Ultralytics Çözümleri: Gerçek Dünya Sorunlarını Çözmek için YOLO26'dan Yararlan#
Ultralytics Çözümleri, YOLO modellerinin en gelişmiş uygulamalarını sunarak nesne sayma, bulanıklaştırma ve güvenlik sistemleri gibi gerçek dünya çözümleri sağlar; çeşitli sektörlerde verimliliği ve doğruluğu artırır. Pratik ve etkili uygulamalar için YOLO26'nın gücünü keşfet.
Watch: How to Run Ultralytics Solutions from the Command Line (CLI) | Ultralytics YOLO26 🚀
Çözümler#
Harika bilgisayarlı görü projeleri oluşturmak için kullanabileceğin, özenle seçtiğimiz Ultralytics çözümleri listesi burada.
- Analitik: YOLO26'dan yararlanarak betimleyici, tahmine dayalı ve kuralcı analitik için kapsamlı veri analizi gerçekleştir; kalıpları keşfet ve bilinçli kararlar al.
- Mesafe Hesaplama: Mekânsal analiz için gerekli olan YOLO26'da sınırlayıcı kutu merkez noktalarını kullanarak nesneler arasındaki mesafeleri hesapla.
- Isı Haritaları: Verilerin bir matris üzerindeki yoğunluğunu görselleştirmek için algılama ısı haritalarından yararlanarak bilgisayarlı görü görevlerinde net içgörüler elde et.
- Nesne Takibi ile Örnek Bölütleme: Hassas nesne sınırları ve sürekli izleme elde etmek için YOLO26 ile örnek bölütleme ve nesne takibini uygula.
- Streamlit ile Canlı Çıkarım: Kullanıcı dostu bir Streamlit arayüzü üzerinden doğrudan web tarayıcında gerçek zamanlı nesne algılama yapmak için YOLO26'nın gücünden yararlan.
- Nesne Bulanıklaştırma: Görüntü ve video işlemede gizliliği korumak için YOLO26 ile nesne bulanıklaştırma uygula.
- Nesne Sayma: YOLO26 ile gerçek zamanlı nesne saymayı öğren. Canlı video akışlarındaki nesneleri doğru şekilde sayma konusunda uzmanlık kazan.
- Bölgelerde Nesne Sayma: Farklı alanlarda doğru algılama yapmak için YOLO26 kullanarak belirli bölgelerdeki nesneleri say.
- Nesne Kırpma: Görüntü ve videolardaki nesneleri hassas biçimde çıkarmak için YOLO26 ile nesne kırpmada uzmanlaş.
- Park Yönetimi: YOLO26 ile park alanlarındaki araç akışını düzenle ve yönlendir; alan kullanımını ve kullanıcı deneyimini optimize et.
- Kuyruk Yönetimi: YOLO26 kullanarak bekleme sürelerini en aza indirmek ve üretkenliği artırmak için verimli kuyruk yönetimi sistemleri uygula.
- Güvenlik Alarm Sistemi: Yeni nesneler algılandığında uyarıları tetikleyen bir güvenlik alarm sistemini YOLO26 ile oluştur. Sistemi özel ihtiyaçlarına uyacak şekilde özelleştir.
- Benzerlik Araması: Kosinüs benzerliği aramasıyla OpenAI CLIP gömmelerini birleştirerek akıllı görüntü erişimini etkinleştir; "çanta taşıyan kişi" veya "hareket hâlindeki araçlar" gibi doğal dil sorgularına olanak tanı.
- Hız Tahmini: Otonom araçlar ve trafik izleme gibi uygulamalar için kritik olan nesne hızını YOLO26 ve nesne takibi tekniklerini kullanarak tahmin et.
- Bölgedeki Nesneleri Takip Etme: Hassas ve verimli izleme için YOLO26 kullanarak video karelerinin belirli bölgelerindeki nesneleri nasıl takip edeceğini öğren.
- VisionEye Nesne Görünümü Haritalama: İnsan gözünün belirli nesnelere odaklanmasını taklit eden sistemler geliştirerek bilgisayarın ayrıntıları ayırt etme ve önceliklendirme yeteneğini artır.
