Link to this sectionUltralytics Solutions: Nutze YOLO26 zur Lösung von Problemen aus der Praxis#
Ultralytics Solutions bieten modernste Anwendungen von YOLO-Modellen und liefern praxisnahe Lösungen wie Objektzählung, Weichzeichnung und Sicherheitssysteme, um die Effizienz und Genauigkeit in verschiedenen Branchen zu verbessern. Entdecke die Leistungsfähigkeit von YOLO26 für praktische, wirkungsvolle Implementierungen.
Watch: How to Run Ultralytics Solutions from the Command Line (CLI) | Ultralytics YOLO26 🚀
Link to this sectionLösungen#
Hier ist unsere kuratierte Liste von Ultralytics-Lösungen, die für die Erstellung beeindruckender Computer Vision-Projekte verwendet werden können.
- Analytics: Führe eine umfassende Datenanalyse durch, um Muster zu erkennen und fundierte Entscheidungen zu treffen – unter Einsatz von YOLO26 für deskriptive, prädiktive und präskriptive Analysen.
- Abstandsberechnung: Berechne Abstände zwischen Objekten mithilfe von BBox-Schwerpunkten in YOLO26, was für räumliche Analysen unerlässlich ist.
- Heatmaps: Nutze Detektions-Heatmaps, um die Datenintensität über eine Matrix hinweg zu visualisieren und klare Einblicke in Computer Vision-Aufgaben zu gewinnen.
- Instanzsegmentierung mit Objektverfolgung: Implementiere Instanzsegmentierung und Objektverfolgung mit YOLO26, um präzise Objektgrenzen und eine kontinuierliche Überwachung zu erreichen.
- Live-Inferenz mit Streamlit: Nutze die Leistungsfähigkeit von YOLO26 für Objektdetektion in Echtzeit direkt über deinen Webbrowser mit einer benutzerfreundlichen Streamlit-Oberfläche.
- Objekt-Weichzeichnung: Wende Objekt-Weichzeichnung mit YOLO26 an, um die Privatsphäre bei der Bild- und Videoverarbeitung zu schützen.
- Objektzählung: Lerne, wie du eine Objektzählung in Echtzeit mit YOLO26 durchführst. Erwerbe das Fachwissen, um Objekte in Live-Videostreams präzise zu zählen.
- Objektzählung in Regionen: Zähle Objekte in bestimmten Bereichen mit YOLO26 für eine genaue Detektion in verschiedenen Gebieten.
- Objekt-Zuschneiden: Meistere das Objekt-Zuschneiden mit YOLO26 zur präzisen Extraktion von Objekten aus Bildern und Videos.
- Parkraummanagement: Organisiere und leite den Fahrzeugfluss auf Parkplätzen mit YOLO26, um die Flächennutzung und das Nutzererlebnis zu optimieren.
- Warteschlangenmanagement: Implementiere effiziente Warteschlangen-Managementsysteme, um Wartezeiten zu minimieren und die Produktivität mithilfe von YOLO26 zu steigern.
- Sicherheitsalarmsystem: Erstelle ein Sicherheitsalarmsystem mit YOLO26, das bei der Erkennung neuer Objekte Warnungen auslöst. Passe das System an deine spezifischen Bedürfnisse an.
- Ähnlichkeitssuche: Aktiviere eine intelligente Bildsuche durch die Kombination von OpenAI CLIP-Embeddings mit Meta FAISS, was natürlichsprachliche Abfragen wie "Person mit Tasche" oder "Fahrzeuge in Bewegung" ermöglicht.
- Geschwindigkeitsschätzung: Schätze die Objektgeschwindigkeit mit YOLO26 und Objektverfolgungstechniken – entscheidend für Anwendungen wie autonomes Fahren und Verkehrsüberwachung.
- Objekte in Zone verfolgen: Lerne, wie du Objekte innerhalb spezifischer Zonen in Videoframes mit YOLO26 für eine präzise und effiziente Überwachung verfolgst.
- VisionEye Objektzuordnung: Entwickle Systeme, die den Fokus des menschlichen Auges auf bestimmte Objekte nachahmen und so die Fähigkeit des Computers verbessern, Details zu erkennen und zu priorisieren.
- Workout-Überwachung: Entdecke, wie du Workouts mit YOLO26 überwachst. Lerne, verschiedene Fitnessroutinen in Echtzeit zu verfolgen und zu analysieren.
