Makine Öğrenimi ve Sinir Ağları - sayfa 38

[MetaQuotes]

YOLOv8 ile Nesne Takibi: Araç Takibi, Sayımı (Giriş Çıkış) ve Hız Tahmini

YOLOv8 ile Nesne Takibi: Araç Takibi, Sayımı (Giriş Çıkış) ve Hız Tahmini

Eğitim videosu, YOLOv8 ve DeepSORT kullanarak nesne takibi, araç sayımı ve hız tahmininin nasıl uygulanacağını açıklar. Sunucu, kodu içeren GitHub deposuna bir bağlantı paylaşır ve depoyu klonlama, DeepSORT dosyalarını indirme, ilgili kitaplıkları içe aktarma ve nesneleri izlemek için bir veri DQ listesi tanımlama sürecini adım adım anlatır. Ayrıca araç yönünün nasıl belirleneceğini ve buna göre sayımın nasıl artırılacağını da açıklarlar. Ek olarak sunum yapan kişi, izlenen nesnelerin X ve Y koordinatlarına dayalı Öklid mesafe formülünü uygulayarak ve sayım gösterimi için bir alan ayarlayarak araçların hızının nasıl tahmin edileceğini gösterir. Sonuç olarak betiğin çıktısı, nesne sayılarını ve hızlarını gösterir ve böylece uygulamanın başarılı olduğunu gösterir.

• 00:00:00 Eğitimin bu bölümünde sunum yapan kişi, YOLOv8 kullanarak nesne algılama izleme ve hız tahmininin nasıl uygulanacağını açıklar. Başlamak için sunum yapan kişi, Windows'ta kodu çalıştırmak için adım adım talimatların yanı sıra bir Google Colab dosyası içeren Derin Sıralama GitHub deposuyla YOLOv8 nesne izleme bağlantısı sağlar. Sunum yapan kişi daha sonra depoyu klonlamak, geçerli dizini ayarlamak ve gerekli tüm kitaplıkları kurmak için gerekli adımlardan geçer. Bundan sonra sunum yapan kişi, tespit klasörüne gider ve sağlanan Google Drive bağlantısından Derin Sıralama dosyalarını indirir.
  
  
• 00:05:00 Bu bölümde konuşmacı, DeepSORT kullanarak YOLOv8 ile nesne izlemeyi indirme ve uygulama adımlarını açıklıyor. İzleyicileri, klasörü açıp proje için ana klasöre yerleştirerek DeepSORT klasörünü indirmeye yönlendirirler. Ayrıca, tahmin.py dosyasında kullanılan kitaplık içe aktarmalarını açıklar ve çerçeveye giren ve çerçeveden çıkan nesneler için benzersiz kimlikleri depolamak için kullanılan çift uçlu sıra (DQ) kavramını açıklar. Konuşmacı ayrıca, işleme için GPU yerine CPU kullandıkları için Google Drive'dan örnek videonun indirilmesinden ve çıktı için birkaç saniye beklenmesinden bahsediyor.
  
  
• 00:10:00 Bu bölümde konuşmacı, nesne takibi için bir izleme algoritması olan derin sıralama izleyicide kullanılan çeşitli işlevleri açıklamaktadır. Bunlar, bir deque'nin sağ ucuna değer eklemek için kullanılan nokta ekleme işlevini, nesneleri depolamak için kullanılan bir kapsayıcı veri türünü ve bir deque'nin sol ucuna değer eklemek için kullanılan sola nokta ekleme işlevini içerir. Konuşmacı ayrıca nesnelere türlerine göre farklı renkler atayan hesaplama renkli etiketler işlevini de tartışıyor. Ek olarak, Dash kenarlığı çiz ve Dash kutuları çiz işlevleri ayrıntılı olarak açıklanır ve burada, nesnenin benzersiz kimliğini ve adını ve CB2.9 kullanılarak oluşturulan bir izleme hattını görüntüleyen yuvarlatılmış bir dikdörtgene sahip bir kullanıcı arayüzü oluşturdukları yerde ayrıntılı olarak açıklanır.
  
  
• 00:15:00 Bu bölümde, konuşmacı bir Trail Line'ı nasıl oluşturduklarını ve nesneleri izlemek için veri DQ kavramını nasıl uyguladıklarını açıklıyor. Bir DQ listesi başlatırlar ve algılanan her nesnenin alt koordinatlarını listeye eklerler. Bir nesne çerçeveden ayrıldığında, noktaları veri DQ listesinden kaldırılır. Ayrıca bir sınıf algılama tahmincisi oluştururlar, her nesneye benzersiz kimlikler atamak ve adlarını almak için Derin Sıralama algoritmasını kullanırlar. Bir çizim kutusu işlevi çağırırlar ve tahminleri yürütürler. Ek olarak, bir dosya indirip yapıştırarak ve yönü kuzey, güney, doğu veya batı olarak tanımlayarak araç sayımı uygularlar. Bir nesne belirli bir yöne girer veya çıkarsa, sayımı artırır.
  
  
• 00:20:00 Bu bölümde konuşmacı, YOLOv8 nesne izleme komut dosyasında nesne saymayı nasıl uyguladıklarını açıklıyor. Belirlenen hatlar boyunca hareketlerine bağlı olarak giren veya çıkan nesneler için bir yön tanımladılar. Ayrıca giren ve çıkan nesnelerin sayısını da gösterdiler ve sayımın görüntülenmesi gereken alanı belirlediler. Konuşmacı daha sonra hızlarını hesaplamak için izlenen nesnelerin X ve Y koordinatlarını kullanarak Öklid mesafe formülünü uygulayarak hız tahmini ekledi. Kameranın konumuna göre dinamik hale getirilebilecek hesaplamayı yapmak için metre başına piksel değeri kullandılar. Komut dosyasının çıktısı, nesne sayılarını ve hızlarını göstererek komut dosyasının doğru çalıştığını gösteriyordu.
  
  
• 00:25:00 Bu bölümde konuşmacı, araçların hızını saatte metre cinsinden hesaplamak için kullanılan, piksel cinsinden mesafenin metre başına piksel değerine (PPM) bölünmesi ve sonucun bir zaman sabitiyle çarpılmasını içeren formülü açıklar. . Bir araç, kullanıcının tanımladığı algılama alanı tarafından belirlenen bir çizgiyi geçtiğinde, komut dosyası araç sayısını artıracak ve aracın hareket ettiği yöne göre alana girip girmediğini anlayacaktır. Son olarak, hız ve araç sayısı tahminleri çıktı listesine eklenir ve kullanıcı, öğreticinin adımlarını izleyerek bu projeyi uygulayabilir.

[MetaQuotes]

YOLOV8 ve EasyOCR Kullanarak Otomatik Plaka Tanıma (Resimler ve Videolar)

YOLOV8 ve EasyOCR Kullanarak Otomatik Plaka Tanıma (Resimler ve Videolar)

Bu YouTube videosunda sunucu, YOLOV8 ve EasyOCR kullanarak otomatik plaka tanımanın nasıl uygulanacağını açıklıyor. İzleyicilere, bir Google Colab not defteri ve bir GitHub deposu kullanarak uygulama sürecinde rehberlik ediyor, adım adım talimatlar sağlıyor ve bağımlılıkların nasıl kurulacağını ve gerekli veri kümesinin nasıl indirileceğini açıklıyor. Sunucu, modelin başarı oranını ve doğrulama sürecini gösterir ve ayrıca plaka numaralarını okumak için EasyOCR'nin nasıl kullanılacağını açıklar. Komut dosyasını çalıştırmanın son adımlarını atıyorlar ve düzelttikleri bazı hatalarla karşılaşıyorlar, bu da etkileyici sonuçlara yol açıyor. Plaka tanıma betiği Patreon destekçileri için yalnızca sunum yapan kişinin GitHub deposunda sağlanacak olsa da, izleyiciler benzer sonuçlar için tahmin.py dosyasında yapılan değişiklikleri öğrenebilirler.

