Sayım, Isı Haritaları ve Hız Tahmini

Takip ve Geometri#

ultralytics.solutions içindeki her çözüm sınıfı, dahili olarak Takip modunu çalıştırır ve ardından izin geçmişine kendi geometrisini uygular. Ek paketleri bir kez pip install "ultralytics[solutions]" ile yükle.

Çözümler varsayılan olarak tracker="tracktrack.yaml" kullanır; önceki derste doğruladığın takipçiyi geçir.

Çizgi Geçişlerini Say#

Sayım çizgisi bir doğru parçasıdır. Bir nesne, kutusunun merkezi iki kare arasında çizgiyi geçtiğinde bir kez sayılır; GİRİŞ veya ÇIKIŞ olacağını nesnenin geldiği taraf belirler. Yukarıdaki konveyörde bu nedenle takip gerekir: kimlik olmadan #015 numaralı kutu çizgiye dokunduğu her karede yeniden sayılırdı.

import cv2

from ultralytics import solutions
from ultralytics.utils.downloads import safe_download

video = safe_download("https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4")
cap = cv2.VideoCapture(str(video))  # 640x360, 30 FPS, 62 frames
w, h, fps = (int(cap.get(p)) for p in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
writer = cv2.VideoWriter("counted.mp4", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

counter = solutions.ObjectCounter(
    model="yolo26n.pt",
    region=[(0, 180), (640, 180)],  # two points: a horizontal line across the middle of the frame
    classes=[0],  # person
    tracker="bytetrack.yaml",
    verbose=False,
)

while True:
    ok, frame = cap.read()
    if not ok:
        break
    results = counter(frame)  # detect + track + count in one call
    writer.write(results.plot_im)

cap.release()
writer.release()
print(f"in={results.in_count} out={results.out_count} classwise={results.classwise_count}")

in=2 out=2 classwise={'person': {'IN': 2, 'OUT': 2}}

Klipteki iki saniye içinde dört kişi meydanın ortasından geçti: her yönde ikişer kişi. Varsayılan TrackTrack yapılandırmasıyla aynı betik in=0 out=1 sonucunu verir; çünkü daha az iz, daha az geçiş demektir. Bir sayıya güvenmeden önce counted.mp4 dosyasını aç ve her geçişi gözünle doğrula.

Yolda aynı çizgi trafiği yönüne göre ayırır: yukarı doğru geçen araçlar GİRİŞ, aşağı doğru geçenler ÇIKIŞ olarak sayılır. Çizgiyi nesnelerin düzgün ve dik açıyla geçtiği bir yere; kadraj kenarlarından, engelleyicilerden ve kutuların çok küçük kaldığı yolun uzak ucundan uzağa yerleştir.

Bir Bölgedeki Doluluğu Say#

Çokgen bir bölge, "Şu anda içeride kaç nesne var?" sorusunu yanıtlar. Bölge sayımı kılavuzunda kullanıma hazır bir RegionCounter bulunur; temelinde, takip edilen her kutu için yapılan tek bir noktanın çokgen içinde olup olmadığı testi vardır:

from shapely.geometry import Point, Polygon

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"
zone = Polygon([(100, 100), (500, 100), (500, 300), (100, 300)])  # pixel coordinates

peak = 0
for r in model.track(video, stream=True, tracker="bytetrack.yaml", classes=[0], verbose=False):
    if not r.boxes.is_track:
        continue
    inside = sum(zone.contains(Point(cx, cy)) for cx, cy in r.boxes.xywh[:, :2].tolist())
    peak = max(peak, inside)
print(f"peak occupancy: {peak} people inside the zone")

peak occupancy: 10 people inside the zone

xywh[:, :2] her kutunun merkezidir. Kuyruklar ve bekleme süresi için bölgeye giriş zamanını her kimlik bazında sakla.

Hızı Tahmin Et#

Yukarıdaki her etiket, aracın arkasındaki izden gelir: izin bilinen sayıda kare boyunca piksel cinsinden aldığı mesafe. Hız = piksel mesafesi × piksel başına metre ÷ geçen süre. Sonucun doğru olup olmadığını iki girdi belirler:

1. Piksel başına metre. Sahnedeki bilinen bir uzunluğu (yer karosu, şerit işareti, park yeri) nesnelerin hareket ettiği derinlikte ölç. Açılı kameralar için bunun yerine zemin düzlemini dört noktalı homografiyle eşle.
2. Gerçek çekim hızı. Hız FPS ile ölçeklenir; yeniden kodlanan veya yavaşlatılan görüntüler tüm hızları aynı oranda değiştirir.

