Ultralytics YOLO ile Çoklu Nesne Takibi#

Video analitiği alanında nesne takibi, yalnızca kare içindeki nesnelerin konumunu ve sınıfını belirlemekle kalmayıp video ilerledikçe algılanan her nesneye benzersiz bir kimlik atamayı da gerektiren kritik bir görevdir. Gözetim ve güvenlikten gerçek zamanlı spor analitiğine kadar sınırsız sayıda uygulama alanı vardır.

Planlanan takip desteği için yayımlanmamış YOLO27 önizlemesine göz at.

Nesne Takibi için Neden Ultralytics YOLO'yu Seçmelisin?#

Ultralytics takip algoritmalarının çıktısı standart nesne algılamayla tutarlıdır, ancak nesne kimlikleri de sağlar. Bu sayede video akışlarındaki nesneleri takip etmek ve sonraki analizleri gerçekleştirmek kolaylaşır. Nesne takibi ihtiyaçların için Ultralytics YOLO'yu kullanmayı düşünmen için bazı nedenler:

• Verimlilik: Doğruluktan ödün vermeden video akışlarını gerçek zamanlı işle.
• Esneklik: Birden fazla takip algoritmasını ve yapılandırmasını destekler.
• Kullanım Kolaylığı: Hızlı entegrasyon ve dağıtım için basit Python API'si ve CLI seçenekleri sunar.
• Özelleştirilebilirlik: Özel olarak eğitilmiş YOLO modelleriyle kolayca kullanılabilir ve belirli bir alana yönelik uygulamalara entegre edilebilir.

Gerçek Dünya Uygulamaları#

Hızlı Başlangıç#

Varsayılan TrackTrack takip algoritmasıyla bir videoda takibi başlat. tracker bağımsız değişkenini değiştirerek başka bir takip algoritmasına geç.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Varsayılan takip algoritması (TrackTrack)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)

# ByteTrack'e geç
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

Video akışlarında takip algoritmasını çalıştırmak için YOLO26n, YOLO26n-seg, YOLO26n-pose veya YOLO26n-obb gibi eğitilmiş bir Detect, Segment, Pose ya da OBB modeli kullan. Özel modelleri yerel olarak veya Ultralytics Platform bulut eğitimiyle eğitebilirsin.

from ultralytics import YOLO

# Resmî veya özel bir model yükle
model = YOLO("yolo26n.pt")  # Resmî bir Detect modeli yükle
model = YOLO("yolo26n-seg.pt")  # Resmî bir Segment modeli yükle
model = YOLO("yolo26n-pose.pt")  # Resmî bir Pose modeli yükle
model = YOLO("path/to/best.pt")  # Özel olarak eğitilmiş bir model yükle

# Modelle takip gerçekleştir
results = model.track("https://youtu.be/LNwODJXcvt4", show=True)  # Varsayılan takip algoritmasıyla takip
results = model.track("https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")  # ByteTrack ile

Desteklenen Takip Algoritmaları#

Ultralytics YOLO, yerleşik altı takip algoritmasıyla birlikte gelir. Birini etkinleştirmek için YAML yapılandırma dosyasını tracker bağımsız değişkenine geçir.

Hangi Takip Algoritmasını Kullanmalıyım?#

Başlangıç noktası seçmek için bu akıştan yararlan; tracker belirtmediğinde tracktrack.yaml kullanılır:

