Ultralytics Lösungen: Nutzen Sie YOLO11 zur Lösung von Problemen der realen Welt

Ultralytics Die Lösungen bieten innovative Anwendungen für YOLO Modelle und bieten praktische Lösungen wie Objektzählung, Unschärfe und Sicherheitssysteme, die die Effizienz und Genauigkeit in verschiedenen Branchen verbessern. Entdecken Sie die Leistungsfähigkeit von YOLO11 für praktische, wirkungsvolle Implementierungen.

Beobachten: So führen Sie Ultralytics Lösungen von der Kommandozeile aus (CLI) | Ultralytics YOLO11 🚀

Lösungen

Hier ist unsere Liste von Ultralytics Lösungen, die für die Erstellung von Computer Vision Projekten verwendet werden können.

Objektzählung: Lernen Sie, mit YOLO11 Objekte in Echtzeit zu zählen. Erwerben Sie das Know-how, um Objekte in Live-Videostreams genau zu zählen.
Objektbeschneidung: Beherrschen Sie das Zuschneiden von Objekten mit YOLO11 für die präzise Extraktion von Objekten aus Bildern und Videos.
Objekt-Weichzeichnung: Wenden Sie Objektunschärfe mit YOLO11 an, um die Privatsphäre bei der Bild- und Videobearbeitung zu schützen.
Überwachung von Trainingseinheiten: Entdecken Sie, wie Sie Ihr Training mit YOLO11 überwachen können. Lernen Sie, verschiedene Fitnessroutinen in Echtzeit zu verfolgen und zu analysieren.
Zählen von Objekten in Regionen: Zählen Sie Objekte in bestimmten Regionen mit YOLO11 für eine genaue Erkennung in verschiedenen Bereichen.
Sicherheitsalarmanlage: Erstellen Sie mit YOLO11 ein Sicherheitsalarmsystem, das bei der Erkennung neuer Objekte einen Alarm auslöst. Passen Sie das System an Ihre speziellen Bedürfnisse an.
Heatmaps: Nutzen Sie Erkennungs-Heatmaps, um die Datenintensität in einer Matrix zu visualisieren und klare Einblicke in Computer-Vision-Aufgaben zu erhalten.
Instanzsegmentierung mit Objektverfolgung: Implementieren Sie Instanzsegmentierung und Objektverfolgung mit YOLO11 , um präzise Objektgrenzen und kontinuierliche Überwachung zu erreichen.
VisionEye View Objects Mapping: Entwicklung von Systemen, die die Fokussierung des menschlichen Auges auf bestimmte Objekte nachahmen und so die Fähigkeit des Computers zur Erkennung und Priorisierung von Details verbessern.
Schätzung der Geschwindigkeit: Schätzung der Objektgeschwindigkeit mit YOLO11 und Objektverfolgungstechniken, die für Anwendungen wie autonome Fahrzeuge und Verkehrsüberwachung von entscheidender Bedeutung sind.
Abstandsberechnung: Berechnung von Entfernungen zwischen Objekten mit Hilfe von Bounding Box Zentroiden in YOLO11, wichtig für die räumliche Analyse.
Warteschlangen-Management: Implementieren Sie effiziente Warteschlangenmanagementsysteme, um die Wartezeiten zu minimieren und die Produktivität mit YOLO11 zu verbessern.
Parkraum-Management: Organisieren und lenken Sie mit YOLO11 den Fahrzeugfluss in Parkbereichen und optimieren Sie so die Raumnutzung und das Nutzererlebnis.
Analytik: Führen Sie umfassende Datenanalysen durch, um Muster zu erkennen und fundierte Entscheidungen zu treffen, indem Sie YOLO11 für deskriptive, prädiktive und präskriptive Analysen nutzen.
Live-Inferenz mit Streamlit: Nutzen Sie die Leistung von YOLO11 für die Objekterkennung in Echtzeit direkt über Ihren Webbrowser mit einer benutzerfreundlichen Streamlit-Oberfläche.
Objekte in Zonen verfolgen 🚀 NEU: Erfahren Sie, wie Sie mit YOLO11 Objekte innerhalb bestimmter Zonen von Videobildern verfolgen können, um eine präzise und effiziente Überwachung zu ermöglichen.