- Antrenman İzleme: YOLO26 kullanarak antrenmanları nasıl izleyeceğini keşfet. Çeşitli fitness rutinlerini gerçek zamanlı olarak takip etmeyi ve analiz etmeyi öğren.
Çözüm Bağımsız Değişkenleri#
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Bir Ultralytics YOLO model dosyasının yolu. |
region | list veya dict | None | İlgi bölgesini tanımlayan noktalar: (x, y) demetlerinden oluşan bir liste veya birden fazla bölge için bölge adlarını nokta listelerine eşleyen bir sözlük (RegionCounter yalnızca). None olduğunda bölge gerektiren çözümler önceden tanımlanmış varsayılan değere geri döner. |
show_in | bool | True | Video akışında giriş sayılarının gösterilip gösterilmeyeceğini denetleyen bayrak. |
show_out | bool | True | Video akışında çıkış sayılarının gösterilip gösterilmeyeceğini denetleyen bayrak. |
analytics_type | str | 'line' | Grafik türü; yani line, bar, area veya pie. |
colormap | int | cv2.COLORMAP_DEEPGREEN | Isı haritası için kullanılacak renk haritası. |
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. |
json_file | str | None | Tüm park koordinatları verilerini içeren JSON dosyasının yolu. |
up_angle | float | 145.0 | 'Yukarı' pozu için açı eşiği. |
kpts | list[int] | '[6, 8, 10]' | Antrenmanları izlemek için kullanılan üç kilit nokta dizini listesi. Bu kilit noktalar; şınav, barfiks, squat ve karın egzersizleri gibi hareketlerde omuz, dirsek ve bilek gibi vücut eklemlerine veya bölümlerine karşılık gelir. |
down_angle | int | 90 | 'Aşağı' pozu için açı eşiği. |
blur_ratio | float | 0.5 | Bulanıklık yoğunluğu yüzdesini 0.1 - 1.0 aralığındaki değerlerle ayarlar. |
crop_dir | str | 'cropped-detections' | Kırpılan algılamaları depolamak için dizin adı. |
records | int | 5 | Güvenlik alarm sistemiyle e-posta göndermeyi tetikleyecek toplam algılama sayısı. |
vision_point | tuple[int, int] | (20, 20) | VisionEye Çözümü'nü kullanarak görüşün nesneleri takip edeceği ve yollar çizeceği nokta. |
source | str | None | Girdi kaynağının yolu (video, RTSP vb.). Yalnızca Çözümler komut satırı arayüzü (CLI) ile kullanılabilir. |
figsize | tuple[float, float] | (12.8, 7.2) | Isı haritaları veya grafikler gibi analitik grafikleri için şekil boyutu. |
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). |
data | str | 'images' | Benzerlik araması için kullanılan görüntü dizininin yolu. |
imgsz | int | 640 | Model çıkarımı için giriş görüntüsü boyutu. |
Çözümler, aşağıdaki çıkarım ve izleme argümanlarını model.track() öğesine iletir.
| 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. |
Görselleştirmeyi özelleştirmek için show_conf, show_labels ve belirtilen diğer bağımsız değişkenleri kullanabilirsin.
