Ultralytics YOLOv8 Bilgisayarla Görme Projelerinde Hız Tahmini için

Muhtemelen hepimiz hız sınırı levhalarını görmüşüzdür. Hatta bazılarımız posta veya e-posta yoluyla otomatik bir hız sınırı ihlali bildirimi almış olabilir. Yapay zeka (AI) trafik yönetim sistemleri, bilgisayar görüşü sayesinde hız ihlallerini otomatik olarak işaretleyebilir. Sokak lambalarındaki ve otoyollardaki kameralar tarafından yakalanan gerçek zamanlı görüntüler, hız tahmini ve yol güvenliğini güçlendirmek için kullanılır.

Hız tahmini sadece otoyol güvenliği ile sınırlı değildir. Sporda, otonom araçlarda ve diğer çeşitli uygulamalarda kullanılabilir. Bu makalede, bilgisayarla görme projelerinizde hız tahmini için Ultralytics YOLOv8 modelini nasıl kullanabileceğinizi tartışacağız. Ayrıca kendiniz deneyebilmeniz için bir kodlama örneğini adım adım inceleyeceğiz. Hadi başlayalım!

Hız Tahmini Trafik Yönetimini Kolaylaştırır

Dünya Sağlık Örgütü'ne (WHO) göre her yıl yaklaşık 1,19 milyon kişi aşırı hız nedeniyle meydana gelen trafik kazalarında hayatını kaybetmektedir. Buna ek olarak, 20 ila 50 milyon kiĢi de ölümcül olmayan yaralanmalara maruz kalmakta ve bu yaralanmaların çoğu sakatlıklarla sonuçlanmaktadır. Trafik güvenliğinin önemi, özellikle hız tahmini kazaları önlemeye yardımcı olduğunda, hayat kurtardığında ve yollarımızı güvenli ve verimli tuttuğunda, abartılamaz. 

Bilgisayar görüşü kullanarak hız tahmini, ne kadar hızlı hareket ettiklerini hesaplamak için video karelerindeki nesneleri tespit etmeyi ve izlemeyi içerir. YOLOv8 gibi algoritmalar, birbirini izleyen kareler boyunca araçlar gibi nesneleri tanımlayabilir ve izleyebilir. Sistem, gerçek dünyadaki mesafeleri ölçmek için kalibre edilmiş kameralar veya referans noktaları kullanarak bu nesnelerin kat ettiği mesafeyi ölçer. Nesnelerin iki nokta arasında hareket etmesinin ne kadar sürdüğünü zamanlayarak, sistem mesafe-zaman oranını kullanarak hızlarını hesaplar.

‍

Hız yapanları yakalamanın yanı sıra, yapay zeka ile entegre hız tahmin sistemleri trafik hakkında tahminlerde bulunmak için veri toplayabilir. Bu tahminler, sinyal zamanlamalarını ve kaynak tahsisini optimize etmek gibi trafik yönetimi görevlerini destekleyebilir. Trafik düzenleri ve tıkanıklık nedenlerine ilişkin içgörüler, trafik sıkışıklığını azaltmak için yeni yollar planlamak için kullanılabilir.

Hız Tahmininin Diğer Sektörlerdeki Uygulamaları

Hız tahmini uygulamaları yolları izlemenin ötesine geçer. Sporcuların performansını izlemek, otonom araçların etraflarında hareket eden nesnelerin hızını anlamalarına yardımcı olmak, şüpheli davranışları tespit etmek vb. için de kullanışlı olabilir. Bir nesnenin hızını ölçmek için bir kameranın kullanılabileceği her yerde, bilgisayarla görmeyi kullanarak hız tahmini kullanılabilir. 

Hız tahmininin kullanıldığı bazı örnekler aşağıda verilmiştir:

• Tesla'nın otonom araçları çarpışmalardan kaçınmak için görüş tabanlı hız tahmini kullanıyor.
• Bilgisayar görüşü ve hız tahmini, 2024 Olimpiyat Oyunlarında atletizm etkinliklerinde performans analitiğini geliştirmek için kullanılacak.
• Akıllı şehirler, yürüme hızlarını izlemek ve kentsel hareketliliği ve güvenliği artırmak için yaya yürüyüş analizini araştırıyor. Bu sistemler sürücüleri yayaların varlığı konusunda uyarabilir ve kazaları önleyebilir.
• Hayvan davranışı izleme sistemleri, hayvan hareketlerini izlemek ve sıkıntı veya hastalık belirtilerini tespit etmek için hız tahminini kullanır.

