Objektzählung mit Ultralytics YOLO11

Was ist Objektzählung?

Objektzählung mit Ultralytics YOLO11 beinhaltet die genaue Identifizierung und Zählung spezifischer Objekte in Videos und Kamerastreams. YOLO11 zeichnet sich durch Echtzeitanwendungen aus und bietet dank seiner hochmodernen Algorithmen und Deep-Learning-Fähigkeiten eine effiziente und präzise Objektzählung für verschiedene Szenarien wie die Analyse von Menschenmengen und Überwachung.

Vorteile der Objektzählung?

• Ressourcen-Optimierung: Das Zählen von Objekten erleichtert eine effiziente Ressourcenverwaltung, indem es genaue Zählungen ermöglicht und die Ressourcenzuweisung in Anwendungen wie der Bestandsverwaltung optimiert.
• Erhöhte Sicherheit: Die Objektzählung verbessert die Sicherheit und Überwachung, indem sie Objekte genau verfolgt und zählt und so zur proaktiven Erkennung von Bedrohungen beiträgt.
• Informierte Entscheidungsfindung: Die Objektzählung bietet wertvolle Erkenntnisse für die Entscheidungsfindung und die Optimierung von Prozessen im Einzelhandel, im Verkehrsmanagement und in verschiedenen anderen Bereichen.

Anwendungen in der realen Welt

Logistik	Aquakultur
Förderband-Paketzählung mit Ultralytics YOLO11	Fischzählung im Meer mit Ultralytics YOLO11

# Run a counting example
yolo solutions count show=True

# Pass a source video
yolo solutions count source="path/to/video/file.mp4"

# Pass region coordinates
yolo solutions count region=[(20, 400), (1080, 400), (1080, 360), (20, 360)]

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Define region points
# region_points = [(20, 400), (1080, 400)]  # For line counting
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]  # For rectangle region counting
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)]  # For polygon region counting

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    show=True,  # Display the output
    region=region_points,  # Pass region points
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object counting using YOLO11 OBB model.
    # classes=[0, 2],  # If you want to count specific classes i.e person and car with COCO pretrained model.
    # show_in=True,  # Display in counts
    # show_out=True,  # Display out counts
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    im0 = counter.count(im0)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Argument ObjectCounter

Hier ist eine Tabelle mit den ObjectCounter Argumente:

Argumente model.track

FAQ

Wie zähle ich Objekte in einem Video mit Ultralytics YOLO11 ?

Zum Zählen von Objekten in einem Video mit Ultralytics YOLO11 können Sie die folgenden Schritte ausführen:

1. Importieren Sie die erforderlichen Bibliotheken (cv2, ultralytics).
2. Definieren Sie den Zählbereich (z. B. ein Polygon, eine Linie usw.).
3. Richten Sie die Videoaufnahme ein und initialisieren Sie den Objektzähler.
4. Verarbeiten Sie jedes Einzelbild, um Objekte zu verfolgen und sie innerhalb des festgelegten Bereichs zu zählen.

Hier ist ein einfaches Beispiel für die Zählung in einer Region:

import cv2

from ultralytics import solutions


def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    cap = cv2.VideoCapture(video_path)
    assert cap.isOpened(), "Error reading video file"
    w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
    counter = solutions.ObjectCounter(show=True, region=region_points, model=model_path)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        im0 = counter.count(im0)
        video_writer.write(im0)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()


count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolo11n.pt")

Weitere Konfigurationen und Optionen finden Sie im Abschnitt Objektzählung.

Welche Vorteile bietet die Verwendung von Ultralytics YOLO11 für die Objektzählung?

