Warteschlangenverwaltung mit Ultralytics YOLO26#
Was ist Warteschlangenverwaltung?#
Die Warteschlangenverwaltung mit Ultralytics YOLO26 umfasst das Organisieren und Steuern von Personen- oder Fahrzeugschlangen, um Wartezeiten zu verkürzen und die Effizienz zu steigern. Dabei werden Warteschlangen optimiert, um die Kundenzufriedenheit und die Systemleistung in verschiedenen Bereichen wie Einzelhandel, Banken, Flughäfen und Gesundheitseinrichtungen zu verbessern.
Watch: How to Build a Queue Management System with Ultralytics YOLO26 | Real-Time Queue Analytics 🚀
Vorteile der Warteschlangenverwaltung#
- Kürzere Wartezeiten: Systeme zur Warteschlangenverwaltung organisieren Warteschlangen effizient und minimieren so die Wartezeiten für Kunden. Dadurch steigt die Zufriedenheit, da Kunden weniger Zeit mit Warten und mehr Zeit mit der Nutzung von Produkten oder Dienstleistungen verbringen.
- Höhere Effizienz: Durch die Einführung einer Warteschlangenverwaltung können Unternehmen Ressourcen effektiver einsetzen. Durch die Analyse von Warteschlangendaten und die Optimierung des Personaleinsatzes können Unternehmen Abläufe effizienter gestalten, Kosten senken und die Gesamtproduktivität steigern.
- Erkenntnisse in Echtzeit: Die auf YOLO26 basierende Warteschlangenverwaltung liefert sofort Daten zu Warteschlangenlängen und Wartezeiten, sodass Verantwortliche schnell fundierte Entscheidungen treffen können.
- Verbesserte Kundenerfahrung: Indem der Frust durch lange Wartezeiten verringert wird, können Unternehmen die Kundenzufriedenheit und -treue deutlich steigern.
Anwendungen in der Praxis#
| Logistik | Einzelhandel |
|---|---|
 |  |
| Warteschlangenverwaltung 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 innerhalb einer definierten Region verbleiben, und liefert dir so eine aktuelle Warteschlangenlänge, die du in ein Ausgabevideo schreiben kannst. Übergib eine Polygonregion, die den Wartebereich abdeckt, und führe die Lösung anschließend mit deiner Videoquelle über die Python API oder die CLI aus.
# 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 von QueueManager#
Hier ist eine Tabelle mit den Argumenten von QueueManager:
| Argument | Typ | Standardwert | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer YOLO-Modell-Datei von Ultralytics. |
region | list oder dict | None | Punkte zur Definition des Interessenbereichs: entweder eine Liste von (x, y)-Tupeln oder ein Wörterbuch, das Bereichsnamen Punktelisten für mehrere Bereiche zuordnet (nur RegionCounter). Wenn None, greifen Lösungen, die einen Bereich benötigen, auf einen vordefinierten Standardwert zurück. |
line_width | int | 2 | Linienstärke für die von der Lösung gezeichneten Boxen, Keypoints und Zählwerte. |
verbose | bool | True | Aktiviert das Protokoll der Lösung pro Frame mit Eingabeform, Klassenanzahlen und Verarbeitungsgeschwindigkeit. Der Tracking-Aufruf selbst bleibt immer ohne Ausgabe. |
Die QueueManager-Lösung unterstützt auch track-Argumente:
| Argument | Typ | Standardwert | Beschreibung |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Gibt den zu verwendenden Tracking-Algorithmus an. 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 das Verfolgen weiterer Objekte, können aber Fehlalarme einschließen. |
iou | float | 0.7 | Legt den Schwellenwert für Intersection over Union (IoU) zum Filtern überlappender Erkennungen fest. |
classes | list | None | Filtert Ergebnisse nach Klassenindex. Beispielsweise verfolgt classes=[0, 2, 3] nur die angegebenen Klassen. |
device | str | None | Gibt das Gerät für die Inferenz an (z. B. cpu, cuda:0 oder 0). Ermöglicht die Auswahl zwischen CPU, einer bestimmten GPU oder anderen Rechengeräten für die Modellausführung. |
imgsz | int or tuple | 640 | Ziel-Inferenzbildgröße: eine ganze Zahl für ein quadratisches Bild oder ein (height, width)-Paar. Die Formate werden an die Modellschrittweite angepasst. |
max_det | int | 300 | Maximale Anzahl pro Frame beibehaltener Detektionen vor dem Tracking, wodurch die Objekte begrenzt werden, die eine Solution in dichten Szenen verarbeitet. |
quantize | int or str | None | Inferenzpräzision: 16 (FP16) oder 32/nicht gesetzt (FP32) für PyTorch- und TorchScript-Modelle; andere Formate berechnen mit der Präzision, die ihr Artefakt und ihre Laufzeit auswählen. Ersetzt das veraltete half-Flag. |
Zusätzlich stehen die folgenden Visualisierungsparameter zur Verfügung:
| Argument | Typ | Standardwert | Beschreibung |
|---|---|---|---|
show | bool | False | Wenn True, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Dies ist nützlich für unmittelbares visuelles Feedback während der Entwicklung oder des Testens. |
show_conf | bool | True | Zeigt neben dem Label den Konfidenzwert für jede Erkennung an. Dadurch erhältst du Einblick in die Sicherheit des Modells bei jeder Erkennung. |
show_labels | bool | True | Zeigt Labels für jede Erkennung in der visuellen Ausgabe an. Dies ermöglicht ein unmittelbares Verständnis der erkannten Objekte. |
Implementierungsstrategien#
Beachte bei der Implementierung einer Warteschlangenverwaltung mit YOLO26 die folgenden bewährten Vorgehensweisen:
- Strategische Kameraplatzierung: Positioniere die Kameras so, dass sie den gesamten Warteschlangenbereich ohne Hindernisse erfassen.