‍

Bilgisayarlı Görüş Kullanarak Hız Tahmin Etmenin Faydaları

Görüntü tabanlı hız tahmin sistemleri, gelişmiş doğruluk, maliyet etkinliği ve esneklikleri nedeniyle geleneksel sensör tabanlı yöntemlerin yerini almaktadır. LiDAR gibi pahalı sensörlere dayanan sistemlerin aksine, bilgisayarlı görü, hızı gerçek zamanlı olarak izlemek ve analiz etmek için standart kameralar kullanır. Hız tahmini için bilgisayarlı görü çözümleri mevcut trafik altyapısına sorunsuz bir şekilde entegre edilebilir. Ayrıca bu sistemler, genel trafik akışını ve güvenliğini iyileştirmek için araç tipi tanımlama ve trafik düzeni analizi gibi bir dizi karmaşık görevi yerine getirecek şekilde oluşturulabilir.

Kendiniz Deneyin: Kullanarak Hız Tahmini YOLOv8

Artık hız tahmini ve uygulamaları hakkında net bir anlayışa sahip olduğumuza göre, hız tahminini kod aracılığıyla bilgisayarla görme projelerinize nasıl entegre edebileceğinize daha yakından bakalım. Hareket eden araçları tespit edeceğiz ve YOLOv8 modelini kullanarak hızlarını tahmin edeceğiz.

Bu örnekte internetten indirilen bir yoldaki arabaların videosu kullanılmıştır. Aynı videoyu veya ilgili herhangi bir videoyu kullanabilirsiniz. YOLOv8 modeli her aracın merkezini tanımlar ve bu merkezin video karesindeki yatay bir çizgiyi ne kadar hızlı geçtiğine bağlı olarak hızını hesaplar. 

‍

Konuya girmeden önce, bu durumda mesafe hesaplamasının yaklaşık olduğunu ve Öklid Mesafesi'ne dayandığını belirtmek önemlidir. Kamera kalibrasyonu hesaba katılmaz ve bu nedenle hız tahmini tamamen doğru olmayabilir. Ayrıca, tahmini hız GPU'unuzun hızına bağlı olarak değişebilir.

Adım 1: Ultralytics paketini kurarak başlayacağız. Komut isteminizi veya terminalinizi açın ve aşağıda gösterilen komutu çalıştırın. 

pip install ultralytics

Kurulum sürecine ilişkin adım adım talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz atın. YOLOv8 için gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsanız, Ortak Sorunlar kılavuz umuzda çözümler ve yararlı ipuçları bulunmaktadır.

Adım 2: Ardından, gerekli kütüphaneleri içe aktaracağız. OpenCV kütüphanesi video işlemede bize yardımcı olacak.

import cv2
from ultralytics import YOLO, solutions

Adım 3: Ardından, YOLOv8 modelini yükleyebilir ve modelin algılayabildiği sınıfların adlarını alabiliriz.

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

Projenize en uygun modelin hangisi olduğunu anlamak için desteklediğimiz tüm modelleri inceleyin.

Adım 4: Bu adımda, OpenCV'nin VideoCapture modülünü kullanarak giriş video dosyasını açacağız. Ayrıca videonun genişliğini, yüksekliğini ve saniye başına kare sayısını (fps) çıkaracağız.

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))

Adım 5: Burada, nihai hız tahmini sonuçlarımızı kaydetmek için video yazıcıyı başlatacağız. Çıktı video dosyası "speed_estimation.avi" olarak kaydedilecektir.

video_writer = cv2.VideoWriter(
"speed_estimation.avi",
cv2.VideoWriter_fourcc(*"mp4v"),
fps, (w, h))

‍Adım6: Daha sonra, hız tahmini için çizgi noktalarını tanımlayabiliriz. Giriş videomuz için bu çizgi çerçevenin ortasına yatay olarak yerleştirilecektir. Giriş videonuza bağlı olarak çizgiyi en uygun konumlara yerleştirmek için değerlerle oynamaktan çekinmeyin. 