Lösungen Argumente

Argument	Typ	Standard	Beschreibung
`model`	`str`	`None`	Pfad zur Ultralytics YOLO .
`region`	`list`	`[(20, 400), (1260, 400)]`	Liste der Punkte, die den Zählbereich definieren.
`show_in`	`bool`	`True`	Kennzeichen, mit dem gesteuert wird, ob die Zählungen im Videostrom angezeigt werden sollen.
`show_out`	`bool`	`True`	Kennzeichen, mit dem gesteuert wird, ob die Anzahl der Ausgänge im Video-Stream angezeigt werden soll.
`analytics_type`	`str`	`line`	Art des Diagramms, d. h., `line`, `bar`, `area`, oder `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	Farbkarte, die für die Heatmap verwendet werden soll.
`json_file`	`str`	`None`	Pfad zu der JSON-Datei, die alle Daten zu den Parkkoordinaten enthält.
`up_angle`	`float`	`145.0`	Winkelschwelle für die "Aufwärts"-Pose.
`kpts`	`list[int, int, int]`	`[6, 8, 10]`	Liste der Keypoints, die für die Überwachung von Workouts verwendet werden. Diese Keypoints entsprechen Körpergelenken oder -teilen, z. B. Schultern, Ellbogen und Handgelenken, für Übungen wie Liegestütze, Klimmzüge, Kniebeugen und Bauchmuskeltraining.
`down_angle`	`float`	`90.0`	Winkelschwellenwert für die "nach unten" gerichtete Haltung.
`blur_ratio`	`float`	`0.5`	Passt den Prozentsatz der Unschärfeintensität an, mit Werten im Bereich `0.1 - 1.0`.
`crop_dir`	`str`	`"cropped-detections"`	Name des Verzeichnisses, in dem abgeschnittene Erkennungen gespeichert werden.
`records`	`int`	`5`	Gesamtzahl der Erkennungen zur Auslösung einer E-Mail mit dem Sicherheitssystem.
`vision_point`	`tuple[int, int]`	`(50, 50)`	Der Punkt, an dem die VisionEye-Lösung Objekte verfolgt und Pfade zeichnet.
`tracker`	`str`	`'botsort.yaml'`	Gibt den zu verwendenden Verfolgungsalgorithmus an, z. B., `bytetrack.yaml` oder `botsort.yaml`.
`conf`	`float`	`0.3`	Legt die Konfidenzschwelle für Erkennungen fest; niedrigere Werte ermöglichen die Verfolgung von mehr Objekten, können aber auch zu falsch positiven Ergebnissen führen.
`iou`	`float`	`0.5`	Legt den Schwellenwert für die Überschneidung über die Vereinigung (IoU) fest, um überlappende Erkennungen zu filtern.
`classes`	`list`	`None`	Filtert die Ergebnisse nach Klassenindex. Zum Beispiel, `classes=[0, 2, 3]` verfolgt nur die angegebenen Klassen.
`verbose`	`bool`	`True`	Steuert die Anzeige der Verfolgungsergebnisse und liefert eine visuelle Ausgabe der verfolgten Objekte.
`device`	`str`	`None`	Gibt das Gerät für die Inferenz an (z.B., `cpu`, `cuda:0` oder `0`). Ermöglicht dem Benutzer die Auswahl zwischen CPU, einem bestimmten GPU oder anderen Rechengeräten für die Modellausführung.
`show`	`bool`	`False`	Wenn `True`zeigt die kommentierten Bilder oder Videos in einem Fenster an. Nützlich für sofortiges visuelles Feedback während der Entwicklung oder des Testens.
`line_width`	`None or int`	`None`	Gibt die Linienbreite von Begrenzungsrahmen an. Wenn `None`wird die Linienbreite automatisch an die Bildgröße angepasst. Bietet visuelle Anpassung für Klarheit.

Args verfolgen

Die Lösungen unterstützen auch einige der Argumente von trackeinschließlich Parametern wie conf, line_width, tracker, model, show, verbose und classes.

