CCTV ve Yapay Zekâ Video Analitiği Sözlüğü: Temel Terimler ve AçıklamalarCCTV ve yapay zekâ video analitiği için 24 önemli terimi ve tanımını, kullanım notlarıyla öğrenin. RTSP, ONVIF, Hype-Model, on-premise ve daha fazlası burada.

RTSP, IP kameraların video akışlarını bir ağ üzerinden gerçek zamanlı olarak iletmek için kullanılan bir protokoldür. H.264 veya H.265 gibi sıkıştırma formatlarında, ana ve alt akışları destekleyerek bant genişliği ihtiyacını optimize eder.

Pratikte, kamera görüntüsü doğrudan analiz cihazına veya VMS’ye RTSP URL’si ile bağlanabilir. Yüksek gecikme ve bant genişliği gerektiren uygulamalarda alt akış kullanılabilir.

ONVIF, farklı marka ve modellerdeki IP kameraların ve kayıt cihazlarının birlikte çalışmasını sağlayan standart bir protokoldür. Profil S genellikle temel video yayını, Profile T geliştirilmiş video ve analitik, Profile M ise cihaz yönetimi içindir.

Kamera bağlantısında ONVIF, RTSP’den farklı olarak cihaz keşfi, kontrol ve ayar yönetimini de kapsar. Böylece sistem entegrasyonu ve skalasyonu kolaylaşır.

RTSP, sadece video akışı iletim protokolüdür, ancak ONVIF hem video akışı hem de cihaz kontrolü ve ayar yönetimi için kapsamlı bir çerçeve sunar. ONVIF protokolü, RTSP akışlarını kullanabilir ancak ek olarak kamera yönetim fonksiyonlarına da izin verir.

Bu nedenle entegrasyon projelerinde ONVIF uyumluluğu, cihaz konfigürasyonu ve izleme açısından daha geniş kolaylık sağlar.

NVR, IP kameraların RTSP veya ONVIF ile gelen video akışlarını depolayan ve gerektiğinde oynatan cihazdır. Kayıtlar disk üzerinde tutulur ve yönetim için VMS üzerinden erişilebilir.

Bazı NVR’lar dahili analitik modüller içerir ancak gelişmiş yapay zekâ işleme genellikle merkezi GPU sunuculara veya edge AI çözümlerine ihtiyaç duyar.

VMS, çoklu kamera görüntülerini merkezi olarak yönetip, kayıt, izleme ve alarm yönetimi fonksiyonlarını sağlayan yazılımdır. RTSP ve ONVIF bağlantılarını destekleyerek esnek entegrasyon sunar.

VMS, alarmları ekranda açma (popup), kayıtta işaretleme veya entegrasyon için ERP/MES sistemlerine veri aktarımı gibi çok yönlü arayüz sağlar.

H.264 ve H.265, video verisini sıkıştırarak bant genişliği ve depolama gereksinimini azaltan endüstri standart codec'leridir. H.265, özellikle yüksek çözünürlüklü kamera ve video akışlarında H.264’e göre yaklaşık %50 daha verimlidir.

Yapay zekâ için yüksek kaliteli ve düşük gecikmeli akışlarda H.264 veya H.265 yaygın kullanılır.

Ana akış, genellikle yüksek çözünürlük ve FPS’deki görüntüyü aktarırken, alt akış daha düşük çözünürlük ve kare hızında bant genişliği tasarrufu için kullanılır.

Yapay zekâ analizinde detay ve doğruluk için ana akış tercih edilirken, VMS’de çoklu kamera izlemede alt akış tercih edilebilir.

FPS (Frame per Second), saniyede kaç kare görüntü işlendiğini belirtir. Yapay zekâ nesne tespiti ve davranış analizlerinde stabil ve yeterli FPS önemlidir.

Genellikle 10-15 FPS üzerindeki akışlar yapay zekâ için yeterlidir ancak çok hızlı hareket eden nesneler için 20 FPS ve üzeri gerekebilir.

Çözünürlük, görüntüdeki pixel sayısını belirlerken, piksel yoğunluğu nesnenin kafa karışıklığı olmadan net algılanmasını etkiler. Daha yüksek çözünürlük ve piksel yoğunluğu, küçük nesnelerin doğru algılanmasını artırır.

Kaliteli yapay zekâ analizi için 2 MP ve üzeri kameralar tercih edilir, ancak uygulamaya göre 4K ve üzeri de kullanılabilir.

ROI, görüntü içinde işlenmesi öncelikli veya daha kritik olan alanlardır. Yapay zekâ algoritmaları bu bölgede daha fazla detay çıkarabilir veya daha sık tarama yapabilir.

ROI kullanımı hesaplama yükünü azaltır ve gereksiz veri işlemeden kaynaklı gecikmeyi minimize eder.

Nesne tespiti, video akışında insan, araç, paket gibi hedeflerin algılanması işlemidir. Bu, yapay zekâ modellerinin temel görevlerinden biridir.

Model doğruluğu ve gerçek zamanlı işleme başarısı, ortam ışığı, çözünürlük ve FPS gibi faktörlere bağlıdır.

Sınıflandırma, tespit edilen nesnelerin hangi kategoriye ait olduğunu belirleme işlemidir. Örneğin, araçlar; otomobil, kamyon, motosiklet olarak sınıflandırılır.

