Ultralytics YOLO26 ile Hız Tahmini 🚀

Hız Tahmini Nedir?

Hız tahmini, belirli bir bağlamda bir nesnenin hareket oranını hesaplama sürecidir ve genellikle bilgisayarlı görü uygulamalarında kullanılır. Ultralytics YOLO26 kullanarak, trafik izleme ve gözetim gibi görevler için kritik öneme sahip olan mesafe ve zaman verileriyle birlikte nesne takibi aracılığıyla nesnelerin hızını artık hesaplayabilirsin. Hız tahmininin doğruluğu, çeşitli uygulamaların verimliliğini ve güvenilirliğini doğrudan etkiler; bu da onu akıllı sistemlerin ve gerçek zamanlı karar verme süreçlerinin ilerlemesinde kilit bir bileşen haline getirir.

Watch: Speed Estimation using Ultralytics YOLO26

Blog Yazımıza Göz At

Hız tahmini hakkında daha derin içgörüler için blog yazımıza göz at: Ultralytics YOLO ile Bilgisayarlı Görü Projelerinde Hız Tahmini

Hız Tahmininin Avantajları

Verimli Trafik Kontrolü: Doğru hız tahmini, trafik akışını yönetmeye, güvenliği artırmaya ve yollardaki yoğunluğu azaltmaya yardımcı olur.
Hassas Otonom Navigasyon: Otonom araçlar gibi otonom sistemlerde, güvenilir hız tahmini, güvenli ve doğru araç navigasyonu sağlar.
Gelişmiş Gözetim Güvenliği: Gözetim analizindeki hız tahmini, olağandışı davranışları veya potansiyel tehditleri tanımlamaya yardımcı olarak güvenlik önlemlerinin etkinliğini artırır.

Gerçek Dünya Uygulamaları

Ulaşım	Ulaşım

Ultralytics YOLO26 ile Yolda Hız Tahmini	Ultralytics YOLO26 ile Köprüde Hız Tahmini

Hız Bir Tahmindir

Hız bir tahmindir ve tamamen doğru olmayabilir. Ayrıca tahmin, kamera özelliklerine ve ilgili faktörlere göre değişiklik gösterebilir.

Ultralytics YOLO ile Hız Tahmini

# 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=0.05

`SpeedEstimator` Argümanları

SpeedEstimator argümanlarını içeren tablo burada:

Argüman	Tür	Varsayılan	Açıklama
`model`	`str`	`None`	Bir Ultralytics YOLO model dosyasına giden yol.
`fps`	`float`	`30.0`	Hız hesaplamaları için kullanılan saniyedeki 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).

SpeedEstimator çözümü, track parametrelerinin kullanılmasına izin verir:

Argüman	Tür	Varsayılan	Açıklama
`tracker`	`str`	`'botsort.yaml'`	Kullanılacak takip algoritmasını belirtir, örneğin `bytetrack.yaml` veya `botsort.yaml`.
`conf`	`float`	`0.1`	Tespitler için güven eşiğini belirler; daha düşük değerler daha fazla nesnenin takip edilmesine izin verir ancak hatalı pozitifleri içerebilir.
`iou`	`float`	`0.7`	Çakışan tespitleri filtrelemek için Birleşim Üzerinde Kesişim (IoU) eşiğini belirler.
`classes`	`list`	`None`	Sonuçları sınıf dizinine göre filtreler. Örneğin, `classes=[0, 2, 3]` sadece belirtilen sınıfları takip eder.
`verbose`	`bool`	`True`	Takip edilen nesnelerin görsel bir çıktısını sağlayarak takip sonuçlarının görüntülenmesini kontrol eder.
`device`	`str`	`None`	Çıkarım için cihazı belirtir (örneğin `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	Tür	Varsayılan	Açıklama
`show`	`bool`	`False`	Eğer `True` ise, açıklamalı görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim için kullanışlıdır.
`line_width`	`int or None`	`None`	Sınırlayıcı kutuların çizgi kalınlığını belirtir. `None` ise, çizgi kalınlığı otomatik olarak görüntü boyutuna göre ayarlanır. Netlik için görsel özelleştirme sağlar.
`show_conf`	`bool`	`True`	Etiketle birlikte her tespit için güven puanını görüntüler. Her bir tespit için modelin kesinliği hakkında fikir verir.
`show_labels`	`bool`	`True`	Görsel çıktıda her tespit için etiketleri görüntüler. Tespit edilen nesnelerin anında anlaşılmasını sağlar.

SSS

Ultralytics YOLO26 kullanarak nesne hızını nasıl tahmin ederim?

Ultralytics YOLO26 ile nesne hızı tahmini; nesne tespiti ve takip tekniklerinin birleştirilmesini içerir. Öncelikle, YOLO26 modelini kullanarak her karedeki nesneleri tespit etmen gerekir. Ardından, nesnelerin zaman içindeki hareketini hesaplamak için bu nesneleri kareler boyunca takip et. Son olarak, nesnenin kareler arasında kat ettiği mesafeyi ve kare hızını kullanarak hızını tahmin et.

Örnek:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
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("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize SpeedEstimator
speedestimator = solutions.SpeedEstimator(
    model="yolo26n.pt",
    show=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = speedestimator(im0)
    video_writer.write(results.plot_im)

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

Daha fazla detay için resmi blog yazımıza başvur.

Trafik yönetiminde hız tahmini için Ultralytics YOLO26 kullanmanın faydaları nelerdir?

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 yoğunluğunu etkili bir şekilde izlemek için YOLO26'nın gerçek zamanlı nesne tespiti yeteneğinden yararlan.
Ölçeklenebilirlik: Modeli uç cihazlardan sunuculara kadar çeşitli donanım kurulumlarında konuşlandırarak büyük ölçekli uygulamalar için esnek ve ölçeklenebilir çözümler sağla.

Daha fazla uygulama için hız tahmininin avantajlarına bak.

YOLO26, TensorFlow veya PyTorch gibi diğer yapay zeka çerçeveleriyle entegre edilebilir mi?

Evet, YOLO26, TensorFlow ve PyTorch gibi diğer yapay zeka çerçeveleriyle entegre edilebilir. Ultralytics, YOLO26 modellerini ONNX, TensorRT ve CoreML gibi çeşitli formatlara dışa aktarmayı destekleyerek diğer ML çerçeveleriyle sorunsuz birlikte çalışabilirlik sağlar.

Bir YOLO26 modelini ONNX formatına dışa aktarmak için:

yolo export model=yolo26n.pt format=onnx

Modelleri dışa aktarma hakkında daha fazla bilgiyi dışa aktarma kılavuzumuzda bulabilirsin.