• 00:00:00 Videonun bu bölümünde sunum yapan kişi, YOLOV8 ve EasyOCR kullanarak plaka algılama ve tanımanın nasıl uygulanacağını gösterir. Sunum yapan kişi, uygulama sürecinde izleyicilere rehberlik etmek için bir Google Colab not defteri ve bir GitHub deposu kullanır. Not defteri, kodu çalıştırmak için adım adım talimatlar içerir ve GitHub deposu, ayda beş dolar katkıda bulunan Patreon destekçileri için çok sayıda özel projeye erişim sağlar. Sunum yapan kişi ayrıca, plaka tespiti için özel bir model eğitmek üzere gerekli bağımlılıkların nasıl kurulacağını ve gerekli veri setinin Roboflow'tan nasıl indirileceğini açıklar. Son olarak sunum yapan kişi, modelin farklı sınıfları ne kadar iyi işlediğini ortaya koyan karışıklık matrisini, plakaları tespit etmede %84'lük bir başarı oranıyla gösterir.
  
  
• 00:05:00 Bu bölümde konuşmacı, dönem sayısı arttıkça kayıpta azalma ve ortalama kesinlik ve hatırlama puanında artış gösteren doğrulama setindeki modelin sonuçlarını tartışıyor. Konuşmacı ayrıca kaydedilen modelin Google Drive'dan nasıl indirileceğini ve özel bir videoda nasıl doğrulanacağını göstererek, 50'lik bir IOU ile ortalama 0,926 kesinlik elde edeceğini gösterir. Ancak, bu bölümün odak noktası, EasyOCR'nin tespit edilen plakalardan plaka numaraları ve OCR okuyucu ve görüntü koordinatlarını dahil etmek içindict.py dosyasında yapılan ayarlamalar.
  
  
• 00:10:00 Bu bölümde, YOLOv8 ve EasyOCR kullanarak otomatik plaka tanımanın nasıl uygulanacağına dair bir açıklama görüyoruz. Video, plaka metnini okumaya yardımcı olmak için plaka görüntüsünü kırpma ve gri tonlamaya dönüştürme sürecini tartışıyor. "reader.read_text(gray)" yazarak plakanın gri tonlamalı görüntüsünden metin okumak için EasyOCR'nin nasıl kullanılacağını gösterirler. Sonunda herhangi bir hata olup olmadığını görmek için komut dosyasını test ederler.
  
  
• 00:15:00 Bu bölümde konuşmacı, YOLOv8 ve EasyOCR modellerini kullanarak plaka tanıma komut dosyasını çalıştırmanın son adımlarını anlatıyor. Kodda birkaç hatayla karşılaşırlar ancak bunları düzeltmeyi başarır ve betiği başarıyla çalıştırırlar. Çıkış videosu, modelin EasyOCR kullanarak araç plakalarını algılaması ve metin okumasıyla etkileyici sonuçlar gösteriyor. Plaka tanıma komut dosyası, Patreon destekçileri için konuşmacının GitHub deposunda sağlanacaktır, ancak izleyiciler yine de benzer sonuçlara ulaşmak için videodaki tahmin.pi dosyasında yapılan değişiklikleri öğrenebilirler.

[MetaQuotes]

Özel Veri Kümesinde YOLOv8 Kullanarak Gerçek Zamanlı Nesne Algılama ve İzleme: Eksiksiz Eğitim

Özel Veri Kümesinde YOLOv8 Kullanarak Gerçek Zamanlı Nesne Algılama ve İzleme: Eksiksiz Eğitim

Bu eğitim videosunda sunum yapan kişi, YOLOv8'in algılama ve izleme ile uygulanmasını göstermek için kullanılan, otomobillerin, kamyonların, motosikletlerin, kamyonetlerin, uçakların ve kamp arabalarının resimlerini içeren özel bir veri kümesini tanıtıyor. Dengeli bir veri kümesinin önemini açıklar ve GitHub deposunda gezinmek, gerekli ortamı ayarlamak ve derin sıralama algoritmasını kullanarak nesne izlemeyi uygulamak için adım adım talimatlar sağlarlar. Sunucu ayrıca, Google Drive'dan indirilen bir demo video ile çıkarım yaparak modelin doğruluğunu test ederken, karışıklık matrisini ve eğitim ve doğrulama kayıplarının önemini tartışıyor. İlgilenenler için ortak çalışma not defteri dosyasını paylaşarak bitirirler.

• 00:00:00 Eğitim videosunun bu bölümünde sunum yapan kişi, araba, kamyon, motosiklet, pikap, uçak ve kamp arabalarının yaklaşık 4680 görüntüsünü içeren, herkese açık çok sınıflı bir veri kümesini tanıtıyor. Diğer açıklamalar çok düşükken, yaklaşık 8.389 açıklama içeren araba açıklamaları tarafından aşırı temsil edildiğinden veri seti dengeli değildir. Ancak, bu öğretici için veri kümesi kullanılmıştır, ancak herhangi bir projeyi uygularken veya halka açık herhangi bir veri kümesini kullanırken, veri kümesinin dengeli olduğundan emin olmak önemlidir. Video ayrıca proje için kullanılan bir GitHub deposunu tanıtıyor ve YOLO V8'i herhangi bir özel veri kümesinde algılama ve izleme ile uygulamak için adım adım talimatlar sağlıyor. Talimatlar, havuzun klonlanmasını, bağımlılıkların kurulmasını, derin sor,t kullanarak nesne izlemenin uygulanmasını ve test için örnek bir videonun indirilmesini içerir.
  
  
• 00:05:00 Videonun bu bölümünde sunum yapan kişi, görüntülerin ve eğitim bilgilerinin görüntülenmesi için kullanılan kitaplıkları açıklıyor ve Google Colab kullanarak YOLOv8 için gerekli ortamın nasıl kurulacağını gösteriyor. Sunucu, YOLOv8 için GitHub deposunu klonlar, gerekli kitaplıkları kurar ve algılama klasörüne gider. Sunucu daha sonra gerekli özel veri setinin Roboflow'tan nasıl indirileceğini gösterir ve tren, test ve doğrulama klasörlerini elde etmek için onu açar.
  
  
• 00:10:00 Videonun bu bölümünde sunucu, derin sıralama algoritmasını kullanarak nesne izlemeyi uygulamayı tartışıyor. Derin sıralama dosyalarını indirirler ve bir modelin farklı sınıfları ne kadar iyi işlediğini gösteren bir tablo olan karışıklık matrisini göstermeden önce sıkıştırılmış dosyaları açarlar. Karışıklık matrisinin, modelin kamp arabalarını zamanın %67'sinde doğru olarak algıladığını, ancak bazen onları basit arabalar olarak sınıflandırdığını gösterdiğini açıklıyorlar. Ayrıca, eğitim ve doğrulama kayıplarının önemini ve doğrulama gruplarında model tahminini nasıl kontrol ettiklerini tartışırlar. Son olarak, Google Drive'dan özel model için ağırlıkları indirirler ve bunu doğrulayarak, IOU %50'deyken ortalama ortalama kesinliğin yüksek olduğunu gösterirler.
  
