<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by enes avci on Medium]]></title>
        <description><![CDATA[Stories by enes avci on Medium]]></description>
        <link>https://medium.com/@enesavci1616?source=rss-3a07ac1fa713------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*TqmkZ3_d01DETr26UOZJqA.jpeg</url>
            <title>Stories by enes avci on Medium</title>
            <link>https://medium.com/@enesavci1616?source=rss-3a07ac1fa713------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 13:26:27 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@enesavci1616/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Akıllı Ulaşım Sistemlerinde Görüntü İşleme Teknolojisi Kullanılarak Araç Hız Tespiti Nasıl…]]></title>
            <link>https://medium.com/@enesavci1616/ak%C4%B1ll%C4%B1-ula%C5%9F%C4%B1m-sistemlerinde-g%C3%B6r%C3%BCnt%C3%BC-i%CC%87%C5%9Fleme-teknolojisi-kullan%C4%B1larak-ara%C3%A7-h%C4%B1z-tespiti-nas%C4%B1l-29c5cff8f126?source=rss-3a07ac1fa713------2</link>
            <guid isPermaLink="false">https://medium.com/p/29c5cff8f126</guid>
            <category><![CDATA[smart-mobility]]></category>
            <category><![CDATA[akıllı-ulaşım-sistemler]]></category>
            <category><![CDATA[smart-mobility-solutions]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[object-detection]]></category>
            <dc:creator><![CDATA[enes avci]]></dc:creator>
            <pubDate>Mon, 25 May 2026 19:02:00 GMT</pubDate>
            <atom:updated>2026-05-25T19:02:00.619Z</atom:updated>
            <content:encoded><![CDATA[<h3>Akıllı Ulaşım Sistemlerinde Görüntü İşleme Teknolojisi Kullanılarak Araç Hız Tespiti Nasıl Yapılıyor?</h3><p>Bir trafik kamerası size bir aracın kaç km/h hızla geçtiğini söyleyebilir mi? Yazılım katmanı olmadan hayır. Bu yazı, bu yazılım katmanını sıfırdan kurmayı anlatıyor.</p><p>Gelişen ve büyüyen şehirlerde ulaşım probleminin üstesinden gelebilmek için akıllı ulaşım sistemleri (ITS) ile daha güvenli, efektif çözümler sunulmaktadır. Bu blog yazımda ise akıllı ulaşım sistemlerinde günümüzde de etkin olarak kullanılan trafik kameralarının nasıl bir hız tespit cihazı olarak çalıştığını konsept olarak anlatmaya çalışacağım.</p><p>Sistemin çalışma mantığını daha iyi anlayabilmek için uçtan uca bir pipeline oluşturuldu. Bu pipeline girdi olarak YouTube’da bulunan açık kaynak trafik kamerası görüntüsü alarak test edildi. Sizler de GitHub kodlarını kullanarak projeyi uygulayabilirsiniz: <a href="https://github.com/enesavci16/vision-2026/tree/main/consolidation/q1_speed_pipeline">vision-2026/q1_speed_pipeline — GitHub</a></p><p>Sistemin genel mimarisi şu şekildedir: <strong>Kamera Görüntüsü → YOLO (Nesne Tespiti) → Perspektif Dönüşümü (Bird’s Eye View) → Öklid Mesafesi ile Hız Hesaplama → JSON Çıktısı</strong></p><p>İlk önce girdi olarak görüntüye baktığımızda perspektiften dolayı daha uzaktaki araçlar daha küçük, yakındaki araçlar büyük gözükmekte ve 3 boyutlu (x,y,z) görüntü şeklindedir.