuza göz at.
Ultralytics YOLO26 kullanan hız tahmininin accuracy değeri; nesne takibinin kalitesi, videonun çözünürlüğü ve kare hızı ile çevresel değişkenler dahil olmak üzere çeşitli faktörlere bağlıdır. Hız tahmincisi güvenilir tahminler sağlasa da, kare işleme hızındaki varyanslar ve nesne kapanması nedeniyle %100 doğru olmayabilir.
Not: Her zaman hata payını göz önünde bulundur ve mümkün olduğunda tahminleri gerçek veriyle doğrula.
Daha fazla doğruluk iyileştirme ipucu için Arguments
SpeedEstimatorsection bölümünü kontrol et.