  
• 00:15:00 Bu bölümde sunum yapan kişi, Google Drive'ından indirdiği bir demo videoyu kullanarak oluşturulan modelle çıkarım yaparak modelin doğruluğunu test ediyor. Video, bir otoyol yolundaki arabaları ve kamyonları gösteriyor ve sonuçlar, modelin her nesneye atanan benzersiz bir kimlikle iyi performans gösterdiğini ve izlemenin de mümkün olduğunu gösteriyor. Bu eğitimde kullanılan ortak çalışma dosyası GitHub deposunda mevcuttur. Başka bir video da test edildi ve sonuçlar benzer şekilde iyi, bazı durumlarda iyileştirme gerekiyor. Sunum yapan kişi, özel bir veri kümesi üzerinde YOLOv8 kullanarak nesne algılama takibi uyguladıklarını ve ortak çalışma not defteri dosyasını ilgilenenler için paylaşıyor.

[MetaQuotes]

Özel Veri Kümesinde YOLOv8 Kullanarak Gerçek Zamanlı Nesne Bölümleme ve İzleme: Eksiksiz Eğitim

Özel Veri Kümesinde YOLOv8 Kullanarak Gerçek Zamanlı Nesne Bölümleme ve İzleme: Eksiksiz Eğitim

Bu eğitim videosu, gerçek zamanlı nesne segmentasyonu ve özel veri kümelerinde izleme için YOLOv8'i kullanma konusunda kapsamlı bir kılavuzdur. Eğitim, veri kümelerini içe aktarma, YOLOv8 ve Derin Sıralama algoritmalarını kullanarak özel modelleri eğitme ve demo videolarında modelleri test etme dahil olmak üzere tüm süreci anlatıyor. Konuşmacı, uygulama için gerekli kod ve kitaplıkları sağlar ve modelin tahminlerinin sonuçlarını gösterir. Ayrıca karışıklık matrisini açıklar ve GitHub'daki çıkış videolarına ve kutup dosyalarına erişim için bağlantılar sağlarlar. Genel olarak, bu eğitim, YOLOv8 kullanarak nesne segmentasyonu ve izleme hakkında bilgi edinmek isteyen herkes için harika bir kaynaktır.

• 00:00:00 Bu bölümde, video eğitimi, özel veri kümelerinde segmentasyon ve izleme için YOLOv8'in nasıl kullanılacağını kapsar. Öğretici, uygulamayı adım adım ele alır ve uygulamaya yardımcı olması için bir havuz kullanır. Sunum yapan kişi, gerekli kitaplıkların ve bağımlılıkların nasıl içe aktarılacağının yanı sıra Roboflow'tan bir drone trafik veri setine nasıl erişileceğini ve indirileceğini açıklar. Veri kümesini içe aktarmak için gereken kod, kodun nasıl başarıyla çalıştırılacağına ilişkin yönergelerle birlikte sağlanır. Temel kavramları tam olarak anlamak için videonun tamamını izlemenin önemli olduğu vurgulanmaktadır.
  
  
• 00:05:00 Bu bölümde konuşmacı, YOLOv8 ve Derin Sıralama algoritmalarını kullanarak nesne takibi için özel modellerin nasıl eğitileceğini açıklıyor. Roboflow'tan bir veri kümesini Google colab not defterine indirme, Derin Sıralama dosyalarını indirme ve bisiklet, otobüs, araba ve kamyon gibi farklı nesne sınıflarını algılamak için özel modelleri eğitme prosedüründen bahsediyorlar. Konuşmacı, modelin doğrulama grubundaki tahmininin sonuçlarını paylaşır, model ağırlıklarını Google Drive'a kaydeder ve modelin performansını test etmek için bir demo video indirir. Karışıklık matrisini ve farklı nesne sınıfları için modelin doğruluğunu nasıl ortaya koyduğunu açıklarlar. Genel olarak video, özel veri kümelerinde YOLOv8 kullanarak gerçek zamanlı nesne bölümleme ve izleme hakkında eksiksiz bir eğitim sağlar.
  
  
• 00:10:00 Videonun bu bölümünde sunucu, modeli iki demo video üzerinde test eder ve sonuçları gösterir. Model, nesneleri doğru bir şekilde algılayıp izleyebilir, her nesneye benzersiz bir kimlik verir ve hareketlerini takip etmek için yollar oluşturur. Sunucu, GitHub'daki çıkış videosuna ve kutupsal dosyaya erişim için bir bağlantı sağlar.
  
  
• 00:15:00 Bu bölümde konuşmacı, özel bir veri kümesi üzerinde YOLOv8 kullanarak nesne bölümleme ve izleme projesinin sonuçlarını sunar. Konuşmacı çıktı videolarını gösterir ve tespitlerin çok iyi olduğundan bahseder ve izleyiciler, sonuçları kendileri görmek için dosyaları indirebilir. Konuşmacı ayrıca izleyicilere yeni konularda gelecek videolar için kanala abone olmalarını hatırlatır.

[MetaQuotes]

YOLOv8 Kullanarak Yol İşaretleri ve Trafik Işıkları Algılama ve Renk Tanıma

YOLOv8 Kullanarak Yol İşaretleri ve Trafik Işıkları Algılama ve Renk Tanıma

Bu YouTube eğitimi, yol işaretleri algılama ve renk tanıma için YOLOv8'in kullanımını gösterir. Sunucu, dengeli bir görüntü dağılımına sahip 17 farklı yol işareti sınıfı içeren veri setini tanıtır. YOLOv8 modeli, 100 dönemin üzerinde eğitilmiş ve ince ayarlanmıştır, bu da iou50 ve ioub50 için iyi ortalama ortalama kesinlik puanlarıyla sonuçlanır. Sunum yapan kişi, karışıklık matrisinin nasıl yorumlanacağını ve modelin doğrulama veri setinde nasıl doğrulanacağını gösterir. Model daha sonra her ikisi de doğru algılama sonuçları gösteren iki demo video üzerinde test edilir. Genel olarak YOLOv8, yol işaretlerini ve trafik ışıklarını algılamada iyi performans gösterir.

• 00:00:00 Eğitim videosunun bu bölümünde sunum yapan kişi, YOLOv8 modelini yol işareti algılama konusunda eğitmek için kullanılacak yol işaretleri veri setini tanıtıyor. Veri seti, eğitim, doğrulama ve test amaçlı toplam 2093 görüntü ile 17 farklı yol işareti sınıfı içerir. Veri kümesi dengelidir, yani biraz daha yüksek sayıda görüntüye sahip yeşil ışıklar dışında tüm sınıflar neredeyse eşit bir görüntü dağılımına sahiptir. Sunum yapan kişi ayrıca veri setinin RoboFlow'dan Google Colab not defterine nasıl aktarılacağını ve dosya yollarını yönetmek için ultralytics ve glob kitaplıkları ve giriş ve çıkış resimlerini görüntülemek için görüntü ve görüntüleme kitaplıkları dahil olmak üzere YOLOv8'in uygulanması için gerekli kitaplıkların nasıl kurulacağını gösterir. Sunum yapan kişi ayrıca YOLOv8'i GitHub deposunu klonlayarak veya ultralytics paketinden pip aracılığıyla kurarak yükleme seçenekleri sunar.
  