1. En hızlı ve en basit temel çözümü mü arıyorsun? → ByteTrack (ReID yok, kamera hareketi telafisi yok, en düşük ek yük).
2. Elde çekilmiş, drone veya hareketli kamerayla çekilmiş görüntüler mi kullanıyorsun? → BoT-SORT (kamera hareketi telafisi ve isteğe bağlı ReID ekler).
3. Doğrusal olmayan hareket (spor, dans, ani dönüşler) var ve ReID kullanmıyor musun? → OC-SORT (görünüş eşleştirme maliyeti olmadan gözlem odaklı düzeltmeler yapar).
4. Kimlik değişimlerinin başlıca sorun olduğu kalabalık ve hareketli kameralı sahneler mi var? → Deep OC-SORT veya TrackTrack (ikisi de isteğe bağlı görünüş eşleştirmesini destekler; TrackTrack ayrıca çoklu ipucu eşleştirmesi ve yinelenen kimlikleri bastırma özelliği sunar).
5. Gerçek zamanlı kullanımda sık sık kısmi örtüşme oluyor ve ReID için bütçen yok mu? → FastTracker (Kalman geri alma özelliğine sahip, örtüşmeleri dikkate alan bir ByteTrack çeşidi).

Takip Algoritmalarını Değiştirme#

Takip algoritmasının yapılandırma dosyası adını tracker= bağımsız değişkenine geçir. Diğer tüm kodlar aynı kalır.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

results = model.track(source="path/to/video.mp4", tracker="bytetrack.yaml")
results = model.track(source="path/to/video.mp4", tracker="ocsort.yaml")
results = model.track(source="path/to/video.mp4", tracker="tracktrack.yaml")

Yapılandırma#

Takip Bağımsız Değişkenleri#

Takip yapılandırması; conf, iou ve show gibi özellikleri Predict moduyla paylaşır. Diğer yapılandırmalar için Predict model sayfasına bak.

from ultralytics import YOLO

# Takip parametrelerini yapılandır ve takip algoritmasını çalıştır
model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

Özel Takip Algoritması Yapılandırması#

Ultralytics, değiştirilmiş bir takip algoritması yapılandırma dosyası kullanmana da olanak tanır. Bunun için ultralytics/cfg/trackers dizininden bir takip algoritması yapılandırma dosyasının (örneğin, custom_tracker.yaml) kopyasını oluştur ve ihtiyaçlarına göre tracker_type dışındaki tüm yapılandırmaları değiştir.

from ultralytics import YOLO

# Modeli yükle ve özel bir yapılandırma dosyasıyla takip algoritmasını çalıştır
model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", tracker="custom_tracker.yaml")

Ortak Takip Algoritması Bağımsız Değişkenleri#

Aşağıdaki parametreler takip algoritmalarının YAML dosyalarının çoğunda ortaktır; her parametre her yapılandırma dosyasında bulunmayabilir:

İzleyiciye Özgü Argümanlar#

Her algoritma, paylaşılan parametrelere ek olarak başka ayarlar da sunar. Açıklamalar ve ayarlama önerileri için aşağıdaki izleyici bölümlerine bak veya doğrudan yapılandırma dosyalarını incele:

• botsort.yaml
• bytetrack.yaml
• ocsort.yaml
• deepocsort.yaml
• fasttrack.yaml
• tracktrack.yaml

Yeniden Kimlik Tanıma (ReID) Özelliğini Etkinleştirme#

Ek yükü en aza indirmek için ReID varsayılan olarak devre dışıdır. Bir izleyici yapılandırma dosyasında with_reid: True değerini ayarlayarak etkinleştir.

ReID modeli seçenekleri:

• model: auto — Yerel YOLO algılayıcı özelliklerini kullanır ve ek yükü en aza indirir. Büyük bir performans kaybı yaşamadan ReID'den yararlanmak istediğinde idealdir. Algılayıcı uyumlu özellikler sunmuyorsa yolo26n-cls.pt seçeneğine geri döner.
• Özel ReID modeli — model: değerini bir .pt kontrol noktasına veya .torchscript, .onnx, .engine gibi uyumlu, dışa aktarılmış bir gömme modeline ya da bir OpenVINO model dizinine yönlendir. Dışa aktarılmış modeller AutoBackend aracılığıyla yüklenir ve doğrudan bir gömme tensörü üretmelidir.

