Gerçek zamanlı termal tespit

Webcam ve YOLOv8 tabanlı nesne tespiti akışını, termal görüntü mantığına uygun bir sunumla sadeleştirip öne çıkaran proje sayfası. Isı haritası simülasyonları ve yüksek kararlılıklı çıkarım algoritmalarıyla optimize edilmiştir.

OpenCV Ultralytics YOLOv8 Python Real-time Inference

Akış

Kameradan frame al, modeli çalıştır, kutu ve etiketleri çiz, FPS yaz.

Amaç

Canlı sahnede hızlı, okunur ve düşük gecikmeli tespit arayüzü.

Çıktı

Kullanıcıya anlık sınıf, güven skoru ve performans bilgisi sunar.

Görsel blok: termal kamera sahnesi için stilize edilmiş sunum

Koddan Özet

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture(2)

results = model(frame, imgsz=640, conf=0.35, verbose=False)

for box, cls, score in zip(boxes, classes, scores):
    cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2)
    cv2.putText(frame, text, (x1 + 3, y1 - 4), ...)

Boru Hattı

Renk Matrisi ve Sözde Termal Dönüşüm

Gelen RGB kamera matrisleri OpenCV LUT (Look-Up Table) ve jet/inferno renk uzayları kullanılarak dinamik olarak işlenir. Bu sayede standart kamera akışlarında yapay bir termal katman simüle edilir.

Algoritmalar: `cv2.applyColorMap` / JET & INFERNO

Performans

Düşük Gecikmeli Çıkarım (Inference)

YOLOv8 mimarisinin nano (yolov8n) modeli tercih edilerek CPU ve bütçe dostu GPU donanımlarında 30+ FPS sınırının altına düşmeyen, kararlı ve asenkron bir tahmin döngüsü elde edilmiştir.

Altyapı: PyTorch / Ultralytics Engine / Non-Max Suppression

Donanım

Giriş/Çıkış Kuyruk Optimizasyonu

Kamera donanımından kaynaklanan tampon bellek (buffer) birikmelerini önlemek amacıyla, `cv2.VideoCapture` akışı ayrı bir arka plan iş parçacığında (threading) güncel tutulur ve gecikme sıfırlanır.

Yöntemler: Python Threading / Buffer Clearing / FPS Counter

Sistem Mimarisi

Uçtan Uca Bilgisayarlı Görü ve Nesne Takibi Dinamikleri

ThermalTrack AI, sınır bilişim (edge computing) senaryolarına uyum sağlayabilecek şekilde optimize edilmiş kompakt bir bilgisayarlı görü hattıdır. Geleneksel nesne tespiti mimarilerindeki en büyük problem olan kare kaçırma (frame drop) ve girdi kuyruğu şişmesi, asenkron kare yakalama mekanizmasıyla tamamen çözülmüştür. Model, saniyede işleyebileceği en taze kareyi bellekten doğrudan çekerek çıkarım hattına dahil eder.

Görsel katmanda uygulanan sınır çizgileri (bounding boxes) ve güven skorları, OpenCV'nin vektörel matris çizim fonksiyonları yardımıyla ana kare üzerine minimum bellek maliyetiyle işlenir. Projenin esnek yapısı, gerçek bir FLIR veya termal donanım entegrasyonu sağlandığında modelin transfer öğrenme (transfer learning) yöntemiyle gerçek termal veri setlerine hızla adapte edilmesine olanak tanır.