  
• 00:05:00 iou50, eğitimli YOLOv8 modelinin yol işareti algılama ve renk tanıma görevindeki performansının iyi göstergeleridir. Model, büyük bir veri kümesi üzerinde eğitilmiş ve 100 dönemin üzerinde ince ayar yapılmıştır ve bu da %95,8'lik bir iou50 ile ortalama bir Hassasiyet ve %81,3'lük bir ioub 50 ile ortalama ortalama Kesinlik ile sonuçlanmıştır. En yüksek ortalama Hassasiyete sahip en iyi ağırlıklar "best.pt" olarak kaydedilmiştir. Genel olarak, sonuçlar, görüntü veri setindeki 17 farklı sınıftaki yol işaretleri ve trafik ışıklarını tespit etmek için oldukça iyidir.
  
  
• 00:10:00 Videonun bu bölümünde sunucu, yol işaretleri ve trafik ışıkları algılama ve renk tanıma için YOLOv8 modelini çalıştırdıktan sonra eğitim klasörüne kaydedilen farklı dosyaları açıklıyor. Bu dosyalar, her dönem için karışıklık matrisini, F1 eğrisini, kesinlik eğrisini, geri çağırma eğrisini ve model performansını içerir. Ayrıca, karışıklık matrisinin nasıl yorumlanacağını ve modelin en iyi ağırlıklarını kullanarak doğrulama veri kümesinde modelin nasıl doğrulanacağını gösterirler. Son olarak, modeli daha uzun süre eğitmenin, sonuçların ortalama ortalama kesinliğini daha da artırabileceğini öne sürüyorlar.
  
  
• 00:15:00 Videonun bu bölümünde sunum yapan kişi, doğrulama veri seti görüntülerinde modeli doğrular ve etkileyici bir Ana Ortalama Kesinlik puanı alır. Model daha sonra "sola dönme", "park etme", "kırmızı ışık" ve daha fazlası gibi işaretleri başarıyla algıladığı iki demo video üzerinde test edilir. Demo videolar Pixel sitesinden indirilir ve ardından Google Drive'a yüklenir. Çıktı videoları görüntülenir ve doğru tespit sonuçlarına sahip oldukları gösterilir. Genel olarak model, YOLOv8 kullanarak yol işaretlerini ve trafik ışıklarını algılamada iyi bir performans sergiliyor.

[MetaQuotes]

YOLOv8 Kullanarak Çukur Tespiti ve Segmentasyon (Görseller ve Videolar)| Özel Veri Kümesi | Eksiksiz Kılavuz

YOLOv8 Kullanarak Çukur Tespiti ve Segmentasyon (Görseller ve Videolar)| Özel Veri Kümesi | Eksiksiz Kılavuz

Bu video, YOLOv8 kullanılarak çukur tespiti ve segmentasyon için özel bir veri kümesinin nasıl oluşturulacağını gösterir. Sunum yapan kişi, görüntü verilerini klonlama ve açıklama ekleme adımlarını gösterir ve modeli eğitmek için Google Collab kullanılmasını önerir. YOLOv8 için gerekli bağımlılıklar, veri seti konumunun ayarlanması ve modelin eğitimi de tartışılmaktadır. Model, tespit için ortalama 0,532 ve segmentasyon için 0,531 ortalama hassasiyet elde etti ve videolardaki çukurları tespit etmede iyi performans gösterdi. Sunucu, özel modeli doğruladıktan ve iyi sonuçlar elde ettikten sonra videoyu sonlandırır.

• 00:00:00 Videonun bu bölümünde yazar, YOLOv8 kullanılarak çukur tespiti ve segmentasyon için özel bir veri kümesinin nasıl oluşturulacağını gösteriyor. Yazar, kendi çalışma alanını ve projesini oluşturmak için Roboflow'u kullanıyor ve veri kümesini Google Colab'a aktarabilmek için çalışma alanı için genel bir plan seçmenin önemini açıklıyor. Yazar ayrıca videoların veya resimlerin nasıl içe aktarılacağını ve halka açık veri kümelerinin kendi veri kümelerini desteklemek için nasıl kopyalanacağını da gösteriyor. Son olarak, yazar, çukur tespiti ve segmentasyon için 50 görüntüden oluşan bir veri kümesiyle sonuçlanan görüntülerin ve ek açıklamaların nasıl klonlanacağını gösterir.
  
  
• 00:05:00 Videonun bu bölümünde sunum yapan kişi, YOLOv8 kullanarak çukur tespiti ve segmentasyon için görüntü verilerinin nasıl klonlanacağını ve açıklama ekleneceğini gösterir. Orijinal veri kümesinden kalan 46 görüntüyü klonlayarak başlarlar ve toplamda 96 görüntüye ulaşırlar. Ek açıklama işlemi, her görüntüdeki çukurun konumunu belirtmek için noktaların çokgen şeklinde birleştirilmesini içerir. Sunum yapan kişi daha sonra açıklamaların nasıl kaydedileceğini ve her bir görüntüye nasıl atanacağını gösterir. İşlem zaman alıcıdır, ancak videoda belirtilen adımları izleyerek kolayca yapılabilir.
  
  
• 00:10:00 Videonun bu bölümünde sunum yapan kişi, çukur tespiti ve segmentasyon için bir veri kümesine açıklama ekleme sürecini tartışıyor. Ek açıklama aracını kullanarak bir veri kümesinin nasıl oluşturulacağını gösteriyor ve ardından Google Collab'da YOLOv8 algoritmasını kullanarak modeli eğitmeye devam ediyor. Sunucu ayrıca, RoboFlow üzerinde modelin tek bir tıklamayla ve herhangi bir kodlama olmadan eğitilebileceğinden bahsediyor, ancak yeni şeyler öğrenmek için Google Collab'ı kullanmanızı tavsiye ediyor. Video, çalışma dizinini ayarlamadan ve bağımlılıkları kurmadan önce gerekli kitaplıkların nasıl içe aktarılacağını ve bir GitHub deposunun nasıl kopyalanacağını gösterir.
  
  
• 00:15:00 Videonun bu bölümünde sunum yapan kişi, YOLOv8 ve segmentasyon için gerekli bağımlılıkları kurmak için talimatlar veriyor ve daha sonra kitaplık sorunlarını önlemek için eğitimden önce bunu yapmanın önemli olduğunu vurguluyor. Sunum yapan kişi, veri kümesinin RoboFlow'dan Google klasörüne içe aktarılması ve indirilmesinin yanı sıra veri kümesi konumunu ayarlama ve modeli eğitme adımlarını da atıyor. Sunum yapan kişi ayrıca, tahmin.py dosyasında izleme için ayarlanan bir hatayı da kabul eder ve düzeltir.
  
  
• 00:20:00, IOU 0,50 ila 0,95 arasında değiştiğinde 50 ve 0,218 IOU'da ortalama 0,532 hassasiyetle çukurları tespit edebilir. Model, örnek bir video üzerinde test edildi ve çukurları tespit etmede iyi performans gösterdi. Görüntülenen karışıklık matrisi, verilerin farklı sınıflar arasındaki dağılımını gösterir. Genel olarak, model çukurları tespit etmede iyi çalışıyor.
  
  
• 00:25:00 Videonun bu bölümünde sunum yapan kişi, YOLOv8 kullanarak çukur tespiti ve segmentasyon için özel modeli doğrulamaya çalışır. Modelin çukurları zamanın %50'sinde tespit edemediği ve bunun sonucunda boş bir ekranla sonuçlandığı bir sorunla karşılaştılar. Sunucu daha sonra en iyi DOT ağırlıkları yolunu ekledi ve sorunu düzeltmeyi başardı. Daha sonra doğrulama grubundaki tahmini göstermeye devam ettiler ve tespit için ortalama 0,538 ve segmentasyon için 0,531'lik bir ortalama kesinlik elde ettiler. Model, birden fazla demo videosunda test edildi ve iyi çalıştı ve sunum yapan kişi videoyu sonlandırdı.