Die Verwendung von Ultralytics YOLO11 für die Objektzählung bietet mehrere Vorteile:

1. Ressourcen-Optimierung: Es erleichtert ein effizientes Ressourcenmanagement, indem es genaue Zählungen liefert und so die Ressourcenzuweisung in Branchen wie der Bestandsverwaltung optimiert.
2. Erhöhte Sicherheit: Es verbessert die Sicherheit und Überwachung durch genaue Verfolgung und Zählung von Personen und hilft bei der proaktiven Erkennung von Bedrohungen.
3. Informierte Entscheidungsfindung: Sie bietet wertvolle Erkenntnisse für die Entscheidungsfindung und optimiert Prozesse in Bereichen wie Einzelhandel, Verkehrsmanagement und mehr.

Praktische Anwendungen und Codebeispiele finden Sie im Abschnitt Vorteile der Objektzählung.

Wie kann ich mit Ultralytics YOLO11 bestimmte Klassen von Objekten zählen?

Um bestimmte Klassen von Objekten mit Ultralytics YOLO11 zu zählen, müssen Sie die Klassen, an denen Sie interessiert sind, während der Verfolgungsphase angeben. Nachfolgend finden Sie ein Python Beispiel:

import cv2

from ultralytics import solutions


def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    cap = cv2.VideoCapture(video_path)
    assert cap.isOpened(), "Error reading video file"
    w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    line_points = [(20, 400), (1080, 400)]
    counter = solutions.ObjectCounter(show=True, region=line_points, model=model_path, classes=classes_to_count)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        im0 = counter.count(im0)
        video_writer.write(im0)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()


count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolo11n.pt", [0, 2])

In diesem Beispiel, classes_to_count=[0, 2]d.h. es werden Objekte der Klasse 0 und 2 (z. B. Person und Auto).

Warum sollte ich YOLO11 gegenüber anderen Objekterkennungsmodellen für Echtzeitanwendungen verwenden?

Ultralytics YOLO11 bietet mehrere Vorteile gegenüber anderen Objekterkennungsmodellen wie Faster R-CNN, SSD und früheren Versionen von YOLO :

1. Geschwindigkeit und Effizienz: YOLO11 bietet Echtzeitverarbeitungsfunktionen und ist damit ideal für Anwendungen, die Hochgeschwindigkeitsinferenzen erfordern, wie z. B. Überwachung und autonomes Fahren.
2. Genauigkeit: Es bietet modernste Genauigkeit bei der Objekterkennung und -verfolgung, reduziert die Anzahl der Fehlalarme und verbessert die Zuverlässigkeit des Systems insgesamt.
3. Einfache Integration: YOLO11 bietet eine nahtlose Integration mit verschiedenen Plattformen und Geräten, einschließlich Mobil- und Edge-Geräten, was für moderne KI-Anwendungen entscheidend ist.
4. Flexibel: Unterstützt verschiedene Aufgaben wie Objekterkennung, -segmentierung und -verfolgung mit konfigurierbaren Modellen zur Erfüllung spezifischer Anwendungsfälle.

Unter Ultralytics YOLO11 finden Sie eine ausführlicheDokumentation über die Funktionen und Leistungsvergleiche.

Kann ich YOLO11 für fortgeschrittene Anwendungen wie Crowd-Analyse und Verkehrsmanagement verwenden?

Ja, Ultralytics YOLO11 eignet sich aufgrund seiner Echtzeit-Erkennungsfunktionen, seiner Skalierbarkeit und seiner Integrationsflexibilität perfekt für fortschrittliche Anwendungen wie die Analyse von Menschenmengen und das Verkehrsmanagement. Seine fortschrittlichen Funktionen ermöglichen eine hochpräzise Objektverfolgung, Zählung und Klassifizierung in dynamischen Umgebungen. Beispiele für Anwendungsfälle sind:

• Analyse von Menschenansammlungen: Überwachen und verwalten Sie große Versammlungen, um die Sicherheit zu gewährleisten und den Menschenstrom zu optimieren.
• Verkehrsmanagement: Verfolgen und zählen Sie Fahrzeuge, analysieren Sie Verkehrsmuster und verwalten Sie Staus in Echtzeit.

Weitere Informationen und Details zur Implementierung finden Sie im Leitfaden Real World Applications of object counting with YOLO11.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 16 Tagen

Kommentare