Her model boyutu için kullanıma hazır ONNX kodlayıcıları yayımlanmıştır. model: değerini bu adlardan birine ayarla; izleyici ilk kez çalıştığında dosya otomatik olarak indirilir (YOLO ağırlıklarının alınmasıyla aynı şekilde) — elle dışa aktarma veya indirme gerekmez:

# In your tracker config (e.g. tracktrack.yaml)
with_reid: True
model: yolo26n-reid.onnx # downloaded on first use; swap n→s/m/l/x for a larger encoder

Ayrı bir sınıflandırma modeliyle daha iyi performans elde etmek için modeli TensorRT gibi daha hızlı bir arka uca dışa aktar:

from torch import nn

from ultralytics import YOLO

# Sınıflandırma modelini yükle
model = YOLO("yolo26n-cls.pt")

# Ortalama havuzlama katmanı ekle
head = model.model.model[-1]
pool = nn.Sequential(nn.AdaptiveAvgPool2d((1, 1)), nn.Flatten(start_dim=1))
pool.f, pool.i = head.f, head.i
model.model.model[-1] = pool

# TensorRT'ye dışa aktar
model.export(format="engine", quantize=16, dynamic=True, batch=32)

Dışa aktarma tamamlandıktan sonra izleyici yapılandırmanda TensorRT model yolunu belirt.

İzleyici Ayrıntıları#

Aşağıdaki bölümlerde her izleyicinin tasarımı, belirli parametreleri ve ayarlama ipuçları açıklanır.

BoT-SORT#

BoT-SORT (Aharon ve diğerleri, 2022), ByteTrack'i kamera hareketi telafisi ve isteğe bağlı ReID ile genişletir:

• Kamera Hareketi Telafisi (CMC): Her karede tahmin edilen bir afin dönüşüm (varsayılan olarak seyrek optik akış; ORB / ECC de kullanılabilir), IoU eşleştirmesinden önce Kalman durumlarına uygulanır.
• İsteğe bağlı ReID: Görünüş gömmeleri maliyet matrisine dahil edilebilir. Varsayılan olarak devre dışıdır; with_reid: True ile etkinleştir.

En uygun kullanım: Genel amaçlı izleme, özellikle hareketli kameralar. Benzer görünen kalabalıklar kimlik değişimlerine yol açıyorsa ReID ekle.

BoT-SORT'a özgü argümanlar:

Ayarlama ipuçları:

• Sabit kamera: Kare başına birkaç ms kazanmak için gmc_method: none değerini ayarla.
• Yoğun kamera hareketi: sparseOptFlow değerini koru; ecc daha doğrudur ancak daha yavaştır.
• Benzer görünen kalabalıklar: with_reid: True özelliğini etkinleştir ve appearance_thresh değerini artır (ör. 0.85+).

ByteTrack#

ByteTrack (Zhang ve diğerleri, ECCV 2022), hafif bir temel yöntemdir. İki aşamalı eşleştirme için doğrusal Kalman + IoU kullanır:

• 1. Aşama: yüksek puanlı tespitleri etkin izlerle eşleştir.
• 2. Aşama: kısa süreli kısmi örtülmelerde izleri kurtarmak için eşleşmeyen izleri düşük puanlı tespitlerle yeniden eşleştirmeyi dene.

Görünüş modeli ve kamera hareketi telafisi yoktur.

En uygun kullanım: Algılayıcı maliyetinin baskın olduğu ve izleyici ek yükünü en aza indirmek istediğin sabit veya neredeyse sabit kameralar.

ByteTrack'e özgü argümanlar: paylaşılan izleyici argümanları dışında yoktur.

Ayarlama ipuçları:

• Gürültülü algılayıcı: İkinci aşamanın daha fazla aday bulması için track_low_thresh değerini düşür.
• Yüksek duyarlılıklı algılayıcı: Parçalı kimlikleri azaltmak için track_high_thresh değerini artır.
• Sık kimlik titreşimi: Kısa süreliğine kaçırılan izlerin korunması için track_buffer değerini artır.