- Geeignete Warteschlangenregionen definieren: Lege die Grenzen der Warteschlange sorgfältig anhand des räumlichen Aufbaus fest.
- Erkennungskonfidenz anpassen: Stimme den Konfidenzschwellwert genau auf die Lichtverhältnisse und die Dichte der Menschenmenge ab.
- In bestehende Systeme integrieren: Verbinde deine Lösung zur Warteschlangenverwaltung mit digitalen Anzeigesystemen oder Benachrichtigungssystemen für Mitarbeitende, um automatisierte Reaktionen zu ermöglichen.
FAQ#
Um Ultralytics YOLO26 für die Warteschlangenverwaltung in Echtzeit einzusetzen, kannst du die folgenden Schritte ausführen:
- Lade das YOLO26-Modell mit
YOLO("yolo26n.pt"). - Erfasse den Videostream mit
cv2.VideoCapture. - Definiere die Region von Interesse (ROI) für die Warteschlangenverwaltung.
- Verarbeite 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 success: results = queuemanager(im0) cap.release() cv2.destroyAllWindows()Die Nutzung der Ultralytics Platform kann diesen Prozess durch eine benutzerfreundliche Plattform für die Bereitstellung und Verwaltung deiner Lösung zur Warteschlangenverwaltung optimieren.
- Lade das YOLO26-Modell mit
Die Verwendung von Ultralytics YOLO26 für die Warteschlangenverwaltung bietet mehrere Vorteile:
- Deutlich kürzere Wartezeiten: Organisiert Warteschlangen effizient, verkürzt die Wartezeiten für Kunden und steigert ihre Zufriedenheit.
- Höhere Effizienz: Analysiert Warteschlangendaten, um den Personaleinsatz und die Abläufe zu optimieren und dadurch Kosten zu senken.
- Benachrichtigungen in Echtzeit: Liefert Echtzeitbenachrichtigungen bei langen Warteschlangen und ermöglicht so ein schnelles Eingreifen.
- Skalierbarkeit: Lässt sich problemlos auf verschiedene Umgebungen wie Einzelhandel, Flughäfen und Gesundheitseinrichtungen skalieren.
Weitere Informationen findest du in unseren Lösungen zur Warteschlangenverwaltung.
Ultralytics YOLO26 bietet bei der Warteschlangenverwaltung mehrere Vorteile gegenüber TensorFlow und Detectron2:
- Leistung in Echtzeit: YOLO26 ist für seine Echtzeiterkennungsfunktionen bekannt und bietet höhere Verarbeitungsgeschwindigkeiten.
- Einfache Nutzung: Ultralytics bietet über die Ultralytics Platform eine benutzerfreundliche Erfahrung – vom Training bis zur Bereitstellung.
- Vortrainierte Modelle: Zugriff auf eine Reihe vortrainierter Modelle, wodurch sich der für die Einrichtung erforderliche Zeitaufwand verringert.
- Unterstützung durch die Community: Umfangreiche Dokumentation und aktive Unterstützung durch die Community erleichtern die Problemlösung.
Erfahre, wie du mit Ultralytics YOLO beginnst.
Ja, Ultralytics YOLO26 kann verschiedene Arten von Warteschlangen verwalten, darunter Warteschlangen an Flughäfen und im Einzelhandel. Durch die Konfiguration des QueueManager mit bestimmten Regionen und Einstellungen kann YOLO26 an unterschiedliche Anordnungen und Dichten von Warteschlangen angepasst werden.
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 vielfältigen Anwendungen findest du in unserem Abschnitt Anwendungen in der Praxis.
Ultralytics YOLO26 wird in verschiedenen praktischen Anwendungen zur Warteschlangenverwaltung eingesetzt:
- Einzelhandel: Überwacht Warteschlangen an Kassen, um Wartezeiten zu verkürzen und die Kundenzufriedenheit zu steigern.
- Flughäfen: Verwaltet Warteschlangen an Ticketschaltern und Sicherheitskontrollen für ein reibungsloseres Passagiererlebnis.
- Gesundheitswesen: Optimiert den Patientenfluss in Kliniken und Krankenhäusern.
- Banken: Verbessert den Kundenservice durch eine effiziente Verwaltung von Warteschlangen in Banken.
Lies unseren Blogbeitrag über Warteschlangenverwaltung in der Praxis, um mehr darüber zu erfahren, wie Computer Vision die Überwachung von Warteschlangen in verschiedenen Branchen verändert.