Bu döngü, her kutunun alt orta noktasını (nesnenin zemine temas ettiği yeri) ölçer ve her iz için 10 kare üzerinden ortalama alır:

from collections import defaultdict, deque

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"
fps = 30  # the real capture rate, not the playback rate
pixels_per_meter = 33  # example: a 1.2 m floor feature spans 40 px; measure your own scene

prev = {}  # track ID -> last bottom-center point
window = defaultdict(lambda: deque(maxlen=10))  # about 0.3 s of speeds per track at 30 FPS
for r in model.track(video, stream=True, tracker="bytetrack.yaml", classes=[0], verbose=False):
    if not r.boxes.is_track:
        continue
    for (x1, y1, x2, y2), tid in zip(r.boxes.xyxy.tolist(), r.boxes.id.int().tolist()):
        cx, cy = (x1 + x2) / 2, y2  # bottom-center sits on the ground plane
        if tid in prev:
            px, py = prev[tid]
            meters = ((cx - px) ** 2 + (cy - py) ** 2) ** 0.5 / pixels_per_meter
            window[tid].append(meters * fps * 3.6)  # km/h
        prev[tid] = (cx, cy)

smoothed = sorted(sum(s) / len(s) for s in window.values() if len(s) == s.maxlen)
print(f"{len(smoothed)} tracks; median {smoothed[len(smoothed) // 2]:.1f} km/h")

29 tracks; median 2.1 km/h

İnsanlar 4–5 km/sa hızla yürür; dolayısıyla 2.1 km/sa, örnekteki ölçeğin bu sahne için yanlış olduğunu gösterir: pixels_per_meter değeri burada ölçülmedi. Bilinen bir hızı medyanla karşılaştırarak yaptığın bu makullük kontrolü, önemli olan alışkanlıktır.

solutions.SpeedEstimator, aynı fikri üretim kullanımı için uygular: her izin kutu merkezini max_hist kare boyunca ölçer, meter_per_pixel ile dönüştürür ve her kimlik için tek bir hız belirler (üst sınır: max_speed):

import cv2

from ultralytics import solutions
from ultralytics.utils.downloads import safe_download

video = safe_download("https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4")
cap = cv2.VideoCapture(str(video))
speed = solutions.SpeedEstimator(
    model="yolo26n.pt",
    classes=[0],
    tracker="bytetrack.yaml",
    fps=30,  # the real capture rate, not the playback rate
    meter_per_pixel=0.03,  # a guess: a ~0.45 m shoulder width spans ~15 px here
    max_hist=15,  # 0.5 s of history before a speed is locked
    verbose=False,
)

speeds = {}
while True:
    ok, frame = cap.read()
    if not ok:
        break
    speeds.update(speed(frame).speed_dict)  # {track_id: km/h} once locked
cap.release()

kmh = sorted(speeds.values())
print(f"{len(kmh)} tracks; median {kmh[len(kmh) // 2]} km/h, range {kmh[0]}-{kmh[-1]} km/h")

25 tracks; median 1 km/h, range 0-4 km/h

Yine yaklaşık 4 kat sapma var; nedeni de aynı: vücut boyutundan tahmin edilen bir ölçek. Bunun gibi üstten çekim yapan kameralar için kutu merkezi uygundur; açılı kameralarda alt orta nokta döngüsünü veya bir homografiyi tercih et.

Isı Haritası Oluştur#

Bir ısı haritası, her karede izlenen her kutunun altında ısı biriktirir; böylece en yoğun trafiği taşıyan şeritler veya koridorlar en parlak şekilde görünür. Haritaya bir region ver; yukarıdaki otoyol örneğinde olduğu gibi nesneleri de sayar:

import cv2

from ultralytics import solutions
from ultralytics.utils.downloads import safe_download

video = safe_download("https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4")
cap = cv2.VideoCapture(str(video))
heatmap = solutions.Heatmap(
    model="yolo26n.pt",
    classes=[0],
    tracker="bytetrack.yaml",
    colormap=cv2.COLORMAP_PARULA,
    verbose=False,
)

while True:
    ok, frame = cap.read()
    if not ok:
        break
    results = heatmap(frame)
cap.release()
cv2.imwrite("heatmap.jpg", results.plot_im)  # Birikmiş ısı katmanının bulunduğu son kare

Saatlerce süren görüntülerde aynı katman, yoğun koridorları, kullanılmayan bölgeleri ve insanların gerçekten izlediği yolları gösterir. Antrenman izleme ve Streamlit canlı çıkarım arayüzü aynı yapı taşlarıyla oluşturulur.

Yaygın Hatalar#