[MetaQuotes]

YOLOv8 Özel Nesne Algılama ve İzleme | Gemi Tespiti | Eksiksiz Öğretici

YOLOv8 Özel Nesne Algılama ve İzleme | Gemi Tespiti | Eksiksiz Öğretici

YouTube eğitimi, YOLOv8'in özel bir gemi algılama veri kümesinde derinlemesine sıralama nesnesi izleme ile uygulanmasını kapsar. Videoda RoboFlow'dan veri kümesinin nasıl indirileceği, Expense ID'de bir proje nasıl kurulacağı ve modelin Google Colab'da nasıl eğitileceği anlatılmaktadır. Eğitim betiği 70 dönem boyunca çalıştırıldı ve IOU 50 ile ortalama 0,968 kesinlik ile sonuçlandı. Sunucu, daha fazla dönem eğitiminin daha iyi sonuçlar vereceğini göstermek için kayıp ve ortalama kesinlik grafiklerini analiz eder. Ardından, bir doğrulama veri kümesinde modelin nasıl doğrulanacağını ve doğrulama veri kümesi görüntülerinde ortalama ortalama kesinliğin nasıl gösterileceğini gösterirler. Son olarak, yanlış bir tahmin örneği de dahil olmak üzere modelin bazı demo videolarını iş başında gösterirler.

• 00:00:00 Bu bölümde, video eğitimi, "tahta" veya "şekil" adlı yalnızca bir sınıfla dronlar tarafından yakalanan yaklaşık 794 gemi görüntüsünü içeren özel nesne algılama ve izleme projesi için veri kümesini kapsar. Ardından eğitim, veri kümesinin RoboFlow'dan nasıl indirileceğini ve makine öğrenimi modellerini eğitmek için 25 ücretsiz kredi ve bir Tesla T4 veya V100 GPU sunan Google Colab veya Expense ID'ye nasıl aktarılacağını gösterir. Son olarak, öğretici, Expense ID'de bir proje kurmayı ve veri kümesi üzerinde YOLOv8 nesne algılama modelini eğitmek için Expense sunucu seçenekleriyle bir Jupyter not defterini açmayı tartışır.
  
  
• 00:05:00 YouTube eğitiminin bu bölümünde, eğitmen proje ayarını açıklıyor ve özel bir gemi algılama veri kümesinde derin sıralama nesne takibi ile YOLO v8'i uygulamak için bir GitHub repo bağlantısı sağlıyor. Video, GitHub deposunun bir Google Colab not defterine nasıl kopyalanacağını ve pip kullanılarak gerekli kitaplıkların nasıl kurulacağını gösterir. Not defteri komut dosyası, görüntü kitaplığının nasıl içe aktarılacağı, mevcut çalışma dizinlerinin ayarlanması ve önceden eğitilmiş modellerin indirilmesi de dahil olmak üzere ayrıntılı olarak açıklanır. Eğitmen, hatalardan kaçınmak için eğitim, test veya doğrulama komut dosyalarını çalıştırmadan önce komut dosyasını doğru sırada çalıştırmanın ve gerekli tüm kitaplıkları kurmanın önemini vurgular.
  
  
• 00:10:00 Bu bölümde, konuşmacı RoboFlow'dan bir gemi görüntüleri veri kümesinin nasıl indirileceğini ve DeepSort kullanılarak nesne takibinin nasıl uygulanacağını açıklıyor. Daha sonra, eğitim komut dosyasını 70 dönem boyunca çalıştırmadan önce veri kümesi konumunu ve varsayılan görüntü boyutunu ayarlayarak gemi veri kümesinde bir YOLOv8 modeli eğitirler. Sonuçlar, IOU 50 ile 0,968 gibi iyi bir ortalama ortalama hassasiyet gösteriyor; bu, modelin görüntülerdeki gemilerin %96,8'ini doğru tanımladığı anlamına geliyor. Ağırlıklar dosyası tren klasörüne kaydedilir ve bir karışıklık matrisi, modelin %4 başarısızlık oranıyla bir geminin varlığını tespit etmede %96 doğru olduğunu gösterir. Eğitim kaybı sürekli olarak azalır, bu da daha fazla dönem için eğitimin daha iyi sonuçlar vereceğini gösterir.
  
  
• 00:15:00 Videonun bu bölümünde sunum yapan kişi, eğitim kaybının sürekli olarak azaldığını ve ortalama ortalama kesinliğin çağlar arttıkça sürekli arttığını göstermek için kayıp grafiğini ve ortalama kesinlik grafiğini analiz eder. Daha sonra, modelin bir doğrulama veri setinde nasıl doğrulanacağını ve doğrulama veri seti görüntülerinde iou50 ile ortalama ortalama kesinliğin %96,4 olduğunu ve iou50 ila 95 ile ortalama hassasiyetin %71,6 olduğunu gösterirler. Sunum yapan kişi daha sonra, modeli birden fazla video üzerinde test etmek için en iyi model ağırlıklarını ileterek tahmin.pi komut dosyasını kullanarak bazı demo videolar gösterir ve modelin panoları nasıl algılayabildiğini ve her nesneye benzersiz kimlikler atadığını gösterir. Son olarak, model tarafından yapılan yanlış tahminin bir örneğini gösterirler.

[MetaQuotes]

Yüz, Cinsiyet Tespiti, Yüz Sayma ve Kişi İzleme için YOLOv8 ve VGG16 | Özel Veri Kümesi

Yüz, Cinsiyet Tespiti, Yüz Sayma ve Kişi İzleme için YOLOv8 ve VGG16 | Özel Veri Kümesi

Video eğitimi, YOLOv8 ve VGG16 modellerini kullanarak yüz algılama, cinsiyet sınıflandırması, yüz sayımı ve kişi izleme sürecini açıklamaktadır. Eğitim, veri hazırlama, veri artırma, önceden eğitilmiş VGG16 modelinde ince ayar yapma, transfer öğrenmeyi kullanma ve YOLOv8 modelini yüz algılama için eğitme dahil olmak üzere bu modellerin uygulanmasına ve eğitilmesine ilişkin çeşitli yönleri kapsar. Sunum yapan kişi ayrıca bir Google Drive'ı bir Google Colab not defterine nasıl ekleyeceğinizi, görüntü veri kümelerine nasıl erişeceğinizi ve bunları dönüştüreceğinizi, gerekli kitaplıkları nasıl indireceğinizi ve derin sıralama kullanarak nesne izlemeyi nasıl entegre edeceğinizi açıklar. Eğitim, algılanan nesnelerin çevresine sınırlayıcı kutular çizmek, cinsiyet sınıflandırma modelini entegre etmek, bir çerçevedeki yüz sayısını saymak ve deepsort.update kullanarak algılanan her yüze benzersiz bir kimlik atamak için ayrıntılı kod açıklamaları sağlar.

• 00:00:00 Eğitim videosunun bu bölümünde YOLOv8 ve VGG16 kullanarak cinsiyet sınıflandırmalı yüz algılama ve izlemeli yüz sayma iş akışı anlatılmaktadır. İlk adım, erkek ve kadın yüzlerinin görüntülerinden oluşan veri setini hazırlamak, VGG16 modelini cinsiyet tespiti için eğitmek, ardından YOLOv8 modelini yüz tespiti için eğitmektir. YOLOv8'den yüz algılama ile eğitimli VGG16 modeli kullanılarak cinsiyet sınıflandırması yapılır. Nesne izleme daha sonra, tespit edilen her yüze veya kişiye benzersiz bir kimlik atanan Deepsort kullanılarak uygulanır. Not defteri, gerekli kitaplıkların içe aktarılması, Google Drive'ın kurulması, veri kümesinin yüklenmesi, görüntülerin ve etiketlerin dizilere dönüştürülmesi, veri artırmanın uygulanması, cinsiyet sınıflandırma verilerinde VGG16 modelinde ince ayar yapılması, eğitim ve doğrulama kaybının çizilmesi ve örnek bir görüntü ile test etme.
  