Argument	Typ	Standard	Beschreibung
`tracker`	`str`	`'botsort.yaml'`	Gibt den zu verwendenden Verfolgungsalgorithmus an, z. B., `bytetrack.yaml` oder `botsort.yaml`.
`conf`	`float`	`0.3`	Legt die Konfidenzschwelle für Erkennungen fest; niedrigere Werte ermöglichen die Verfolgung von mehr Objekten, können aber auch zu falsch positiven Ergebnissen führen.
`iou`	`float`	`0.5`	Legt den Schwellenwert für die Überschneidung über die Vereinigung (IoU) zum Filtern von überlappenden Erkennungen fest.
`classes`	`list`	`None`	Filtert die Ergebnisse nach Klassenindex. Zum Beispiel, `classes=[0, 2, 3]` verfolgt nur die angegebenen Klassen.
`verbose`	`bool`	`True`	Steuert die Anzeige der Verfolgungsergebnisse und liefert eine visuelle Ausgabe der verfolgten Objekte.
`device`	`str`	`None`	Gibt das Gerät für die Inferenz an (z.B., `cpu`, `cuda:0` oder `0`). Ermöglicht dem Benutzer die Auswahl zwischen CPU, einem bestimmten GPU oder anderen Rechengeräten für die Modellausführung.

Verwendung des SolutionAnnotator

Alle Ultralytics verwenden die separate Klasse SolutionAnnotatordie das Hauptprogramm Annotator Klasse und haben die folgenden Methoden:

Methode	Rückgabe Typ	Beschreibung
`draw_region()`	`None`	Zeichnet einen Bereich mit den angegebenen Punkten, Farben und der Dicke.
`queue_counts_display()`	`None`	Zeigt die Anzahl der Warteschlangen in der angegebenen Region an.
`display_analytics()`	`None`	Zeigt Gesamtstatistiken für die Parkplatzverwaltung an.
`estimate_pose_angle()`	`float`	Berechnet den Winkel zwischen drei Punkten in einer Objektpose.
`draw_specific_points()`	`None`	Zeichnet bestimmte Keypoints auf das Bild.
`plot_workout_information()`	`None`	Zeichnet ein beschriftetes Textfeld auf das Bild.
`plot_angle_and_count_and_stage()`	`None`	Visualisierung von Winkel, Schrittzahl und Etappe zur Überwachung des Trainings.
`plot_distance_and_line()`	`None`	Zeigt den Abstand zwischen den Schwerpunkten an und verbindet sie mit einer Linie.
`display_objects_labels()`	`None`	Beschriftet Boundingboxen mit Objektklassenbeschriftungen.
`seg_bbox()`	`None`	Zeichnet Konturen für segmentierte Objekte und beschriftet sie optional.
`sweep_annotator()`	`None`	Visualisiert eine vertikale Sweep-Linie und eine optionale Beschriftung.
`visioneye()`	`None`	Kartiert und verbindet die Objektmittelpunkte mit einem visuellen "Augenpunkt".
`circle_label()`	`None`	Zeichnet eine kreisförmige Beschriftung anstelle eines Begrenzungsrahmens.
`text_label()`	`None`	Zeichnet eine rechteckige Beschriftung anstelle eines Begrenzungsrahmens.

Arbeiten mit SolutionResults

Alle Solutions-Aufrufe geben eine Liste von SolutionResults Objekte, die umfassende Informationen über die Lösungen enthalten.

Die Ergebnisse der Objektzählung umfassen incounts, outcountsund classwise_counts.

SolutionResults

counter = solutions.ObjectCounter(
    show=True,  # display the output
    region=region_points,  # pass region points
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object counting with OBB model.
    # classes=[0, 2],           # count specific classes i.e. person and car with COCO pretrained model.
    # tracker="botsort.yaml"    # Choose trackers i.e "bytetrack.yaml"
)
results = counter.count(im0)
print(results.in_counts)  # display in_counts
print(results.out_counts)  # display out_counts

Weitere Einzelheiten finden Sie in der SolutionResults Klassendokumentation.