Bu işlem, yapay zekâ modellerinin daha ayrıntılı ve fonksiyonel sonuçlar sunmasını sağlar.

Poz tahmini, özellikle insan figürlerinin hareket ve duruş analizlerini yaparak pozisyonları saptama işlemidir. El takibi ise ellerin konumunu ve hareketlerini izlemektir.

Endüstriyel uygulamalarda iş güvenliği ve insan-robot etkileşimi gibi alanlarda önemli bir analizdir.

OCR, görüntüdeki yazı ve rakamları tanıyıp metin haline getiren teknolojidir. Kamera görüntülerinden plaka, barkod veya etiket okuma için kullanılır.

Yapay zekâ destekli OCR, farklı font ve ışık koşullarına dayanıklı gelişmiş algoritmalarla uygulanır.

VLM, görsel verilerle bağlantılı doğal dil işleme yeteneklerini içine alan yapay zekâ modelidir. Görüntüyü analiz edip anlamlandırır, ardından metin veya komutla etkileşim kurar.

Endüstriyel sistemlerde veri yorumlama ve raporlama için kullanılabilir.

"Hype-Model", Hype Vision tarafından geliştirilen yapay zekâ model ailesidir. Nesne tespiti, sınıflandırma, poz/elde takibi ve OCR gibi modülleri içerir.

Sürekli güncellenen ve markadan bağımsız kameralarla kullanılabilen bu modeller, yüksek doğruluk ve düşük gecikme sunacak şekilde optimize edilmiştir.

Edge AI, verinin üretildiği (kamera) cihaz veya yakınında yapay zekâ işlemlerinin gerçekleştirilmesidir. Bu sayede veri merkezi sunuculara gönderilmeden anlık işleme ve hızlı tepki sağlanır.

Gecikmenin kritik olduğu uygulamalarda, ağ bant genişliğini azaltmak ve veri güvenliğini artırmak için tercih edilir.

Çok sayıda kameradan gelen görüntülerin yapay zekâ ile analizini hızlandırmak için güçlü GPU kartlarına sahip merkezi sunucular kullanılır. Bu mimari, yüksek işlem gücü sağlar ancak bant genişliği ve gecikme gibi faktörler göz önünde bulundurulmalıdır.

Kaç GPU gerektiği; kamera sayısı, çözünürlük, FPS ve analiz modellerinin karmaşıklığına bağlı değişir.

100 kameranın işlenmesi için gereken GPU sayısı, çözünürlük, FPS, analiz derinliği, modellerin optimizasyonu gibi birçok değişkene bağlıdır. Genel olarak 1–3 arası GPU yeterli olabilir ancak kesin sayı sahadan alınan veriyle belirlenmelidir.

Pilot kurulum ve performans testi, doğru donanım planlaması için zorunludur.

Çıkarım, yapay zekâ modelinin alınan görüntü verisi üzerinde analiz yapıp sonuç üretmesidir. Bu işlem gerçek zamanlı veya yakın gerçek zamanda gerçekleşir.

Yapay zekâ performansının ve gecikmesinin ana belirleyicisidir.

Gecikme, görüntünün kameradan yapay zekâ işlemine, analiz sonuçlarının alınmasına kadar geçen süredir. Düşük gecikme, güvenlik ve otomasyon için kritik öneme sahiptir.

Donanım, ağ hızı ve model karmaşıklığı gecikmeye doğrudan etki eder.

False positive, yapay zekânın yanlış alarm vermesi; false negative ise gerçek nesneyi gözden kaçırmasıdır. Her iki hata tipi de sistem güvenilirliği için önemlidir.

Düşük hata oranına ulaşmak uygulamaya özel ayar ve kalibrasyon ile mümkündür.

Kalibrasyon, kamera ve yapay zekâ sistemlerinin doğru ve tutarlı veri verebilmesi için yapılan ayardır. Işık koşulları, kamera açısı ve lens özelliklerinin optimize edilmesi bu sürece dahildir.

Sistem kurulumu sonrası pilot testlerde kalibrasyon yapmak veri kalitesini artırır.

Davranış analizi, kameradan alınan insan veya nesne hareketlerini yapay zekâ ile inceleyerek önceden tanımlı riskli veya olağan dışı hareketleri saptar. Bu, güvenlik ve kalite kontrol uygulamalarında kullanılır.

Süreç, hareket verisinin çıkarımı, sınıflandırması ve alarm oluşturması adımlarını içerir.

KVKK (Kişisel Verilerin Korunması Kanunu) kapsamında, yapay zekâ video analitiği çoğu modül için kimlik bilgisi işlemeyen kimliksiz analiz mantığını takip eder. Yüz tanıma harici anonim veri kullanımı ön plandadır.

Bu sayede yasal uyumluluk sağlanırken, güvenlik ve analiz fonksiyonları etkin şekilde çalışır.

On-premise, tüm video analitiği ve yapay zekâ işlemlerinin kurumun kendi veri merkezinde veya lokal sunucularda yapılmasıdır. Böylece veri güvenliği artar, internet bağlantısına bağımlılık azalır.

Endüstriyel ve güvenlik uygulamalarında tercih edilen bu yöntem, düşük gecikme ve yüksek kontrol sağlar.