OC-SORT#

OC-SORT (Cao ve diğerleri, CVPR 2023), SORT'un gözlem merkezli bir uzantısıdır. SORT'un hafif tasarımını (görünüş özellikleri yoktur) korur ve üç düzeltme ekler:

• Gözlem Merkezli Yeniden Güncelleme (ORU): Son gözlem ile mevcut tespit arasında sanal bir yörüngeyi yeniden oynatır ve kaymış hızı düzeltmek için Kalman güncellemesini yeniden çalıştırır.
• Gözlem Merkezli Momentum (OCM): Hız tutarlılığı terimi aracılığıyla yanlış yönde hareket eden tespitleri cezalandırır.
• Gözlem Merkezli Kurtarma (OCR): Eşleşmeyen tespitleri, tahmin edilen durum yerine son gözlemlerini kullanarak yakın zamanda kaybolan izlerle yeniden kontrol eder.

En uygun kullanım: ReID modeli maliyetine katlanmadan doğrusal olmayan hareketleri izleme.

OC-SORT'a özgü argümanlar:

Ayarlama ipuçları:

• Doğrusal olmayan hareket: inertia değerini artır (ör. 0.3-0.4).
• Seyrek tespitler: use_byte: True özelliğini etkinleştir.
• Uzun örtülmeler: OCR'nin yeniden bağlayabileceği daha fazla kayıp iz olması için track_buffer değerini artır.

OBB modellerinde, yönlendirilmiş son gözlem geçmişi tutulmadığı için OCR, Kalman tarafından tahmin edilen yönlendirilmiş kutuyu kullanır.

Deep OC-SORT#

Deep OC-SORT, OC-SORT'u görünüş bilgisi ve kamera hareketi telafisiyle genişletir:

• Görünüş eşleştirmesi: Kosinüs gömme uzaklığı örtüşmeye göre sınırlandırılır ve hareket maliyetiyle birleştirilir.
• Dinamik görünüş EMA'sı: İz gömmeleri, yumuşatma katsayısı tespit güvenine göre uyarlanan bir EMA ile güncellenir.
• Kamera Hareketi Telafisi: Kalman durumları, kareler arasında seyrek optik akış, ORB veya ECC aracılığıyla dönüştürülür.

En uygun kullanım: Görsel olarak farklı ancak uzamsal olarak yakın nesneler arasında kimlik değişimlerinin sık yaşandığı kalabalık veya hareketli kameralı sahneler.

Deep OC-SORT'a özgü argümanlar:

Ayarlama ipuçları:

• Kalabalıklarda kimlik değişimleri: appearance_thresh değerini artır (ör. 0.92-0.95) ve gömmelerin daha yavaş uyum sağlaması için alpha_fixed_emb değerini yükselt.
• Hareketli kamera: gmc_method: sparseOptFlow değerini ayarla (Deep OC-SORT varsayılan olarak none kullanır).
• Daha düşük gecikme: Yalnızca hareket + CMC için with_reid: False değerini (varsayılan) koru; ReID'yi yalnızca hatalarda kimlik değişimleri baskınsa etkinleştir.

FastTracker#

FastTracker, görünüş modeli içermeyen ve örtülmeleri dikkate alan bir ByteTrack çeşididir:

• Örtülme tespiti: Diğer etkin izlerin kapladığı alan occ_cover_thresh değerini aştığında izleri örtülmüş olarak işaretler.
• Örtülme sırasında Kalman geri alma: Halka tamponunda tutulan geçmişi kullanarak Kalman durumunu örtülme öncesi bir kareye geri alır.
• Hareket azaltma ve arama alanını genişletme: Örtülme sırasında hız azaltılır ve tahmin edilen bbox büyütülür.
• Başlatma-IoU baskılama: Etkin izlerin üzerine yeni izlerin başlatılmasını önler.