| 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. |
SolutionAnnotator ile Çalışma#
Tüm Ultralytics Çözümleri, ana Annotator sınıfını genişleten ayrı SolutionAnnotator sınıfını kullanır ve aşağıdaki yöntemlere sahiptir:
| Yöntem | Döndürülen Tür | Açıklama |
|---|---|---|
draw_region() | None | Belirtilen noktaları, renkleri ve kalınlığı kullanarak bir bölge çizer. |
queue_counts_display() | None | Belirtilen bölgedeki kuyruk sayılarını görüntüler. |
display_analytics() | None | Park alanı yönetimi için genel istatistikleri görüntüler. |
estimate_pose_angle() | float | Bir nesne pozundaki üç nokta arasındaki açıyı hesaplar. |
draw_specific_kpts() | np.ndarray | Görüntü üzerinde belirli kilit noktaları çizer. |
plot_workout_information() | int | Görüntü üzerinde etiketli bir metin kutusu çizer. |
plot_angle_and_count_and_stage() | None | Antrenman izleme için açıyı, tekrar sayısını ve aşamayı görselleştirir. |
plot_distance_and_line() | None | Merkez noktaları arasındaki mesafeyi görüntüler ve bunları bir çizgiyle birleştirir. |
display_objects_labels() | None | Sınırlayıcı kutulara nesne sınıfı etiketleri ekler. |
sweep_annotator() | None | Dikey bir tarama çizgisini ve isteğe bağlı etiketi görselleştirir. |
visioneye() | None | Nesne merkez noktalarını görsel bir "göz" noktasına eşler ve bağlar. |
adaptive_label() | None | Sınırlayıcı kutunun merkezinde dairesel veya dikdörtgen bir arka plan etiketi çizer. |
SolutionResults ile Çalışma#
Similarity Search dışında her Solution çağrısı bir SolutionResults nesnesi döndürür.
- Nesne sayma için sonuçlar
in_count,out_countveclasswise_countöğelerini içerir.
import cv2
from ultralytics import solutions
im0 = cv2.imread("path/to/img")
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
counter = solutions.ObjectCounter(
show=True, # display the output
region=region_points, # pass region points
model="yolo26n.pt", # model="yolo26n-obb.pt" for object counting with OBB model.
# classes=[0, 2], # count specific classes i.e. person and car with COCO pretrained model.
# tracker="botsort.yaml" # Choose trackers i.e "bytetrack.yaml"
)
results = counter(im0)
print(results.in_count) # display in_counts
print(results.out_count) # display out_counts
print(results.classwise_count) # display classwise_countSolutionResults nesnesi aşağıdaki özniteliklere sahiptir:
| Öznitelik | Tür | Açıklama |
|---|---|---|
plot_im | np.ndarray | Sayımlar, bulanıklık efektleri veya çözüme özgü iyileştirmeler gibi görsel katmanlara sahip görüntü. |
in_count | int | Video akışında tanımlanan bölgeye girerken algılanan nesnelerin toplam sayısı. |
out_count | int | Video akışında tanımlanan bölgeden çıkarken algılanan nesnelerin toplam sayısı. |
classwise_count | Dict[str, int] | Gelişmiş analitik için sınıf bazında giriş/çıkış nesne sayılarını kaydeden sözlük. |
queue_count | int | Önceden tanımlanmış bir kuyruk veya bekleme alanında hâlen bulunan nesnelerin sayısı (kuyruk yönetimi için uygundur). |
workout_count | list[int] | AI Gym'den parça başına antrenman tekrar sayıları (o anda takip edilen her birey için bir giriş). |
workout_angle | list[float] | AI Gym'den parça başına egzersiz açıları (o anda takip edilen her birey için bir giriş). |
workout_stage | list[str] | AI Gym'den parça başına mevcut antrenman aşaması (o anda takip edilen her birey için bir giriş). |
pixels_distance | float | İki nesne veya nokta, ör. sınırlayıcı kutular arasındaki piksel tabanlı mesafe. (Mesafe hesaplama için uygundur.) |
available_slots | int | İzlenen bir alandaki boş yerlerin sayısı (park yönetimi için uygundur). |
filled_slots | int | İzlenen bir alandaki dolu yerlerin sayısı (park yönetimi için uygundur). |
email_sent | bool | Bir bildirim veya uyarı e-postasının başarıyla gönderilip gönderilmediğini belirtir (güvenlik alarmı için uygundur). |
total_tracks | int | Video analizi sırasında gözlemlenen benzersiz nesne izlerinin toplam sayısı. |
region_counts | Dict[str, int] | Kullanıcı tanımlı bölgeler veya alanlardaki nesne sayıları. |
speed_dict | Dict[str, float] | Hız analizi için kullanışlı, hesaplanan nesne hızlarının iz bazlı sözlüğü. |
total_crop_objects | int | ObjectCropper çözümü tarafından oluşturulan kırpılmış nesne görüntülerinin toplam sayısı. |
speed | Dict[str, float] | Takip ve çözüm işleme performans ölçümlerini içeren sözlük. |
Daha fazla ayrıntı için SolutionResults sınıfı belgelerine başvur.
