Çoklu Nesne İzleme Veri Kümelerine Genel Bakış

Çoklu nesne takibi, nesneleri tanımlayan ve video kareleri boyunca algılanan her nesne için benzersiz kimlikler sağlayan video analizinde kritik bir bileşendir. Ultralytics YOLO, gözetim, spor analitiği ve trafik izleme dahil olmak üzere çeşitli alanlara uygulanabilen güçlü izleme yetenekleri sağlar.

Veri Kümesi Formatı (Yakında)

Çoklu Nesne Algılayıcı, bağımsız eğitime ihtiyaç duymaz ve önceden eğitilmiş algılama, segmentasyon veya Poz modellerini doğrudan destekler. Yalnızca izleyicileri eğitme desteği yakında geliyor.

Mevcut İzleyiciler

Ultralytics YOLO, aşağıdaki izleme algoritmalarını destekler:

• BoT-SORT - Kullanım botsort.yaml bu izleyiciyi etkinleştirmek için (varsayılan)
• ByteTrack - Kullanım bytetrack.yaml bu izleyiciyi etkinleştirmek için

Kullanım

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3, iou=0.5 show

Çerçeveler Arasında İzleri Kalıcı Hale Getirme

Video kareleri arasında sürekli izleme için şunu kullanabilirsiniz: persist=True parametresi:

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo11n.pt")

# Open the video file
cap = cv2.VideoCapture("path/to/video.mp4")

while cap.isOpened():
    success, frame = cap.read()
    if success:
        # Run tracking with persistence between frames
        results = model.track(frame, persist=True)

        # Visualize the results
        annotated_frame = results[0].plot()
        cv2.imshow("Tracking", annotated_frame)

        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

cap.release()
cv2.destroyAllWindows()

SSS

Ultralytics YOLO ile Çoklu Nesne Takibini nasıl kullanırım?

Ultralytics YOLO ile Çoklu Nesne Takibi'ni kullanmak için, sağlanan Python veya CLI örneklerini kullanarak başlayabilirsiniz. İşte nasıl başlayabileceğiniz:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load the YOLO11 model
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3 iou=0.5 show

Bu komutlar YOLO11 modelini yükler ve belirli bir güvenle verilen video kaynağındaki nesneleri izlemek için kullanır (conf) ve Kesişim Üzerinden Birleşim (Intersection over Union) (iou) eşikleri. Daha fazla ayrıntı için şuraya bakın: izleme modu dokümantasyonu.

Ultralytics'te izleyici eğitimi için gelecek özellikler nelerdir?

Ultralytics, yapay zeka modellerini sürekli olarak geliştirmektedir. Yaklaşan bir özellik, bağımsız izleyicilerin eğitimini sağlayacaktır. O zamana kadar, Çoklu Nesne Algılayıcı, bağımsız eğitim gerektirmeden izleme için önceden eğitilmiş algılama, bölütleme veya Poz modellerinden yararlanır. Blogumuzu takip ederek veya yaklaşan özellikleri kontrol ederek güncel kalın.

Çoklu nesne takibi için neden Ultralytics YOLO kullanmalıyım?

Ultralytics YOLO, gerçek zamanlı performansı ve yüksek doğruluğu ile bilinen, son teknoloji ürünü bir nesne algılama modelidir. Çoklu nesne takibi için YOLO kullanmak çeşitli avantajlar sağlar:

• Gerçek zamanlı izleme: Dinamik ortamlar için ideal olan verimli ve yüksek hızlı izleme elde edin.
• Önceden eğitilmiş modellerle esneklik: Sıfırdan eğitmeye gerek yok; sadece önceden eğitilmiş algılama, segmentasyon veya Poz modellerini kullanın.
• Kullanım kolaylığı: Hem Python hem de CLI ile basit API entegrasyonu, izleme hatlarının kurulumunu kolaylaştırır.
• Kapsamlı dokümantasyon ve topluluk desteği: Ultralytics, sorunları gidermek ve izleme modellerinizi geliştirmek için kapsamlı dokümantasyon ve aktif bir topluluk forumu sağlar.

İzleme için YOLO'yu kurma ve kullanma hakkında daha fazla bilgi için izleme kullanım kılavuzumuzu ziyaret edin.

Ultralytics YOLO ile çoklu nesne takibi için özel veri kümeleri kullanabilir miyim?

Evet, Ultralytics YOLO ile çoklu nesne takibi için özel veri kümeleri kullanabilirsiniz. Bağımsız izleyici eğitimi için destek yakında gelecek bir özellik olsa da, önceden eğitilmiş modelleri özel veri kümelerinizde zaten kullanabilirsiniz. Veri kümelerinizi YOLO ile uyumlu uygun formatta hazırlayın ve bunları entegre etmek için belgeleri izleyin.

Ultralytics YOLO izleme modelinden elde edilen sonuçları nasıl yorumlarım?

Ultralytics YOLO ile bir izleme işi çalıştırdıktan sonra, sonuçlar izlenen nesne kimlikleri, sınırlayıcı kutuları ve güvenilirlik puanları gibi çeşitli veri noktalarını içerir. İşte bu sonuçları nasıl yorumlayacağınıza dair kısa bir genel bakış:

• İzlenen Kimlikler: Her nesneye, çerçeveler arasında izlenmesine yardımcı olan benzersiz bir kimlik atanır.
• Sınırlayıcı kutular: Bunlar, çerçeve içindeki izlenen nesnelerin konumunu gösterir.
• Güvenilirlik skorları: Bunlar, modelin izlenen nesneyi tespit etme konusundaki güvenini yansıtır.

Bu sonuçları yorumlama ve görselleştirme hakkında ayrıntılı bilgi için sonuç işleme kılavuzuna bakın.

İzleyici yapılandırmasını nasıl özelleştirebilirim?

İzleyici yapılandırma dosyasının değiştirilmiş bir sürümünü oluşturarak izleyiciyi özelleştirebilirsiniz. ultralytics\cfg\trackers içinden mevcut bir izleyici yapılandırma dosyasını kopyalayın, parametreleri gerektiği gibi değiştirin ve izleyiciyi çalıştırırken bu dosyayı belirtin:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.track(source="video.mp4", tracker="custom_tracker.yaml")

📅 1 yıl önce oluşturuldu ✏️ 23 gün önce güncellendi

Yorumlar