  
• 00:05:00 Bu bölümde, konuşmacı görüntüleri numpy dizilerine dönüştürmek için kullanılabilecek çeşitli kitaplıkları ve işlevleri tartışır ve tersi de geçerlidir. Ayrıca, iki tireli kategorik kitaplığın kullanımını ve sinir ağındaki katmanları düzenlemek için sıralı ve işlevsel yaklaşımlar kavramını açıklarlar. Düzleştirilmiş katman, çok boyutlu girdileri tek boyuta dönüştürmek için kullanılırken, yoğun katman, çıktı katmanı boyutunu tanımlamak için kullanılır. Ek olarak, VGG16 modeliyle transfer öğreniminin kullanımını ve tren testi bölme, numpy ve işletim sistemi kitaplıklarının içe aktarılmasını tartışıyorlar. Son olarak, bir klasördeki tüm dosyalara erişmek için gdob kitaplığının ve görüntü veri kümelerini karıştırmak için rastgele kitaplığın kullanılmasından bahsederler.
  
  
• 00:10:00 Bu bölümde video, zip biçiminde yüklenen bir veri kümesine erişmek için bir Google Drive'ın bir Google Colab not defteriyle nasıl bağlanacağını açıklar. Veri kümesi, erkek ve kadın yüzlerinin görüntülerini içerir ve video, bu görüntüleri içeren klasöre nasıl erişileceğini ve bu klasöre nasıl erişileceğini gösterir. Video, glob kitaplığını kullanarak, veri kümesi klasörlerindeki tüm görüntü dosyalarına erişir ve bunları, görüntünün bir erkek mi yoksa kadın yüzü mü olduğunu gösteren etiketlerle bir dizi formatına dönüştürür. Video örnek bir resim gösterir ve resim dosyaları değişkeninin erkekler ve kadınlar klasörünün cb2.im read kullanılarak okunabilen tüm resim dosyası yollarını nasıl içerdiğini açıklar.
  
  
• 00:15:00 Bu bölümde konuşmacı, veri setlerini yüz ve cinsiyet tespiti için nasıl hazırladıklarını açıklıyor. Bir "erkekler" ve "kadınlar" klasörü oluşturdular, içindeki görüntüleri yeniden boyutlandırdılar ve bunları daha sonra bir veri listesinde saklanan dizilere dönüştürdüler. İlgili etiket değerlerini, kadınlar için 1 ve erkekler için 0 olacak şekilde bir etiket listesine eklediler. Veri ve etiket listeleri daha sonra NumPy kullanılarak dizilere dönüştürüldü. Konuşmacı ayrıca, çeşitli dönüşümler uygulayarak tek bir görüntüden birden çok görüntü üreten bir görüntü verisi üreteci kullanarak veri artırmayı da gösteriyor. Daha sonra, önceden eğitilmiş bir VGG16 modelinin cinsiyet sınıflandırma veri setinde ince ayarını yaptılar ve çıktı katmanını tanımlamak için softmax aktivasyonunu uyguladılar. Çıktı boyutu, erkekleri veya kadınları sınıflandırmak için 2'ye ayarlandı.
  
  
• 00:20:00 Eğitim videosunun bu bölümünde, konuşmacı yüz ve cinsiyet tespiti için VGG16 modelini gösteriyor ve bunun genel bir sınıflandırma veri kümesi üzerinde nasıl eğitileceğini gösteriyor. Model .H5 formatında kaydedilir ve doğruluğu, doğrulama doğruluğu ve kayıp kısımları hesaplanır. cv2.dsize kullanılarak görüntü 100x100 boyutlarına yeniden boyutlandırılır ve bir diziye dönüştürülür ve model görüntünün bir erkek mi yoksa bir kadın mı içerdiğini tahmin eder. Eğitimin bir sonraki bölümünde, YOLOv8 modeli, yüzleri algılamak ve izleme için benzersiz bir kimlik atamak üzere bir yüz veri kümesi üzerinde eğitilecektir. Konuşmacı ayrıca, tahmin.pi dosyasına eklenen basit bir kod kullanılarak yüz sayımının uygulanacağından da bahseder. Genel olarak, eğitim yedi adıma bölünmüştür.
  
  
• 00:25:00 Bu bölümde sunum yapan kişi, derin sıralama kullanarak nesne izlemeyi uygulamak için kullanacakları GitHub deposunu ve yüz küçültme için YOLO V8 modelini tanıtıyor. Her kişiye benzersiz bir kimlik atamak için derin sıralama nesne izleme kodunu entegre etmeden önce yüzleri nasıl algılayacaklarını ve cinsiyet sınıflandırmasını nasıl gerçekleştireceklerini tartışıyorlar. Sunum yapan kişi daha sonra mevcut dizinini klonlama deposu olarak ayarlar ve komut dosyası için gereken tüm gerekli kitaplıkları ve bağımlılıkları kurar. Ayrıca veri kümesini RoboFlow'dan Google Colab not defterlerine indirirler, ancak özel hesapları olduğu için sorunlarla karşılaşırlar.
  
  
• 00:30:00, yüz algılama için önceden eğitilmiş YOLOv8 modelinin ağırlıklarını kullanıyor. Veri seti indirildi ve Google Drive hesabıma kaydedildi ve zaten bir YOLOv8 modelini yüz algılama için 80 dönem için eğittim. Eğitilen model zaten kaydedilmiştir ve ağırlıklar Google Colab not defterine indirilmiştir. Nesne izleme, derin sıralama kullanılarak gerçekleştirileceğinden, derin sıralama dosyaları da not defterine indirilir. Ek olarak, bir VGG16 modeli cinsiyet tespiti için eğitildi ve modelin .h5 dosyası kaydedildi ve Google Drive hesabına indirildi. Örnek videolar, cinsiyet sınıflandırıcı kodu ve yüz sayımı içeren tahmin.pi komut dosyasını test etmek için Google Drive'dan indirilir.
  
  
• 00:35:00 Bu bölümde konuşmacı, derin sıralama kullanarak nesne izlemeyi uygulamak için eklenen kodu açıklar. Derin sıralama nesne izleme bağlantı noktası başlatılır ve YOLOv8 modelinden alınan çıktıyı derin sıralama için uyumlu bir biçime dönüştürmek için bir işlev tanımlanır. UI kutusu işlevi, algılanan nesnelerin çevresinde sınırlayıcı kutular oluştururken, çizim kutusu işlevi, metin için yuvarlatılmış bir dikdörtgen çizmek üzere UI kutusunu ve sınır çiz işlevlerini çağırır. Derin sıralama izleme kodu, iz çizme yeteneğiyle birlikte entegre edilmiştir. Konuşmacı daha sonra cinsiyet sınıflandırıcısının kodunu ve Paint dosyasındaki sayma işlevini açıklar. Count işlevi, her çerçevedeki her nesneyi saymak için kullanılır. Genel olarak kod, YOLOv8'den X1, Y1, X2 ve Y2 çıkış değerlerinin derin sıralama kullanılarak nesne takibi için merkez koordinatlara, yükseklik ve genişlik değerlerine nasıl dönüştürüleceğini, gerçek dünya uygulamasında nesne algılama ve nesne izlemeyi gerçekleştirmeyi açıklar.
  
