Warteschlangenmanagement mit Ultralytics YOLO26#
Was ist Warteschlangenmanagement?#
Beim Warteschlangenmanagement mit Ultralytics YOLO26 werden Warteschlangen von Personen oder Fahrzeugen organisiert und gesteuert, um Wartezeiten zu verkürzen und die Effizienz zu steigern. Dabei geht es darum, Warteschlangen zu optimieren, um die Kundenzufriedenheit und die Systemleistung in verschiedenen Bereichen wie Einzelhandel, Banken, Flughäfen und Gesundheitseinrichtungen zu verbessern.
Ansehen: So entwickelst du mit Ultralytics YOLO26 ein Warteschlangenmanagementsystem | Warteschlangen in Echtzeit analysieren 🚀
Vorteile des Warteschlangenmanagements#
- Kürzere Wartezeiten: Systeme für das Warteschlangenmanagement organisieren Warteschlangen effizient und verkürzen so die Wartezeiten für Kunden. Das steigert die Zufriedenheit, da Kunden weniger Zeit mit Warten verbringen und sich stärker mit Produkten oder Dienstleistungen beschäftigen können.
- Höhere Effizienz: Mit Warteschlangenmanagement können Unternehmen ihre Ressourcen effektiver einsetzen. Durch die Analyse von Warteschlangendaten und die Optimierung des Personaleinsatzes können Unternehmen Abläufe vereinfachen, Kosten senken und die Gesamtproduktivität steigern.
- Einblicke in Echtzeit: Das auf YOLO26 basierende Warteschlangenmanagement liefert sofort Daten zu Warteschlangenlängen und Wartezeiten, sodass Führungskräfte schnell fundierte Entscheidungen treffen können.
- Besseres Kundenerlebnis: Indem Unternehmen den mit langen Wartezeiten verbundenen Frust reduzieren, können sie die Kundenzufriedenheit und -treue deutlich steigern.
Anwendungen in der Praxis#
| Logistik | Einzelhandel |
|---|---|
 |  |
| Warteschlangenmanagement am Ticketschalter eines Flughafens mit Ultralytics YOLO26 | Überwachung einer Warteschlange in einer Menschenmenge mit Ultralytics YOLO26 |
Warteschlangen mit YOLO26 verwalten#
Die Lösung QueueManager zählt in jedem Frame die Objekte, die sich innerhalb eines definierten Bereichs befinden, und liefert so die aktuelle Länge der Warteschlange, die du in ein Ausgabevideo schreiben kannst. Übergib ein Polygon, das den Wartebereich abdeckt, und wende es dann mit der Python API oder der CLI auf deine Videoquelle an.
# Run a queue example
yolo solutions queue show=True
# Pass a source video
yolo solutions queue source="path/to/video.mp4"
# Pass queue coordinates
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]"Argumente für QueueManager#
Hier ist eine Tabelle mit den Argumenten für QueueManager:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer Ultralytics-YOLO-Modelldatei. |
region | list oder dict | None | Punkte, die den Interessenbereich festlegen: entweder eine Liste von (x, y)-Tupeln oder ein Wörterbuch, das bei mehreren Bereichen deren Namen den jeweiligen Punktelisten zuordnet (nur RegionCounter). Bei None verwenden Lösungen, die einen Bereich benötigen, einen vordefinierten Standardbereich. |
line_width | int | 2 | Linienstärke für die Boxen, Keypoints und Zählwerte, die von der Lösung eingezeichnet werden. |
verbose | bool | True | Aktiviert das Protokoll der Lösung für jedes Bild, das Eingabeform, Klassenanzahlen und Verarbeitungsgeschwindigkeit enthält. Der Tracking-Aufruf selbst gibt grundsätzlich keine Meldungen aus. |
