Objektzählung mit Ultralytics YOLOv8

Was ist Objektzählung?

Objektzählung mit Ultralytics YOLOv8 Bei der Objektzählung geht es um die genaue Identifizierung und Zählung bestimmter Objekte in Videos und Kamerastreams. YOLOv8 eignet sich hervorragend für Echtzeitanwendungen und bietet dank modernster Algorithmen und Deep Learning-Fähigkeiten eine effiziente und präzise Objektzählung für verschiedene Szenarien wie die Analyse von Menschenmengen und die Überwachung.

Vorteile des Objektzählens?

• Ressourcen-Optimierung: Das Zählen von Objekten erleichtert eine effiziente Ressourcenverwaltung, indem es genaue Zählungen liefert 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 vielen anderen Bereichen.

Anwendungen in der realen Welt

Logistik	Aquakultur
Förderband Pakete zählen mit Ultralytics YOLOv8	Fischzählung im Meer mit Ultralytics YOLOv8

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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, 404), (1080, 360), (20, 360)]

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

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=region_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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 as a polygon with 5 points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360), (20, 400)]

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

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=region_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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 line points
line_points = [(20, 400), (1080, 400)]

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

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=line_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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))

line_points = [(20, 400), (1080, 400)]  # line or region points
classes_to_count = [0, 2]  # person and car classes for count

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

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=line_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False, classes=classes_to_count)

    im0 = counter.start_counting(im0, tracks)
    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 YOLOv8 ?

Um Objekte in einem Video mit Ultralytics YOLOv8 zu zählen, kannst du die folgenden Schritte ausführen:

1. Importiere die notwendigen Bibliotheken (cv2, ultralytics).
2. Lade ein vortrainiertes YOLOv8 Modell.
3. Definiere den Zählbereich (z. B. ein Polygon, eine Linie usw.).
4. Richte die Videoaufnahme ein und initialisiere den Objektzähler.
5. Verarbeite jedes Bild, um Objekte zu verfolgen und sie innerhalb der festgelegten Region zu zählen.

Hier ist ein einfaches Beispiel für das Zählen in einer Region:

import cv2

from ultralytics import YOLO, solutions


def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    model = YOLO(model_path)
    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))
    region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
    counter = solutions.ObjectCounter(
        view_img=True, reg_pts=region_points, names=model.names, draw_tracks=True, line_thickness=2
    )

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        tracks = model.track(im0, persist=True, show=False)
        im0 = counter.start_counting(im0, tracks)
        video_writer.write(im0)

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


count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolov8n.pt")

Weitere Konfigurationen und Optionen findest du im Abschnitt " Objektzählung ".

Welche Vorteile hat die Verwendung von Ultralytics YOLOv8 für die Objektzählung?

Die Verwendung von Ultralytics YOLOv8 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 Lagerverwaltung optimiert.
2. Erhöhte Sicherheit: Es erhöht die Sicherheit und Überwachung, indem es Personen genau verfolgt und zählt und so hilft, Bedrohungen proaktiv zu erkennen.
3. Informierte Entscheidungsfindung: Sie bietet wertvolle Erkenntnisse für die Entscheidungsfindung und optimiert Prozesse in Bereichen wie Einzelhandel, Verkehrsmanagement und mehr.

Praktische Anwendungen und Codebeispiele findest du im Abschnitt Vorteile der Objektzählung.

Wie kann ich mit Ultralytics YOLOv8 bestimmte Klassen von Objekten zählen?

Um bestimmte Klassen von Objekten mit Ultralytics YOLOv8 zu zählen, musst du während der Tracking-Phase die Klassen angeben, an denen du interessiert bist. Im Folgenden findest du ein Python Beispiel:

import cv2

from ultralytics import YOLO, solutions


def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    model = YOLO(model_path)
    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))
    line_points = [(20, 400), (1080, 400)]
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
    counter = solutions.ObjectCounter(
        view_img=True, reg_pts=line_points, names=model.names, draw_tracks=True, line_thickness=2
    )

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        tracks = model.track(im0, persist=True, show=False, classes=classes_to_count)
        im0 = counter.start_counting(im0, tracks)
        video_writer.write(im0)

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


count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolov8n.pt", [0, 2])

In diesem Beispiel, classes_to_count=[0, 2]was bedeutet, dass es Objekte der Klasse 0 und 2 (z. B. Person und Auto).

Warum sollte ich YOLOv8 gegenüber anderen Objekterkennungsmodellen für Echtzeitanwendungen verwenden?

Ultralytics YOLOv8 bietet mehrere Vorteile gegenüber anderen Objekterkennungsmodellen wie Faster R-CNN, SSD und früheren Versionen von YOLO :

1. Geschwindigkeit und Effizienz: YOLOv8 bietet Echtzeitverarbeitungsfunktionen und ist damit ideal für Anwendungen, die Hochgeschwindigkeitsinferenzen erfordern, wie z. B. Überwachung und autonomes Fahren.
2. Genauigkeit: Sie bietet eine hochmoderne Genauigkeit bei der Objekterkennung und -verfolgung, reduziert die Anzahl der Fehlalarme und verbessert die Zuverlässigkeit des Systems.
3. Einfache Integration: YOLOv8 bietet eine nahtlose Integration mit verschiedenen Plattformen und Geräten, einschließlich Mobil- und Edge-Geräten, was für moderne KI-Anwendungen entscheidend ist.
4. Flexibilität: Unterstützt verschiedene Aufgaben wie Objekterkennung, -segmentierung und -verfolgung mit konfigurierbaren Modellen, um spezifische Anwendungsfälle zu erfüllen.

Unter Ultralytics YOLOv8 findest du eine ausführlicheDokumentation über die Funktionen und Leistungsvergleiche.

Kann ich YOLOv8 für fortgeschrittene Anwendungen wie Crowd-Analyse und Verkehrsmanagement nutzen?

Ja, Ultralytics YOLOv8 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:

• Menschenmengenanalyse: Überwache und verwalte große Versammlungen, um die Sicherheit zu gewährleisten und den Menschenstrom zu optimieren.
• Verkehrsmanagement: Verfolge und zähle Fahrzeuge, analysiere Verkehrsmuster und manage Staus in Echtzeit.

Weitere Informationen und Details zur Implementierung findest du im Leitfaden Real World Applications of object counting with YOLOv8.

📅 Erstellt vor 9 Monaten ✏️ Aktualisiert vor 5 Tagen

Kommentare