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

Adım 7: Şimdi, tanımlanan çizgi noktalarını ve sınıf adlarını kullanarak hız tahmini nesnesini başlatabiliriz.

speed_obj = solutions.SpeedEstimator(reg_pts=line_pts,
                                      names=names,
                                      view_img=True,)

Adım 8: Komut dosyasının çekirdeği videoyu kare kare işler. Her kareyi okur ve nesneleri tespit edip izleriz. Takip edilen nesnelerin hızı tahmin edilir ve açıklamalı çerçeve çıkış videosuna yazılır.

while cap.isOpened():
  success, im0 = cap.read()
  if not success:        
    break
  tracks = model.track(im0, persist=True, show=False)
  im0 = speed_obj.estimate_speed(im0, tracks)
  video_writer.write(im0)

Adım 9: Son olarak, video yakalama ve yazma nesnelerini serbest bırakıyoruz ve tüm OpenCV pencerelerini kapatıyoruz.

cap.release()
video_writer.release()
cv2.destroyAllWindows()

10. Adım: Komut dosyanızı kaydedin. Terminalinizden veya komut isteminden çalışıyorsanız, aşağıdaki komutu kullanarak komut dosyasını çalıştırın:

python your_script_name.py

Kodunuz başarıyla çalıştırılırsa, çıktı video dosyanız aşağıdaki gibi görünecektir.

‍
Görüşe Dayalı Hız Tahmininin Zorlukları

Bilgisayar görüşü kullanarak hız tahmini yapmanın zorluklarını anlamak da önemlidir. Yağmur, sis veya kar gibi elverişsiz hava koşulları yolun görünürlüğünü engelleyebileceğinden sistemde sorunlara neden olabilir. Benzer şekilde, diğer araçların veya nesnelerin neden olduğu tıkanmalar, bu sistemlerin hedef aracın hızını doğru bir şekilde izlemesini ve tahmin etmesini zorlaştırabilir. Gölgelere veya güneşten kaynaklanan parlamaya neden olan zayıf aydınlatma koşulları da hız tahmini görevini daha da karmaşık hale getirebilir.

Bir başka zorluk da hesaplama gücüyle ilgilidir. Hızı gerçek zamanlı olarak tahmin etmek için yüksek kaliteli trafik kameralarından gelen çok sayıda görsel veriyi işlememiz gerekir. Çözümünüz, tüm bunların üstesinden gelmek ve her şeyin gecikme olmadan hızlı bir şekilde çalışmasını sağlamak için pahalı donanım gerektirebilir.

Bir de mahremiyet meselesi var. Bu sistemler tarafından toplanan veriler, bir kişinin rızası olmadan toplanan marka, model ve plaka bilgileri gibi araç ayrıntılarını içerebilir. Bazı modern HD kameralar araç içindeki yolcuların görüntülerini bile yakalayabilir. Bu tür veri toplama işlemleri, son derece dikkatle ele alınması gereken ciddi etik ve yasal sorunları gündeme getirebilir.

Geleceğe Doğru Hızla İlerliyoruz

Hız tahmini için Ultralytics YOLOv8 modelinin kullanılması birçok kullanım için esnek ve verimli bir çözüm sağlar. Zorlu koşullarda doğruluk ve gizlilik sorunlarının ele alınması gibi zorluklar olsa da avantajları çok çeşitlidir. Bilgisayarlı görü destekli hız tahmini, eski yöntemlere kıyasla daha uygun maliyetli, uyarlanabilir ve hassastır. Ulaşım, spor, gözetim ve sürücüsüz araçlar gibi çeşitli sektörlerde kullanışlıdır. Tüm faydaları ve uygulamaları ile geleceğin akıllı sistemlerinin önemli bir parçası olmaya adaydır.

Yapay zeka ile ilgileniyor musunuz? Topluluğumuzla bağlantı kurun! Sağlık ve tarım gibi çeşitli sektörlerde yenilikçi çözümler oluşturmak için yapay zekayı nasıl kullandığımız hakkında daha fazla bilgi edinmek için GitHub havuzumuzu keşfedin. Bizimle işbirliği yapın, yenilik yapın ve öğrenin! 🚀