Die Lösung QueueManager unterstützt auch Argumente für track:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Legt den zu verwendenden Verfolgungsalgorithmus fest. Integrierte Optionen: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Legt den Konfidenzschwellenwert für Erkennungen fest. Niedrigere Werte ermöglichen die Verfolgung weiterer Objekte, können aber auch falsch positive Ergebnisse einschließen. |
iou | float | 0.7 | Legt den Schwellenwert für die Schnittmenge über Vereinigung (IoU) fest, um überlappende Erkennungen herauszufiltern. |
classes | list | None | Filtert die Ergebnisse nach Klassenindex. Beispielsweise verfolgt classes=[0, 2, 3] nur die angegebenen Klassen. |
device | str | None | Legt das Gerät für die Inferenz fest (z. B. cpu, cuda:0 oder 0). So kannst du für die Modellausführung zwischen CPU, einer bestimmten GPU oder anderen Rechengeräten wählen. |
imgsz | int or tuple | 640 | Zielbildgröße für die Inferenz: eine Ganzzahl für ein quadratisches Bild oder ein (height, width)-Paar. Die Formen werden an den Modellschritt angepasst. |
max_det | int | 300 | Maximale Anzahl der Erkennungen, die pro Bild vor der Verfolgung beibehalten werden. Dadurch wird die Anzahl der Objekte begrenzt, die eine Lösung in dichten Szenen verarbeitet. |
quantize | int or str | None | Inferenzpräzision: 16 (FP16) oder 32/unset (FP32) für PyTorch- und TorchScript-Modelle außerhalb der CPU; andere Formate verwenden die Präzision, die ihr Artefakt und ihre Laufzeitumgebung vorgeben. Ersetzt das veraltete Argument half. |
Zusätzlich stehen die folgenden Visualisierungsparameter zur Verfügung:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
show | bool | False | Wenn True aktiviert ist, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für unmittelbares visuelles Feedback während der Entwicklung oder beim Testen. |
show_conf | bool | True | Zeigt neben der Bezeichnung den Konfidenzwert jeder Erkennung an. Gibt Aufschluss darüber, wie sicher sich das Modell bei der jeweiligen Erkennung ist. |
show_labels | bool | True | Zeigt für jede Erkennung eine Bezeichnung in der visuellen Ausgabe an. So lassen sich erkannte Objekte sofort erkennen. |
Implementierungsstrategien#
Beachte bei der Implementierung des Warteschlangenmanagements mit YOLO26 die folgenden bewährten Vorgehensweisen:
- Kameraposition strategisch wählen: Positioniere die Kameras so, dass sie den gesamten Warteschlangenbereich ohne Hindernisse erfassen.
- Geeignete Warteschlangenbereiche festlegen: Lege die Grenzen der Warteschlangen sorgfältig anhand der räumlichen Gegebenheiten fest.
- Erkennungsschwelle anpassen: Stimme die Konfidenzschwelle auf die Lichtverhältnisse und die Dichte der Menschenmenge ab.
- In bestehende Systeme integrieren: Verbinde deine Lösung für das Warteschlangenmanagement mit digitalen Anzeigetafeln oder Benachrichtigungssystemen für Mitarbeitende, um automatisierte Reaktionen zu ermöglichen.
Häufig gestellte Fragen#
Gehe wie folgt vor, um Ultralytics YOLO26 für das Warteschlangenmanagement in Echtzeit einzusetzen:
- Nimm den Videostream mit
cv2.VideoCaptureauf. - Lege den interessierenden Bereich (ROI) für das Warteschlangenmanagement fest.
- Initialisiere
solutions.QueueManagermit einem YOLO26-Modell wieyolo26n.ptund dem Bereich. - Verarbeite die Frames, um Objekte zu erkennen und Warteschlangen zu verwalten.