  
• 00:40:00 Bu bölümde, konuşmacı YOLOv8 modelinin sınırlayıcı kutunun xcyc merkez koordinatlarına ve sınırlayıcı kutunun derin sıralama nesne takibi ile uyumlu hale getirilmesi için genişlik ve yüksekliğe dönüştürülmesini tartışır. Ayrıca, etiket için hesaplama rengi işlevinin algılanan nesnelere benzersiz renkleri nasıl atadığını ve Draw Dash kenarlık işlevinin, etiketin ve güven puanının yazıldığı sınırlayıcı kutunun üzerinde bir dikdörtgen oluşturduğunu da açıklarlar. Konuşmacı ayrıca, cinsiyet sınıflandırıcı sınıfından ve bunun, algılanan nesnelerin cinsiyetini sınıflandırmak için videonun her karesine nasıl yüklenip kullanıldığından da bahsediyor. Ayrıca, sınırlayıcı kutular oluşturmak ve cinsiyet sınıflandırıcı işlevini çağırmak için kullanılan UI Dash box işlevinden ve Dash kutuları çiz işlevinden bahsederler.
  
  
• 00:45:00 Bu bölümde sunucu, bir yüzün bir erkeğe mi yoksa kadına mı ait olduğunu tespit etmek için cinsiyet sınıflandırma modelinin nasıl kullanılacağını açıklıyor. Yüz tespit edildikten sonra cinsiyet sınıflandırma modeline sadece sınırlayıcı kutu koordinatları aktarılır. Model daha sonra yüzün bir erkeğe mi yoksa kadına mı ait olduğunu tahmin eder ve buna göre sınırlayıcı kutunun üzerine etiket eklenir. Sunucu daha sonra, çerçevede algılanan yüzlerin sayısını depolamak için Foundry-classes adlı bir sözlüğü kullanan işlev sayısını açıklar. Sayı, kullanıcı arayüzünde videonun veya resmin üst kısmında görüntülenir.
  
  
• 00:50:00 Bu bölümde konuşmacı, geçerli çerçevede kaç yüzün algılandığının FaceDetails sınıfındaki Foundry sınıfı sözlüğünde saklandığını açıklar. Sözlük iki değer içerir, "yüz"ü içeren anahtar değişken ve geçerli çerçevede kaç yüzün algılandığını içeren değer değişkeni. Konuşmacı, her çerçevede kaç yüzün algılandığını göstermek için sayma işlevini kullanır ve deepsort.update kullanarak algılanan her yüze benzersiz bir kimlik atar. Konuşmacı ayrıca bir genel sınıf, bir sınıflandırma sınıfı ve bir tehlike sınıfı oluşturur. Model tespitleri, birden çok demo video üzerinde test edilir ve konuşmacı, tespitlerin sonuçlarını her karede gösterir.

[MetaQuotes]

YOLOv8 ve Nesne Takibi Kullanarak Kişi Sayma |Kişi Sayma (Giriş ve Çıkış)

YOLOv8 ve Nesne Takibi Kullanarak Kişi Sayma |Kişi Sayma (Giriş ve Çıkış)

Video, YOLOv8 ve nesne izleme kullanılarak bir kişi sayacının nasıl oluşturulacağını açıklar. Süreç, benzersiz kimliklere sahip nesnelerin algılanmasını, algılanan nesnenin merkez koordinatının bulunmasını, nesnelerin Derin SORT ile izlenmesini ve belirli bir alana giren ve çıkan kişilerin sayısını saymak için nesnelerin belirli çizgileri geçtiğinde algılanmasını içerir. Benzersiz kimlikler, alana giren ve çıkan kişileri saymak için listelerde saklanır ve sayımlar yeşil ve kırmızı dairelerle grafiksel olarak gösterilir. Video ayrıca proje için kod sağlar ve sistemin çıktısını gerçek zamanlı olarak gösterir.

• 00:00:00 Eğitim videosunun bu bölümünde sunum yapan kişi, YOLO V8 ve nesne izleme kullanılarak bir kişi sayacının nasıl oluşturulacağını açıklar. Süreç akışı, kişileri algılamak ve algılanan her nesneye benzersiz bir kimlik atamak için YOLO V8 nesne algılamanın uygulanmasıyla başlar. Ardından, algılanan nesnenin merkez koordinatı bulunur ve ardından, algılanan her nesneye benzersiz bir kimlik atayan Derin SORT kullanılarak nesne takibi yapılır. Daha sonra, bir kişinin onları ne zaman geçtiğini tespit etmek için çizgiler çizilir ve benzersiz kimlikleri bir listeye eklenir. Son olarak, her satırı geçen kişilerin toplam sayısını elde etmek için listenin uzunluğu bulunur.
  
  
• 00:05:00 Bu bölümde video, YOLOv8 ve nesne takibi kullanarak kişi sayma sürecini anlatıyor. Yöntem, nesnenin sınırlayıcı kutusunun merkez koordinatını izlemeyi ve yeşil çizgiyi ne zaman geçtiğini algılamayı içerir. Ardından, nesnenin benzersiz kimliği, hattan geçen nesnelerin toplam sayısını hesaplamak için kullanılan bir listeye eklenir. İşlem kare kare tekrarlanır ve bir nesne çizgiyi her geçtiğinde sayı artar. Video ayrıca, bağımlılıkların yüklenmesini ve derin sıralama nesne izleme yönteminin kullanılmasını içeren bu proje için kullanılan kodu da gösterir.
  
  
• 00:10:00 Videonun bu bölümünde sunum yapan kişi, Derin Sıralama dosyalarını indirir ve proje gereksinimleri için gerekli değişiklikleri yapmak üzere tahmin komut dosyasını açar. Sunum yapan kişi izleri ve gereksiz verileri kaldırır ve video girişini kullanarak yukarı ve aşağı sayım için iki satır oluşturur. Her çizgi için koordinat noktalarını bulurlar, bu da her çizgiyi geçen insan sayısını ve toplam sayıyı takip etmelerini sağlar. Sunucu, koordinatların nasıl bulunacağını göstermek için ekranını paylaşıyor ve doğru alana odaklanmanın önemini vurguluyor.
  
  
• 00:15:00 Bu bölümde konuşmacı, hat için koordinatların nasıl tanımlanacağını ve boş bir listenin nasıl oluşturulacağını açıklar. Çizginin koordinatları bir önceki adımdan kopyalanır ve boş liste, üzerinden geçen nesnelerin benzersiz kimliklerini saklar. Komut dosyası ayrıca sınırlayıcı kutunun genişliğini ve yüksekliğini hesaplar ve benzersiz kimliği, kişinin yukarı mı yoksa aşağı mı gittiğine bağlı olarak uygun listede saklar. Konuşmacı, bu bölümde kullanılan noktaların ve koordinatların görsel bir temsilini sağlar.
  
  
• 00:20:00 Videonun bu bölümünde konuşmacı, YOLOv8 ve Object Tracking kullanarak Kişi Sayacı projesinin kodunu açıklıyor. Sınırlayıcı kutunun merkez koordinatlarını temsil eden CX ve CY koordinatlarını ve bunların algılanan nesnenin etrafına daire ve dikdörtgen çizmek için nasıl kullanıldığını incelerler. Konuşmacı ayrıca her nesnenin benzersiz kimliği ve etiketinin cv2.puttext işlevi kullanılarak dikdörtgene nasıl eklendiğini açıklar. Son olarak, nesnenin CX koordinatı belirli bir satırı geçerek bir giriş veya çıkışı gösterdiğinde benzersiz kimliğin boş listede nasıl saklandığını açıklarlar.
  
