Ultralytics YOLO26 ile Hız Tahmini#
Hız Tahmini Nedir?#
Hız tahmini, genellikle bilgisayarlı görü uygulamalarında kullanılan ve belirli bir bağlamda bir nesnenin hareket hızını hesaplama sürecidir. Artık Ultralytics YOLO26 ile nesne takibini mesafe ve zaman verileriyle birlikte kullanarak nesnelerin hızını hesaplayabilirsin; bu, trafik izleme ve gözetim gibi görevler için kritik öneme sahiptir. Hız tahmininin doğruluğu çeşitli uygulamaların verimliliğini ve güvenilirliğini doğrudan etkiler; bu da onu akıllı sistemlerin ve gerçek zamanlı karar alma süreçlerinin geliştirilmesinde önemli bir bileşen hâline getirir.
İzle: Ultralytics YOLO26 ile Hız Tahmini
Hız tahmini hakkında daha fazla bilgi için blog yazımıza göz at: Bilgisayarlı Görü Projelerinde Hız Tahmini için Ultralytics YOLO
Hız Tahmininin Avantajları#
- Verimli Trafik Kontrolü: Doğru hız tahmini, trafik akışını yönetmeye, güvenliği artırmaya ve yollardaki sıkışıklığı azaltmaya yardımcı olur.
- Hassas Otonom Navigasyon: Otonom araçlar gibi otonom sistemlerde güvenilir hız tahmini, araçların güvenli ve doğru şekilde yönlendirilmesini sağlar.
- Gelişmiş Gözetim Güvenliği: Gözetim analizinde hız tahmini, olağan dışı davranışları veya olası tehditleri belirlemeye 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 diğer etkenlere bağlı olarak değişebilir.
YOLO26 ile Hız Tahmini Yap#
SpeedEstimator çözümü, her nesneyi kareler boyunca takip eder ve piksel cinsinden yer değiştirmeyi video kare hızı (fps) ve gerçek dünya ölçeğini (meter_per_pixel) kullanarak hıza dönüştürür. Kamera kurulumuna göre meter_per_pixel değerini ayarla ve gürültülü izlerden kaynaklanan aykırı değerleri sınırlamak 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 Bağımsız Değişkenleri#
Aşağıda SpeedEstimator bağımsız değişkenlerini içeren bir tablo bulabilirsin:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Ultralytics YOLO model dosyasının yolu. |
fps | float | 30.0 | Hız hesaplamalarında kullanılan saniyedeki kare sayısı. |
max_hist | int | 5 | Hız/yön hesaplamaları için nesne başına izlenecek en fazla geçmiş nokta sayısı. |
meter_per_pixel | float | 0.05 | Piksel mesafesini gerçek dünya birimlerine dönüştürmek için kullanılan ölçekleme katsayısı. |
max_speed | int | 120 | km/sa cinsinden en yüksek hız; tahmin edilen daha yüksek hızlar bu değerde sınırlandırılır. |
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. |
SpeedEstimator çözümü, track parametrelerinin kullanılmasına olanak tanır:
| 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 seçenekleri desteklenir:
| 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_labels | bool | True | Görsel çıktıda her algılama için etiketleri gösterir. Algılanan nesnelerin hemen anlaşılmasını sağlar. |
Sık Sorulan Sorular#
Ultralytics YOLO26 ile nesne hızı tahmini, nesne algılama ve takibi bir araya getirir. Model her karedeki nesneleri algılar, kareler boyunca takip eder ve kare hızı ile
meter_per_pixelölçeğini kullanarak kareler arasında alınan mesafeyi hıza dönüştürür. Yukarıdaki Python örneği bu sürecin tamamını çalıştırır — videonu ilet vemeter_per_pixeldeğerini kamerana göre ayarla. Daha fazla bilgi için resmî blog yazımıza göz at.Hız tahmini için Ultralytics YOLO26 kullanmak, trafik yönetiminde önemli avantajlar sunar:
- Gelişmiş Güvenlik: Aşırı hız yapan araçları tespit etmek ve yol güvenliğini artırmak için araç hızlarını doğru şekilde tahmin et.
- Gerçek Zamanlı İzleme: Trafik akışını ve sıkışıklığı etkili biçimde izlemek için YOLO26'nın gerçek zamanlı nesne algılama özelliğinden yararlan.
- Ölçeklenebilirlik: Modeli, uç cihazlardan sunuculara kadar çeşitli donanım yapılandırmalarında dağıtarak büyük ölçekli uygulamalar için esnek ve ölçeklenebilir çözümler sun.
Daha fazla uygulama için hız tahmininin avantajlarına göz at.
Evet, YOLO26 TensorFlow ve PyTorch gibi diğer AI çerçeveleriyle entegre edilebilir. Ultralytics, YOLO26 modellerini ONNX, TensorRT ve CoreML gibi çeşitli biçimlere aktarmayı destekleyerek diğer ML çerçeveleriyle sorunsuz birlikte çalışabilirlik sağlar.
Bir YOLO26 modelini ONNX biçimine aktarmak için:
yolo export model=yolo26n.pt format=onnxModelleri dışa aktarma hakkında daha fazla bilgi için dışa aktarma kılavuzumuza göz at.
Ultralytics YOLO26 ile hız tahmininin doğruluğu, nesne takibinin kalitesi, videonun çözünürlüğü ve kare hızı ile çevresel değişkenler dâhil olmak üzere çeşitli etkenlere bağlıdır. Hız tahmin aracı güvenilir tahminler sunsa da kare işleme hızındaki farklılıklar ve nesne örtüşmeleri nedeniyle sonuçlar %100 doğru olmayabilir.
Not: Hata payını daima hesaba kat ve mümkün olduğunda tahminleri gerçek referans verileriyle doğrula.
Doğruluğu artırmaya yönelik daha fazla ipucu için Bağımsız Değişkenler
SpeedEstimatorbölümüne göz at.