</p><p>Trafik kameralarından hız tespiti yapılabilmesi için trafik kamerasının görüntüsünün 2 boyutlu kuş bakışı görüntüsüne dönüştürülmesi gerekmektedir. Bu dönüşüm homografi matrisi kullanılarak yapılabilir. Bu dönüşümün matematiksel denklemi şu şekildedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*c0dckUadDL-InKu4DESpMw.jpeg" /></figure><p>Denklemde amacımız H matrisini bulmaktır. Bu matrisin hesaplanabilmesi için iki tane girdi gerekmektedir. Burada bir tanesi kaynak noktalar (source points), yani pick_points.py aracı yardımıyla kamera görüntüsü üzerinden manuel olarak seçtiğimiz 4 referans noktasıdır. Diğer parametre ise hedef noktalardır (destination points); bu değişken ise gerçekte yolun boyutlarının ne olduğunu gösteren fiziksel ölçüdür. Bu girdiler ile matris hesaplanır. Bu matrisin hesaplanma amacı gelen trafik görüntüsünün kuş bakışı görüntüsüne çevrilmesidir. Kuş bakışı (Bird&#39;s Eye View - BEV) görüntüsü ile birlikte yanıltıcı perspektif ve derinlik algısından kurtularak hız tespitinin daha doğru yapılması sağlanır.</p><p>Oluşturduğumuz pipeline’da OpenCV kütüphanesi kullanılarak ham görüntü karelere (frame) ve zamanlara ayrıldı. Her frame homografi matrisi ile Bird’s Eye View’a (BEV) çevrildi. Çevrilen görüntülerdeki her bir aracın hızı, kameradaki piksel değişimleri hesaplanarak tespit edildi.</p><h3>Speed Measurer Sınıfının Başlangıç Parametresi</h3><p>Sınıfın en önemli parametresi, her bir pikselin gerçek dünyada kaç metreye karşılık geldiğini belirten pixel_per_meter parametresidir. Biz burada kalibrasyon varsayımı olarak <strong>10</strong> değerini aldık. Gerçek dünya senaryolarında bu değer; iki aydınlatma direği arası mesafe veya şerit çizgilerinin standart uzunlukları gibi bilinen fiziksel referansların, ekrandaki piksel karşılığına bölünmesiyle elde edilir.</p><p>YOLO modeli aracı tespit ettikten sonra zaman ve piksel değerleri ile kaydetmektedir. Her bir araca ayrı bir track_id verilmekte ve bu ID değerleri ile birlikte piksel değerleri speed_measurer.update fonksiyonu ile kaydedilmektedir.</p><pre>track_id = int(box.id[0].item())<br>x1, y1, x2, y2 = box.xyxy[0].tolist()<br>cx = (x1 + x2) / 2<br>cy = (y1 + y2) / 2<br>bev_coord = self.perspective_transformer.to_bev(<br>    np.array([cx, cy], dtype=np.float32)<br>).flatten()<br>self.speed_measurer.update(track_id, bev_coord, timestamp)<br></pre><p>Kaydedilen piksel değerler kullanılarak, aracın en son kayıt değeri ile ilk kayıt değeri arasındaki mesafe (Öklid uzaklığı) hesaplanarak aracın toplamda kaç piksel hareket ettiği bulunur.</p><pre>distance_pixel = np.sqrt((second_coord[1] - first_coord[1])**2 + (second_coord[0] - first_coord[0])**2)<br><br>distance_meter = distance_pixel / pixel_per_meter<br>distance_meter_s = distance_meter / dt<br>distance_km_h = distance_meter_s * MS_TO_KMH_MULTIPLIER</pre><p>Pipeline en sonunda çıktı olarak annotated.mp4 formatında etiketlenmiş video ve JSON formatında yapılandırılmış veri vermektedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zxEWpLdp4m5UeJrJwGbbgw.jpeg" /></figure><pre>{<br>    &quot;4&quot;: {<br>        &quot;average_speed&quot;: 13.239147186279297,<br>        &quot;max_speed&quot;: 26.2354736328125,<br>        &quot;current_speed&quot;: 22.198532104492188,<br>        &quot;measurement_count&quot;: 13<br>    },<br>    &quot;5&quot;: {<br>        &quot;average_speed&quot;: 19.740985870361328,<br>        &quot;max_speed&quot;: 48.44290542602539,<br>        &quot;current_speed&quot;: 11.63979721069336,<br>        &quot;measurement_count&quot;: 8<br>    }<br><br><br>}</pre><h3>Projedeki Zorluklar ve Limitler</h3><p>Bu konsept proje, temel mantığı kavramak için harika bir başlangıç olsa da, gerçek dünya koşullarında karşılaştığımız bazı temel zorluklar şunlardır:</p><ul><li><strong>Kalibrasyon Körlüğü:</strong> pick_points.py ile 4 referans noktası seçmek sezgisel görünse de, hatalı seçilen noktalar tüm hız hesaplamalarını bozmaktadır. Bir noktanın sadece birkaç piksel kayması, çıktıdaki hız değerini <strong>%20</strong>&#39;ye varan oranlarda değiştirebilmektedir.