  
• 00:25:00 Bu bölümde sunum yapan kişi, yukarı giden kişiler ve aşağı inen kişiler için benzersiz kimliğin toplam sayım listesine nasıl eklendiğini açıklar. Merkez koordinat, sayıma bağlı olarak çizginin üstüne veya altına geçtiğinde ilgili listeye eklenir. Her listenin uzunluğu, yukarı ve aşağı giden kişilerin sayısını temsil eder; bu, yeşilin yukarı çıkan kişileri ve kırmızının aşağı inen kişileri temsil ettiği iki daire kullanılarak grafiksel olarak gösterilir. Sunum yapan kişi, global toplam sayım ve toplam aşağı değişkenlerini tanımlamayı ve cb2.9 kullanarak bir satır oluşturmayı vurgular. Kod, sayımın dairesel gösterimini oluşturmak için CPU/DPM dairesini kullanır. Sunucu, izleyicilere çalışma zamanının GPU olarak ayarlandığından emin olmalarını hatırlatır ve gerekli dosyaları indirmek için oturum birkaç saniye sürebilir.
  
  
• 00:30:00 Bu bölümde konuşmacı, videoda belirli bir alana giren ve çıkan kişilerin sayısını saymak için YOLOv8 ve Nesne İzleme kullanan bir komut dosyasının nasıl indirileceğini ve çalıştırılacağını gösteriyor. Komut dosyası, videoyu karelere böler ve insanların hareketlerini izlemek ve belirli çizgileri geçtiklerinde onları saymak için bunları tek tek işler. Çıktı, alana giren ve çıkan insanların sayısını gerçek zamanlı olarak gösteren açıklamalı bir videodur. Konuşmacı ayrıca çıktı videosunu gösterir ve komut dosyasının insanların hareketlerini nasıl başarılı bir şekilde saydığını açıklar.
  
  
• 00:35:00 Bu bölümde, eğitim videosu YOLOv8'in kullanımını ve belirli bir alana giren ve çıkan insanları saymak için nesne izlemeyi gösterir. Sistem, görüntü üzerinde bir çizgiyi geçen bireyleri sayar ve hareket yönüne bağlı olarak sayımı yukarı veya aşağı sayım olarak görüntüler. Sistemin script dosyası da paylaşılmakta olup, izleyicilerin kanala abone olmaları ve beğeni bırakmaları teşvik edilmektedir.

[MetaQuotes]

YOLOv8 Kullanarak Gerçek Zamanlı Nesne Algılama, İzleme, Bulanıklaştırma ve Sayma: Adım Adım Öğretici

YOLOv8 Kullanarak Gerçek Zamanlı Nesne Algılama, İzleme, Bulanıklaştırma ve Sayma: Adım Adım Öğretici

Bu eğitim, YOLOv8 kullanarak gerçek zamanlı nesne algılama ve izleme ile nesne bulanıklaştırma ve sayma uygulamasına odaklanır. Öğretici, nesne takibi için Derin Sıralama dosyaları ve test için örnek bir video dahil olmak üzere gerekli dosyaların indirilmesi için adımlar sağlar. Öğretici, algılanan nesneleri bulanıklaştırmak için OpenCV'nin CV2 kitaplığını kullanır ve nesne algılama, izleme ve bulanıklaştırma için kod sağlar. Konuşmacı, sınırlayıcı kutunun koordinatlarını belirleme, görüntüyü kırpma ve bulanıklaştırma işlevini uygulama sürecini gösterir. Ek olarak sunum yapan kişi, bir sözlük kullanarak her karedeki toplam nesne sayısını sayma kodunu açıklar ve kodun her karedeki toplam nesne sayısını görüntülerken nesneleri nasıl algıladığını, izlediğini ve bulanıklaştırdığını gösterir. Genel olarak, sonuçlar iyidir ve açıklamada proje için bir GitHub deposu sağlanmıştır.

• 00:00:00 Eğitimin bu bölümünde, algılanan nesneleri bulanıklaştırmaya ve her karedeki nesne sayısını saymaya odaklanılır. Öğretici, izleme kimliği ve izleriyle nesne algılama için YOLOv8'i kullanır. Öğretici, nesne izleme için Derin Sıralama dosyaları ve test için örnek bir video dahil olmak üzere, GPU çalışma zamanını seçmekten gerekli dosyaları indirmek için komut dosyalarını çalıştırmaya kadar adım adım bir kılavuz sağlar. Eğitim ayrıca, algılanan nesneleri bulanıklaştırmak için OpenCV'nin CV2 kitaplığının kullanımını vurgular ve nesne algılama, izleme ve bulanıklaştırmayı uygulamak için kod sağlar.
  
  
• 00:05:00 Bu bölümde, video eğitimi, YOLOv8 kullanarak gerçek zamanlı nesne algılama ve izlemede algılanan nesnelerin nasıl bulanıklaştırılacağını açıklar. Bunu uygulamak için, sol üst köşeyi ve sağ alt köşeyi içeren sınırlayıcı kutunun koordinatlarını bilmek ve ardından bu sınırlayıcı kutunun içindeki nesneyi bulanıklaştırmak gerekir. Koordinatlar "predict.pi" dosyasında saklanır ve bu değerler nesneleri bulanıklaştırmak için elde edilebilir.
  
  
• 00:10:00 Videonun bu bölümünde konuşmacı, algılanan nesnenin sınırlayıcı kutusundaki nesnenin nasıl bulanıklaştırılacağını açıklar. Görüntüyü yalnızca sınırlayıcı kutunun bulunduğu alanı içerecek şekilde kırpmadan önce sınırlayıcı kutunun koordinatlarını belirler. Ardından, CV2 nokta bulanıklığını kullanarak bulanıklık işlevini uygular ve alanın bulanıklığını belirleyen kan oranını ayarlar. Konuşmacı, senaryoyu yazıp çalıştırarak süreci gösterir.
  
  
• 00:15:00 Videonun bu bölümünde sunum yapan kişi, gerçek zamanlı nesne algılama, izleme ve sayma için YOLOv8 kullanılarak nesne bulanıklaştırmanın nasıl uygulanacağını gösterir. Sunucu, bazı küçük düzeltmeler yaptıktan ve komut dosyasını çalıştırdıktan sonra, iyi çalışan nesne bulanıklaştırma özelliğinin sonuçlarını gösterir. Daha sonra sunum yapan kişi, nesne adını ve geçerli çerçevede kaç kez göründüğünü içeren bir sözlük oluşturmayı içeren, her çerçevedeki toplam nesne sayısını sayma kodunu açıklamaya geçer. Sunucu, videoyu çok uzun yapmamak için bu bölümün kodunu göstermiyor.
  
  
• 00:20:00 Bu bölümde sunum yapan kişi, nesne adlarını ve bunların sayısını (mevcut ön çerçevedeki görünüm sayısı) içeren bir sözlükten anahtarları ve değerleri çıkaran sayma işlevini açıklar. Bu işlev bir dikdörtgen oluşturur ve nesnenin kaç kez göründüğünü gösteren metinle kaplar. Sunucu ayrıca, kodun nesneleri nasıl algılayıp izlediğini, bunları nasıl bulanıklaştırdığını ve her karedeki toplam nesne sayısını nasıl görüntülediğini gösterir. Sonuçlar iyidir ve açıklamada proje için bir GitHub deposu verilmiştir.