Lösungen Verwendung über CLI

Befehl Info

Die meisten Lösungen können direkt über die Befehlszeilenschnittstelle verwendet werden, einschließlich:

Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference

Syntax

yolo SOLUTIONS SOLUTION_NAME ARGS

SOLUTIONS ist ein erforderliches Schlüsselwort.
LÖSUNG_NAME ist einer von: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS (optional) sind benutzerdefiniert arg=value Paare, wie zum Beispiel show_in=True, um die Standardeinstellungen zu überschreiben.

yolo solutions count show=True # for object counting

yolo solutions source="path/to/video.mp4" # specify video file path

Tragen Sie zu unseren Lösungen bei

Wir freuen uns über Beiträge aus der Community! Wenn Sie einen bestimmten Aspekt von Ultralytics YOLO beherrschen, der in unseren Lösungen noch nicht abgedeckt ist, möchten wir Sie ermutigen, Ihr Wissen mit uns zu teilen. Das Schreiben eines Leitfadens ist eine großartige Möglichkeit, der Gemeinschaft etwas zurückzugeben und uns dabei zu helfen, unsere Dokumentation noch umfassender und benutzerfreundlicher zu gestalten.

Für den Anfang lesen Sie bitte unseren Contributing Guide, in dem Sie erfahren, wie Sie einen Pull Request (PR) eröffnen können 🛠️. Wir freuen uns auf Ihre Beiträge!

Lassen Sie uns gemeinsam daran arbeiten, das Ökosystem Ultralytics YOLO robuster und vielseitiger zu machen 🙏!

FAQ

Wie kann ich Ultralytics YOLO für die Objektzählung in Echtzeit verwenden?

Ultralytics YOLO11 kann für die Objektzählung in Echtzeit verwendet werden, indem die erweiterten Objekterkennungsfunktionen genutzt werden. Folgen Sie unserer detaillierten Anleitung zur Objektzählung, um YOLO11 für die Analyse von Live-Videostreams einzurichten. Installieren Sie einfach YOLO11, laden Sie Ihr Modell, und verarbeiten Sie Videobilder, um Objekte dynamisch zu zählen.

Was sind die Vorteile der Verwendung von Ultralytics YOLO für Sicherheitssysteme?

Ultralytics YOLO11 verbessert Sicherheitssysteme durch Echtzeit-Objekterkennung und Alarmmechanismen. Mit YOLO11 können Sie ein Sicherheitsalarmsystem einrichten, das Alarme auslöst, wenn neue Objekte im Überwachungsbereich erkannt werden. Erfahren Sie, wie Sie mit YOLO11 ein Sicherheitsalarmsystem für eine zuverlässige Sicherheitsüberwachung einrichten können.

Wie kann Ultralytics YOLO Warteschlangenmanagementsysteme verbessern?

Ultralytics YOLO11 kann Warteschlangenmanagementsysteme erheblich verbessern, indem es Personen in Warteschlangen genau zählt und verfolgt und so dazu beiträgt, Wartezeiten zu verkürzen und die Serviceeffizienz zu optimieren. In unserem ausführlichen Leitfaden zum Warteschlangenmanagement erfahren Sie, wie Sie YOLO11 für eine effektive Überwachung und Analyse von Warteschlangen einsetzen können.

Kann Ultralytics YOLO zur Trainingsüberwachung verwendet werden?

Ja, Ultralytics YOLO11 kann effektiv zur Überwachung des Trainings eingesetzt werden, indem die Fitnessroutinen in Echtzeit verfolgt und analysiert werden. Dies ermöglicht eine präzise Bewertung der Trainingsform und -leistung. In unserem Leitfaden zur Trainingsüberwachung erfahren Sie, wie Sie mit YOLO11 ein KI-gestütztes Trainingsüberwachungssystem einrichten können.

Wie hilft Ultralytics YOLO bei der Erstellung von Heatmaps zur Datenvisualisierung?

Ultralytics YOLO11 kann Heatmaps erstellen, um die Datenintensität in einem bestimmten Bereich zu visualisieren und Regionen mit hoher Aktivität oder Interesse hervorzuheben. Diese Funktion ist besonders nützlich, um Muster und Trends in verschiedenen Computer-Vision-Aufgaben zu verstehen. Erfahren Sie mehr über die Erstellung und Verwendung von Heatmaps mit YOLO11 für eine umfassende Datenanalyse und -visualisierung.

📅 Erstellt vor 9 Monaten ✏️ Aktualisiert vor 1 Tag