</li><li><strong>ID Tutarsızlığı (Tracking Issues):</strong> Mevcut yapıda YOLO’nun dahili tracker’ı kullanılmaktadır. Bir araç bir anlığına başka bir aracın arkasında kaldığında veya kamera açısından çıktığında yeni bir ID alabilmektedir. Bir aracın 5 kez ID değiştirmesi, sisteme 5 farklı araç geçmiş gibi yansıyarak veriyi kirletmektedir.</li><li><strong>pixel_per_meter Varsayımının Kırılganlığı:</strong> Bu değer şu an manuel olarak girilmektedir. Kameranın açısı veya zoom seviyesi değiştiğinde (örneğin rüzgarlı havalarda direk sallanması) ya da sistem farklı bir kavşağa kurulduğunda bu değerin yeniden hesaplanması gerekir.</li><li><strong>Ortalama Hız Yanılgısı:</strong> avg_speed parametresi aracın kameradaki tüm geçmişi üzerinden hesaplanmaktadır. Bir araç uzun süre hızlı gidip sonra dursa bile, geçmiş verilerden dolayı ortalama hız yüksek görünmeye devam etmektedir.</li></ul><h3>Production (Canlı Ortam) İçin Geliştirme Adımları</h3><p>Demo olarak hazırlanan bu sistemin sahadaki mimarilere (production ortamına) entegre edilebilmesi için şu geliştirmelere ihtiyaç vardır:</p><p><strong>Kısa Vadeli Çözümler:</strong></p><ul><li><strong>ByteTrack Entegrasyonu:</strong> YOLO’nun dahili takipçisi yerine Kalman filtresi destekli ByteTrack gibi daha gelişmiş bir algoritma kullanılarak ID sürekliliği (ID continuity) sorunları büyük ölçüde çözülebilir.</li><li><strong>Kayan Pencere (Sliding Window) Algoritması:</strong> Tüm geçmiş yerine aracın sadece son <em>N</em> karesindeki verisi baz alınarak anlık hız çok daha tutarlı şekilde raporlanabilir (Örn: collections.deque kullanımı).</li><li><strong>Otomatik Kalibrasyon Aracı:</strong> Seçilen piksellerin gerçek boyutlarını otomatik hesaplayan ve bu ayarları bir kalibrasyon konfigürasyon dosyasına yazan bir arayüz geliştirilmelidir.</li></ul><p><strong>Orta/Uzun Vadeli Çözümler:</strong></p><ul><li><strong>Kafka ve Zaman Serisi Veritabanı Entegrasyonu:</strong> Her karedeki hız verisinin JSON dosyasına ezilerek yazılması yerine; Apache Kafka gibi bir kuyruk sistemine aktarılması ve oradan TimescaleDB veya InfluxDB gibi bir zaman serisi veritabanına kaydedilmesi gerekmektedir. Böylece Trafik Yönetim Merkezleri (TMC) anlık alarmlar üretebilir.</li><li><strong>Edge Cihaz Dağıtımı (Deployment):</strong> ITS şirketleri veri güvenliği ve gecikme (latency) sürelerini azaltmak için bu sistemleri kavşak başlarındaki Edge (Uç) cihazlarda çalıştırır. Modelin ONNX formatına dönüştürülüp TensorRT ile optimize edilmesi, gerçek zamanlı performansı artıracaktır.</li></ul><p>Bu proje ile birlikte görüntü işleme teknolojileri ile nasıl hız tespiti yapılacağını teknik detaylara çok girmeden anlatmaya çalıştım. Proje ile ilgili sorularınız veya katkılarınız olursa benimle çekinmeden bağlantı kurabilirsiniz. Hoşça kalın 👋</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=29c5cff8f126" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>