─░├žeri─če ge├ž

Ultralytics YOLOv8 ­čÜÇ Kullanarak H─▒z Tahmini

H─▒z Tahmini Nedir?

H─▒z tahmini, genellikle bilgisayarla g├Ârme uygulamalar─▒nda kullan─▒lan, belirli bir ba─člam i├žinde bir nesnenin hareket oran─▒n─▒ hesaplama i┼člemidir. Kullanma Ultralytics YOLOv8 Art─▒k trafik ve g├Âzetleme gibi g├Ârevler i├žin ├žok ├Ânemli olan mesafe ve zaman verilerinin yan─▒ s─▒ra nesne takibini kullanarak nesnenin h─▒z─▒n─▒ hesaplayabilirsiniz. H─▒z tahmininin do─črulu─ču, ├že┼čitli uygulamalar─▒n verimlili─čini ve g├╝venilirli─čini do─črudan etkileyerek ak─▒ll─▒ sistemlerin ve ger├žek zamanl─▒ karar verme s├╝re├žlerinin ilerlemesinde kilit bir bile┼čen haline getirir.



─░zle: Kullanarak H─▒z Tahmini Ultralytics YOLOv8

Blogumuza G├Âz At─▒n

H─▒z tahmini hakk─▒nda daha derin bilgiler i├žin blog yaz─▒m─▒za g├Âz at─▒n: Ultralytics YOLOv8 for Speed Estimation in Computer Vision Projects

H─▒z Tahmininin Avantajlar─▒?

  • Verimli Trafik Kontrol├╝: Do─čru h─▒z tahmini, trafik ak─▒┼č─▒n─▒ y├Ânetmeye, g├╝venli─či art─▒rmaya ve karayollar─▒ndaki t─▒kan─▒kl─▒─č─▒ azaltmaya yard─▒mc─▒ olur.
  • Hassas Otonom Navigasyon: Kendi kendine giden arabalar gibi otonom sistemlerde, g├╝venilir h─▒z tahmini g├╝venli ve do─čru ara├ž navigasyonu sa─člar.
  • Geli┼čtirilmi┼č G├Âzetim G├╝venli─či: G├Âzetim analiti─čindeki h─▒z tahmini, ola─čand─▒┼č─▒ davran─▒┼člar─▒n veya potansiyel tehditlerin belirlenmesine yard─▒mc─▒ olarak g├╝venlik ├Ânlemlerinin etkinli─čini art─▒r─▒r.

Ger├žek D├╝nya Uygulamalar─▒

Ula┼č─▒m Ula┼č─▒m
Yol ├ťzerinde H─▒z Tahmini Ultralytics YOLOv8 K├Âpr├╝ ├ťzerinde H─▒z Tahmini Ultralytics YOLOv8
Yol ├ťzerinde H─▒z Tahmini Ultralytics YOLOv8 K├Âpr├╝ ├ťzerinde H─▒z Tahmini Ultralytics YOLOv8

YOLOv8 kullanarak H─▒z Tahmini ├ľrnek

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
names = model.model.names

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
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
video_writer = cv2.VideoWriter("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

line_pts = [(0, 360), (1280, 360)]

# Init speed-estimation obj
speed_obj = solutions.SpeedEstimator(
    reg_pts=line_pts,
    names=names,
    view_img=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    tracks = model.track(im0, persist=True, show=False)

    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()
H─▒z Tahminidir

H─▒z bir tahmin olacakt─▒r ve tamamen do─čru olmayabilir. Ayr─▒ca, tahmin GPU h─▒z─▒na ba─čl─▒ olarak de─či┼čebilir.

Arg├╝manlar SpeedEstimator

─░sim Tip Varsay─▒lan A├ž─▒klama
names dict None S─▒n─▒f adlar─▒ s├Âzl├╝─č├╝.
reg_pts list [(20, 400), (1260, 400)] H─▒z tahmini i├žin b├Âlge noktalar─▒n─▒n listesi.
view_img bool False G├Âr├╝nt├╝n├╝n ek a├ž─▒klamalarla g├Âr├╝nt├╝lenip g├Âr├╝nt├╝lenmeyece─či.
line_thickness int 2 Kutular─▒ ve izleri ├žizmek i├žin ├žizgilerin kal─▒nl─▒─č─▒.
region_thickness int 5 B├Âlge ├žizgilerinin kal─▒nl─▒─č─▒.
spdl_dist_thresh int 10 H─▒z hesaplamas─▒ i├žin mesafe e┼či─či.

Arg├╝manlar model.track

─░sim Tip Varsay─▒lan A├ž─▒klama
source im0 None resimler veya videolar i├žin kaynak dizin
persist bool False kareler aras─▒nda kal─▒c─▒ izler
tracker str botsort.yaml ─░zleme y├Ântemi 'bytetrack' veya 'botsort'
conf float 0.3 G├╝ven E┼či─či
iou float 0.5 IOU E┼či─či
classes list None sonu├žlar─▒ s─▒n─▒fa g├Âre filtreleyin, yani classes=0 veya classes=[0,2,3]
verbose bool True Nesne izleme sonu├žlar─▒n─▒ g├Âr├╝nt├╝leme


Created 2024-01-05, Updated 2024-06-10
Authors: glenn-jocher (6), IvorZhu331 (1), RizwanMunawar (2), Burhan-Q (1), AyushExel (1)

Yorumlar