En uygun kullanım: Hedeflerin sık sık üst üste bindiği (kalabalıklar, kuyruklar, spor) gerçek zamanlı, yalnızca algılamaya dayalı işlem hatları.

FastTracker'a özgü bağımsız değişkenler:

Ayarlama ipuçları:

• Sık kısmi örtülmeler: occ_cover_thresh değerini düşür (ör. 0.5-0.6).
• Örtüşme çevresinde yinelenen kimlikler: init_iou_suppress değerini düşür (ör. 0.5).
• Uzun süreli örtülmeler: occ_reappear_window ve track_buffer değerlerini birlikte artır.
• Hızlı hareket eden hedefler: dampen_motion_occ değerini artır (1.0 değerine yaklaştır); daha geniş bir arama bölgesi kurtarmayı iyileştiriyorsa yalnızca enlarge_bbox_occ değerini artır.

TrackTrack#

TrackTrack (Shim ve diğerleri, CVPR 2025) varsayılan izleyicidir. Çoklu ipucuyla yinelemeli eşleştirme yaparken her izin bakış açısından değerlendirme gerçekleştirir:

• İz Perspektifine Dayalı Eşleştirme (TPA): HMIoU'yu, isteğe bağlı kosinüs ReID mesafesini, güven projeksiyonu mesafesini ve köşe açısı mesafesini birleştirir. Atama, gevşetilen bir eşikle yinelemeli olarak çözülür.
• İz Farkındalıklı Başlatma (TAI): yeni bir kimlik oluşturulmadan önce yinelenen iz oluşumlarını engeller.

En uygun kullanım: yinelenen kimliklerin sorun olduğu, sık örtülmelerin yaşandığı kalabalık sahneler.

TrackTrack'e özgü bağımsız değişkenler:

Ayarlama ipuçları:

• Kalabalık yaya grupları: yinelenen iz oluşumlarını daha fazla engellemek için tai_thr değerini düşür (ör. 0.45); daha uzun örtülmeler için track_buffer değerini artır.
• Hızlı kamera hareketi: gmc_method: sparseOptFlow özelliğini etkin tut.
• Küçük/hızlı nesneler: angle_weight değerini biraz artır ve min_track_len değerini düşür.
• ReID'yi yalnızca gerektiğinde etkinleştir: çıkarım maliyetini artırır; kısa süreli örtülmelerde varsayılan çoklu ipucu maliyeti genellikle yeterlidir.

Segment ve Pose modellerinde TrackTrack, maskelerin ve anahtar noktaların tespitleriyle hizalı kalması için gevşek NMS tespit kurtarmayı atlar.

Python Örnekleri#

İzleri Korumalı Döngü#

Burada, video karelerinde nesne izleme gerçekleştirmek için OpenCV (cv2) ve YOLO26 kullanan bir Python betiği yer alıyor. Bu betik, gerekli paketlerin (opencv-python ve ultralytics) önceden yüklü olduğunu varsayar. persist=True bağımsız değişkeni, izleyiciye geçerli görüntünün veya karenin bir dizideki sonraki kare olduğunu ve geçerli görüntüde önceki görüntüdeki izleri beklemesi gerektiğini bildirir.

import cv2

from ultralytics import YOLO

# YOLO26 modelini yükle
model = YOLO("yolo26n.pt")

# Video dosyasını aç
video_path = "path/to/video.mp4"
cap = cv2.VideoCapture(video_path)

# Video kareleri üzerinde döngü oluştur
while cap.isOpened():
    # Videodan bir kare oku
    success, frame = cap.read()

    if success:
        # Karede YOLO26 ile izleme yap ve kareler arasında izleri koru
        # ve BoT-SORT izleyici arka ucunu kullan
        results = model.track(frame, persist=True, tracker="botsort.yaml")

