Ultralytics YOLO26 ile Hız Tahmini#
Hız Tahmini Nedir?#
Hız tahmini, belirli bir bağlamda bir nesnenin hareket hızını hesaplama işlemidir ve genellikle bilgisayarlı görü uygulamalarında kullanılır. Ultralytics YOLO26 ile artık nesne takibi yöntemini 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 haline getirir.
Watch: Speed Estimation using Ultralytics YOLO26
Hız tahmini hakkında daha derinlemesine bilgi edinmek için blog yazımıza göz at: Bilgisayarlı Görü Projelerinde Hız Tahmini için Ultralytics YOLO
Hız Tahmininin Avantajları#
- Verimli Trafik Yönetimi: Doğru hız tahmini, trafik akışının yönetilmesine, güvenliğin artırılmasına ve yollardaki sıkışıklığın azaltılmasına yardımcı olur.
- Hassas Otonom Navigasyon: Otonom araçlar gibi otonom sistemlerde güvenilir hız tahmini, araçların güvenli ve doğru şekilde yönlendirilmesini sağlar.
- Gelişmiş Gözetim Güvenliği: Gözetim analizlerinde hız tahmini, olağan dışı davranışların veya olası tehditlerin belirlenmesine yardımcı olarak güvenlik önlemlerinin etkinliğini artırır.
Gerçek Dünya Uygulamaları#
| Ulaşım | Ulaşım |
|---|---|
 |  |
| Yolda Ultralytics YOLO26 ile Hız Tahmini | Köprüde Ultralytics YOLO26 ile Hız Tahmini |
Hız Bir Tahmindir
Hız bir tahmindir ve tamamen doğru olmayabilir. Ayrıca tahmin, kamera özelliklerine ve ilgili diğer faktörlere göre değişebilir.
YOLO26 ile Hız Tahmini#
SpeedEstimator çözümü her nesneyi kareler boyunca takip eder ve piksel yer değiştirmesini video kare hızı (fps) ile gerçek dünya ölçeğini (meter_per_pixel) kullanarak hıza dönüştürür. meter_per_pixel değerini kamera kurulumuna göre ayarla ve gürültülü izlerden kaynaklanan aykırı değerleri sınırlandırmak 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#
SpeedEstimator bağımsız değişkenlerini içeren tablo aşağıda verilmiştir:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Bir Ultralytics YOLO model dosyasının yolu. |
fps | float | 30.0 | Hız hesaplamalarında 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, kilit noktaları ve sayılar için çizgi kalınlığı. |
verbose | bool | True | Çözümün kare başına giriş şeklini, sınıf sayılarını ve işlem hızını kaydetmesini etkinleştirir. Takip çağrısı her zaman sessizdir. |
SpeedEstimator çözümü, track parametrelerinin kullanılmasına olanak tanır:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Kullanılacak takip 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; daha düşük değerler daha fazla nesnenin takip edilmesine olanak tanır ancak yanlış pozitifler içerebilir. |
iou | float | 0.7 | Örtüşen algılamaları filtrelemek için Birleşim Üzerindeki Kesişim (IoU) eşiğini belirler. |
classes | list | None | Sonuçları sınıf dizinine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları takip eder. |
device | str | None | Çıkarım için cihazı belirtir (ör. cpu, cuda:0 veya 0). Kullanıcıların model çalıştırma işlemi için CPU, belirli bir GPU veya diğer hesaplama cihazları arasında seçim yapmasına olanak tanır. |
imgsz | int or tuple | 640 | Hedef çıkarım görüntü boyutu: kare için bir tamsayı veya bir (height, width) çifti. Şekiller model adımına göre ayarlanır. |
max_det | int | 300 | İzlemeden önce kare başına tutulan maksimum algılama sayısı; yoğun sahnelerde bir çözümün işlediği nesneleri sınırlar. |
quantize | int or str | None | Çıkarım hassasiyeti: PyTorch ve TorchScript modelleri için 16 (FP16) veya 32/ayarlanmamış (FP32); diğer formatlar, yapılarının ve çalışma zamanının seçtiği hassasiyette hesaplama yapar. Kullanımdan kaldırılan half bayrağının yerini alır. |
Ayrıca aşağıdaki görselleştirme seçenekleri desteklenir:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | True olduğunda açıklamalı görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim almak için kullanışlıdır. |
show_conf | bool | True | Her algılamanın güven skorunu etiketin yanında görüntüler. Modelin her algılamaya ilişkin kesinliği hakkında fikir verir. |
show_labels | bool | True | Görsel çıktıda her algılama için etiketleri görüntüler. Algılanan nesnelerin hemen anlaşılmasını sağlar. |
SSS#
Ultralytics YOLO26 ile nesne hızını tahmin etmek, nesne algılama ve takibi bir araya getirir. Model, her karedeki nesneleri algılar, bunları kareler boyunca takip eder ve kareler arasında katedilen mesafeyi kare hızını ve
meter_per_pixelölçeğini kullanarak hıza dönüştürür. Yukarıdaki Python örneği bu işlem hattının tamamını çalıştırır — videonu ilet vemeter_per_pixeldeğerini kamerana göre ayarla. Daha fazla arka plan bilgisi için resmî blog yazımıza başvur.Hız tahmini için Ultralytics YOLO26 kullanmak, trafik yönetiminde önemli avantajlar sunar:
- Gelişmiş Güvenlik: Aşırı hızları tespit etmek ve yol güvenliğini artırmak için araç hızlarını doğru şekilde tahmin et.
- Gerçek Zamanlı İzleme: Trafik akışını ve sıkışıklığı etkili bir şekilde izlemek için YOLO26'nın gerçek zamanlı nesne algılama yeteneğinden yararlan.
- Ölçeklenebilirlik: Esnek ve ölçeklenebilir büyük ölçekli uygulamalar sağlamak için modeli uç cihazlardan sunuculara kadar çeşitli donanım kurulumlarında dağıt.
Daha fazla uygulama için hız tahmininin avantajlarına göz at.
Evet, YOLO26 TensorFlow ve PyTorch gibi diğer yapay zeka çerçeveleriyle entegre edilebilir. Ultralytics, diğer makine öğrenimi çerçeveleriyle sorunsuz birlikte çalışabilirlik sağlamak için YOLO26 modellerinin ONNX, TensorRT ve CoreML gibi çeşitli biçimlere aktarılmasını destekler.
Bir YOLO26 modelini ONNX biçimine aktarmak için:
yolo export model=yolo26n.pt format=onnxModelleri dışa aktarma hakkında daha fazla bilgi edinmek için dışa aktarma kılavuzumuza göz at.
Ultralytics YOLO26 kullanılarak yapılan hız tahmininin doğruluğu, nesne takibinin kalitesi, videonun çözünürlüğü ve kare hızı ile çevresel değişkenler de dahil olmak üzere çeşitli faktörlere bağlıdır. Hız tahmin aracı güvenilir tahminler sunsa da kare işleme hızındaki farklılıklar ve nesne kapanması nedeniyle %100 doğru olmayabilir.
Not: Hata payını her zaman göz önünde bulundur ve mümkün olduğunda tahminleri gerçek referans verileriyle doğrula.
Doğruluğu daha fazla artırmaya yönelik ipuçları için Arguments
SpeedEstimatorbölümüne göz at.