CLI Üzerinden Çözümleri Kullanma#
Çözümlerin çoğu doğrudan komut satırı arayüzü üzerinden kullanılabilir.
Sözdizimi
yolo SOLUTIONS SOLUTION_NAME ARGS
- SOLUTIONS, gerekli bir anahtar kelimedir.
- SOLUTION_NAME, şunlardan biridir:
['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye', 'region', 'security', 'parking']. - ARGS (isteğe bağlı), varsayılan ayarları geçersiz kılmak için
show_in=Truegibi özelarg=valueçiftleridir.
yolo solutions count show=True # for object counting
yolo solutions count source="path/to/video.mp4" # specify video file pathÇözümlerimize Katkıda Bulun#
Topluluktan gelen katkıları memnuniyetle karşılıyoruz! Çözümlerimizde henüz ele alınmayan belirli bir Ultralytics YOLO konusunda uzmanlaştıysan, uzmanlığını paylaşmanı teşvik ediyoruz. Bir kılavuz yazmak, topluluğa katkıda bulunmanın ve belgelerimizi daha kapsamlı ve kullanıcı dostu hâle getirmemize yardımcı olmanın harika bir yoludur.
Başlamak için, bir Çekme İsteğinin (PR) nasıl açılacağına ilişkin yönergeler için lütfen Katkıda Bulunma Kılavuzumuzu oku 🛠️. Katkılarını bekliyoruz!
Ultralytics YOLO ekosistemini daha sağlam ve çok yönlü hâle getirmek için birlikte çalışalım 🙏!
SSS#
Ultralytics YOLO26, gelişmiş nesne algılama yeteneklerinden yararlanılarak gerçek zamanlı nesne sayımı için kullanılabilir. YOLO26'yı canlı video akışı analizi için kurmak üzere Nesne Sayımı hakkındaki ayrıntılı kılavuzumuzu izleyebilirsin. YOLO26'yı kurman, modelini yüklemen ve nesneleri dinamik olarak saymak için video karelerini işlemen yeterlidir.
Ultralytics YOLO26, gerçek zamanlı nesne algılama ve uyarı mekanizmaları sunarak güvenlik sistemlerini geliştirir. YOLO26'yı kullanarak gözetim alanında yeni nesneler algılandığında uyarıları tetikleyen bir güvenlik alarm sistemi oluşturabilirsin. Güçlü güvenlik izleme için YOLO26 ile bir Güvenlik Alarm Sistemi kurmayı öğren.
Ultralytics YOLO26, kuyruklardaki kişileri doğru şekilde sayıp izleyerek kuyruk yönetimi sistemlerini önemli ölçüde geliştirebilir; böylece bekleme sürelerini azaltmaya ve hizmet verimliliğini optimize etmeye yardımcı olur. Etkili kuyruk izleme ve analizi için YOLO26'yı nasıl uygulayacağını öğrenmek üzere Kuyruk Yönetimi hakkındaki ayrıntılı kılavuzumuzu izle.
Evet, Ultralytics YOLO26, fitness rutinlerini gerçek zamanlı olarak izleyip analiz ederek antrenmanları etkili bir şekilde izlemek için kullanılabilir. Bu, egzersiz formunun ve performansının hassas biçimde değerlendirilmesini sağlar. YOLO26 kullanarak yapay zekâ destekli bir antrenman izleme sistemi kurmayı öğrenmek için Antrenman İzleme kılavuzumuzu incele.
Ultralytics YOLO26, belirli bir alandaki veri yoğunluğunu görselleştirmek için ısı haritaları oluşturabilir ve yüksek etkinlik veya ilgi gösteren bölgeleri öne çıkarabilir. Bu özellik, çeşitli bilgisayarlı görü görevlerindeki örüntüleri ve eğilimleri anlamak için özellikle kullanışlıdır. Kapsamlı veri analizi ve görselleştirme için YOLO26 ile Isı Haritaları oluşturma ve kullanma hakkında daha fazla bilgi edin.