        # Sonuçları kare üzerinde görselleştir
        annotated_frame = results[0].plot()

        # Açıklama eklenmiş kareyi görüntüle
        cv2.imshow("YOLO26 Tracking", annotated_frame)

        # 'q' tuşuna basılırsa döngüyü sonlandır
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Videonun sonuna ulaşılırsa döngüyü sonlandır
        break

# Video yakalama nesnesini serbest bırak ve görüntüleme penceresini kapat
cap.release()
cv2.destroyAllWindows()

Basit tespit yerine nesne izlemeyi etkinleştiren model(frame) ile model.track(frame) arasındaki değişikliğe dikkat et. Bu değiştirilmiş betik, videonun her karesinde izleyiciyi çalıştırır, sonuçları görselleştirir ve bir pencerede gösterir. 'q' tuşuna basarak döngüden çıkabilirsin.

İzleri Zaman İçinde Çizme#

Art arda gelen karelerdeki nesne izlerini görselleştirmek, bir videoda tespit edilen nesnelerin hareket örüntüleri ve davranışları hakkında değerli bilgiler sağlayabilir. Ultralytics YOLO26 ile bu izleri çizmek kolay ve verimli bir işlemdir.

Aşağıdaki örnekte, tespit edilen nesnelerin birden fazla video karesindeki hareketini çizmek için YOLO26'nın izleme özelliklerinden nasıl yararlanabileceğini gösteriyoruz. Bu betik; bir video dosyasını açar, kareleri sırayla okur ve çeşitli nesneleri belirleyip izlemek için YOLO modelini kullanır. Tespit edilen bbox'ların merkez noktalarını kaydedip bunları birleştirerek, izlenen nesnelerin izlediği yolları gösteren çizgiler çizebiliriz.

from collections import defaultdict

import cv2
import numpy as np

from ultralytics import YOLO

# YOLO26 modelini yükle
model = YOLO("yolo26n.pt")

# Video dosyasını aç
video_path = "path/to/video.mp4"
cap = cv2.VideoCapture(video_path)

# İz geçmişini sakla
track_history = defaultdict(list)

# Video kareleri üzerinde döngü oluştur
while cap.isOpened():
    # Videodan bir kare oku
    success, frame = cap.read()

    if success:
        # Karede YOLO26 ile izleme yap ve kareler arasında izleri koru
        result = model.track(frame, persist=True)[0]

        # Kutuları ve iz kimliklerini al
        if result.boxes and result.boxes.is_track:
            boxes = result.boxes.xywh.cpu()
            track_ids = result.boxes.id.int().cpu().tolist()

            # Sonucu karede görselleştir
            frame = result.plot()

            # İzleri çiz
            for box, track_id in zip(boxes, track_ids):
                x, y, w, h = box
                track = track_history[track_id]
                track.append((float(x), float(y)))  # x, y merkez noktası
                if len(track) > 30:  # 30 kare boyunca 30 izi tut
                    track.pop(0)

                # İzleme çizgilerini çiz
                points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
                cv2.polylines(frame, [points], isClosed=False, color=(230, 230, 230), thickness=10)

        # Açıklama eklenmiş kareyi görüntüle
        cv2.imshow("YOLO26 Tracking", frame)

        # 'q' tuşuna basılırsa döngüyü sonlandır
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Videonun sonuna ulaşılırsa döngüyü sonlandır
        break

# Video yakalama nesnesini serbest bırak ve görüntüleme penceresini kapat
cap.release()
cv2.destroyAllWindows()

Çok İş Parçacıklı İzleme#

Çok iş parçacıklı izleme, aynı anda birden fazla video akışında nesne izleme olanağı sağlar. Bu özellik, birden fazla güvenlik kamerasından gelenler gibi çok sayıda video girdisiyle çalışırken özellikle kullanışlıdır; eşzamanlı işleme, verimliliği ve performansı önemli ölçüde artırabilir.