Hier ist ein minimales Beispiel:
import cv2 from ultralytics import solutions cap = cv2.VideoCapture("path/to/video.mp4") queue_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)] queuemanager = solutions.QueueManager( model="yolo26n.pt", region=queue_region, line_width=3, show=True, ) while cap.isOpened(): success, im0 = cap.read() if not success: break results = queuemanager(im0) cap.release() cv2.destroyAllWindows()Mit der Ultralytics Platform lässt sich dieser Prozess vereinfachen: Sie bietet eine benutzerfreundliche Plattform zum Trainieren und Bereitstellen der Modelle, die deiner Lösung für das Warteschlangenmanagement zugrunde liegen.
- Nimm den Videostream mit
Der Einsatz von Ultralytics YOLO26 für das Warteschlangenmanagement bietet mehrere Vorteile:
- Deutlich kürzere Wartezeiten: Warteschlangen werden effizient organisiert, wodurch Kunden kürzer warten müssen und zufriedener sind.
- Mehr Effizienz: Warteschlangendaten werden analysiert, um den Personaleinsatz und die Abläufe zu optimieren und so Kosten zu senken.
- Einblicke in Echtzeit: Liefert für jeden Frame aktuelle Warteschlangenzahlen und ermöglicht so schnelles Eingreifen, wenn die Warteschlangen länger werden.
- Skalierbarkeit: Lässt sich problemlos auf verschiedene Umgebungen wie Einzelhandel, Flughäfen und Gesundheitseinrichtungen skalieren.
Weitere Informationen findest du in unseren Lösungen für das Warteschlangenmanagement.
Ultralytics YOLO26 bietet für das Warteschlangenmanagement mehrere Vorteile gegenüber TensorFlow und Detectron2:
- Echtzeitleistung: YOLO26 ist für seine Erkennungsfähigkeiten in Echtzeit bekannt und bietet eine höhere Verarbeitungsgeschwindigkeit.
- Einfache Nutzung: Ultralytics bietet mit der Ultralytics Platform eine benutzerfreundliche Lösung, die vom Training bis zur Bereitstellung reicht.
- Vortrainierte Modelle: Du erhältst Zugriff auf eine Auswahl vortrainierter Modelle und kannst dadurch den erforderlichen Einrichtungsaufwand verringern.
- Unterstützung durch die Community: Eine ausführliche Dokumentation und eine aktive Community erleichtern die Problemlösung.
Erfahre, wie du mit Ultralytics YOLO loslegst.
Ja, Ultralytics YOLO26 kann verschiedene Arten von Warteschlangen verwalten, auch an Flughäfen und im Einzelhandel. Indem du den QueueManager mit bestimmten Bereichen und Einstellungen konfigurierst, kannst du YOLO26 an verschiedene Anordnungen und Dichten von Warteschlangen anpassen.
Beispiel für Flughäfen:
queue_region_airport = [(50, 600), (1200, 600), (1200, 550), (50, 550)] queue_airport = solutions.QueueManager( model="yolo26n.pt", region=queue_region_airport, line_width=3, )Weitere Informationen zu den vielfältigen Anwendungsbereichen findest du in unserem Abschnitt Anwendungen aus der Praxis.
Ultralytics YOLO26 wird in verschiedenen praktischen Anwendungen für das Warteschlangenmanagement eingesetzt:
- Einzelhandel: Überwacht Warteschlangen an Kassen, um Wartezeiten zu verkürzen und die Kundenzufriedenheit zu steigern.
- Flughäfen: Verwaltet Warteschlangen an Ticketschaltern und Sicherheitskontrollen, um den Aufenthalt der Reisenden angenehmer zu gestalten.
- Gesundheitswesen: Optimiert den Patientenfluss in Kliniken und Krankenhäusern.
- Banken: Verbessert den Kundenservice durch eine effiziente Verwaltung der Warteschlangen in Banken.
Lies unseren Blogbeitrag zum Warteschlangenmanagement in der Praxis, um mehr darüber zu erfahren, wie Bildverarbeitung die Überwachung von Warteschlangen in verschiedenen Branchen verändert.