Sağlanan Python betiğinde, izleyicinin birden fazla örneğini eşzamanlı çalıştırmak için Python'ın threading modülünü kullanıyoruz. Her iş parçacığı bir video dosyasında izleyiciyi çalıştırmaktan sorumludur ve tüm iş parçacıkları arka planda aynı anda çalışır.

Her iş parçacığının doğru parametreleri (video dosyası, kullanılacak model ve dosya dizini) almasını sağlamak için bu parametreleri kabul eden ve ana izleme döngüsünü içeren run_tracker_in_thread işlevini tanımlıyoruz. Bu işlev videoyu kare kare okur, izleyiciyi çalıştırır ve açıklama eklenmiş sonuçları kaydeder.

Bu örnekte iki farklı model kullanılıyor: yolo26n.pt ve yolo26n-seg.pt; her biri farklı bir video dosyasındaki nesneleri izliyor. Video dosyaları SOURCES içinde belirtilir.

threading.Thread içindeki daemon=True parametresi, ana program biter bitmez bu iş parçacıklarının kapatılacağı anlamına gelir. Ardından iş parçacıklarını start() ile başlatır ve her iki izleyici iş parçacığı da tamamlanana kadar ana iş parçacığının beklemesi için join() kullanırız.

Son olarak, tüm iş parçacıkları görevlerini tamamladıktan sonra sonuçları gösteren pencereler cv2.destroyAllWindows() kullanılarak kapatılır.

import threading

import cv2

from ultralytics import YOLO

# Model adlarını ve video kaynaklarını tanımla
MODEL_NAMES = ["yolo26n.pt", "yolo26n-seg.pt"]
SOURCES = ["path/to/video.mp4", "0"]  # yerel video, web kamerası için 0

def run_tracker_in_thread(model_name, filename):
    """Run YOLO tracker in its own thread for concurrent processing.

    Args:
        model_name (str): Model checkpoint name or path loaded inside the thread.
        filename (str): The path to the video file or the identifier for the webcam/external camera source.
    """
    model = YOLO(model_name)
    results = model.track(filename, save=True, stream=True)
    for r in results:
        pass

# Bir for döngüsüyle izleyici iş parçacıkları oluştur ve başlat
tracker_threads = []
for video_file, model_name in zip(SOURCES, MODEL_NAMES):
    thread = threading.Thread(target=run_tracker_in_thread, args=(model_name, video_file), daemon=True)
    tracker_threads.append(thread)
    thread.start()

# Tüm izleyici iş parçacıklarının tamamlanmasını bekle
for thread in tracker_threads:
    thread.join()

# Temizle ve pencereleri kapat
cv2.destroyAllWindows()

Bu örnek, daha fazla iş parçacığı oluşturup aynı yöntemi uygulayarak daha fazla video dosyası ve model işleyecek şekilde kolayca genişletilebilir.

Yeni İzleyicilere Katkıda Bulun#

Çoklu nesne izleme konusunda yetkin misin ve Ultralytics YOLO ile bir izleme algoritmasını başarıyla uyguladın ya da uyarladın mı? Seni ultralytics/cfg/trackers bölümümüze katkıda bulunmaya davet ediyoruz! Gerçek dünyadaki uygulamaların ve çözümlerin, izleme görevleri üzerinde çalışan kullanıcılara büyük değer sağlayabilir.

Bu bölüme katkıda bulunarak Ultralytics YOLO çerçevesindeki izleme çözümlerinin kapsamını genişletmeye, topluluk için yeni işlevler ve kullanım alanları eklemeye yardımcı olursun.

Katkıda bulunmaya başlamak için Pull Request (PR) gönderme talimatlarının tamamı için Katkıda Bulunma Kılavuzumuza başvur. Katkılarını görmek için sabırsızlanıyoruz!

Gelin, Ultralytics YOLO ekosisteminin izleme yeteneklerini birlikte geliştirelim 🙏!

Sık Sorulan Sorular#