Link to this sectionLösungsargumente#
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer Ultralytics YOLO-Modelldatei. |
region | list | '[(20, 400), (1260, 400)]' | Liste von Punkten, die den Zählbereich definieren. |
show_in | bool | True | Flag zur Steuerung, ob die 'in'-Zähler im Videostream angezeigt werden sollen. |
show_out | bool | True | Flag zur Steuerung, ob die 'out'-Zähler im Videostream angezeigt werden sollen. |
analytics_type | str | 'line' | Art des Diagramms, z. B. line, bar, area oder pie. |
colormap | int | cv2.COLORMAP_DEEPGREEN | Zu verwendende Farbkarte für die Heatmap. |
json_file | str | None | Pfad zur JSON-Datei, die alle Parkkoordinatendaten enthält. |
up_angle | float | 145.0 | Winkelschwellenwert für die 'up'-Pose. |
kpts | list[int] | '[6, 8, 10]' | Liste von drei Keypoint-Indizes für die Workout-Überwachung. Diese entsprechen Körpergelenken oder Teilen wie Schultern, Ellbogen und Handgelenken für Übungen wie Liegestütze, Klimmzüge, Kniebeugen und Bauchmuskeltraining. |
down_angle | int | 90 | Winkelschwellenwert für die 'down'-Pose. |
blur_ratio | float | 0.5 | Passt den Prozentsatz der Stärke der Weichzeichnung an, mit Werten im Bereich 0.1 - 1.0. |
crop_dir | str | 'cropped-detections' | Verzeichnisname zum Speichern der zugeschnittenen Detektionen. |
records | int | 5 | Gesamtzahl der Detektionen, um eine E-Mail mit dem Sicherheitsalarmsystem auszulösen. |
vision_point | tuple[int, int] | (20, 20) | Der Punkt, an dem VisionEye Objekte verfolgt und Pfade zeichnet. |
source | str | None | Pfad zur Eingangsquelle (Video, RTSP, etc.). Nur mit dem Solutions-CLI (Command Line Interface) verwendbar. |
figsize | tuple[int, int] | (12.8, 7.2) | Figurengröße für analytische Diagramme wie Heatmaps oder Graphen. |
fps | float | 30.0 | Bilder pro Sekunde für Geschwindigkeitsberechnungen. |
max_hist | int | 5 | Maximale Anzahl historischer Punkte pro Objekt für Geschwindigkeits-/Richtungsberechnungen. |
meter_per_pixel | float | 0.05 | Skalierungsfaktor für die Umrechnung von Pixelabständen in reale Einheiten. |
max_speed | int | 120 | Maximales Geschwindigkeitslimit in visuellen Overlays (verwendet für Warnungen). |
data | str | 'images' | Pfad zum Bildverzeichnis für die Ähnlichkeitssuche. |
imgsz | int | 640 | Eingangsbildgröße für die Modellinferenz. |
Solutions unterstützen auch einige Argumente aus track, einschließlich Parametern wie conf, line_width, tracker, model, show, verbose und classes.
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Legt den zu verwendenden Tracking-Algorithmus fest. Integrierte Optionen: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.1 | Legt den Konfidenz-Schwellenwert für Detektionen fest; niedrigere Werte ermöglichen die Verfolgung von mehr Objekten, können aber zu falsch-positiven Ergebnissen führen. |
iou | float | 0.7 | Legt den IoU-Schwellenwert für das Filtern überlappender Detektionen fest. |
classes | list | None | Filtert Ergebnisse nach Klassenindex. Zum Beispiel verfolgt classes=[0, 2, 3] nur die angegebenen Klassen. |
verbose | bool | True | Steuert die Anzeige der Tracking-Ergebnisse und bietet eine visuelle Ausgabe der verfolgten Objekte. |
device | str | None | Gibt das Gerät für die Inferenz an (z. B. cpu, cuda:0 oder 0). Ermöglicht die Wahl zwischen CPU, einer spezifischen GPU oder anderen Rechengeräten für die Modellausführung. |
Du kannst show_conf, show_labels und andere genannte Argumente verwenden, um die Visualisierung anzupassen.
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
show | bool | False | Wenn True, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für sofortiges visuelles Feedback während der Entwicklung oder Tests. |
line_width | int or None | None | Legt die Linienbreite der BBoxen fest. Wenn None, wird die Linienbreite automatisch basierend auf der Bildgröße angepasst. Bietet visuelle Anpassungsmöglichkeiten für mehr Klarheit. |
show_conf | bool | True | Zeigt den Konfidenzwert für jede Erkennung neben dem Label an. Bietet Einblick in die Gewissheit des Modells für jede Erkennung. |
show_labels | bool | True | Zeigt Labels für jede Erkennung in der visuellen Ausgabe an. Ermöglicht ein sofortiges Verständnis der erkannten Objekte. |
Link to this sectionNutzung von SolutionAnnotator#
Alle Ultralytics Solutions verwenden die separate Klasse SolutionAnnotator, die die Hauptklasse Annotator erweitert und über die folgenden Methoden verfügt:
| Methode | Rückgabetyp | Beschreibung |
|---|---|---|
draw_region() | None | Zeichnet eine Region unter Verwendung spezifizierter Punkte, Farben und Dicke. |
queue_counts_display() | None | Zeigt Warteschlangenzahlen in der spezifizierten Region an. |
display_analytics() | None | Zeigt Gesamtstatistiken für das Parkplatzmanagement an. |
estimate_pose_angle() | float | Berechnet den Winkel zwischen drei Punkten in einer Objektpose. |
draw_specific_kpts() | np.ndarray | Zeichnet spezifische Keypoints auf das Bild. |
plot_workout_information() | int | Zeichnet ein beschriftetes Textfeld auf das Bild. |
plot_angle_and_count_and_stage() | None | Visualisiert Winkel, Wiederholungsanzahl und Phase für das Workout-Monitoring. |
plot_distance_and_line() | None | Zeigt den Abstand zwischen Schwerpunkten an und verbindet sie mit einer Linie. |
display_objects_labels() | None | Annotiert Bounding Boxes mit Objektklassen-Labels. |
sweep_annotator() | None | Visualisiert eine vertikale Sweep-Linie und ein optionales Label. |
visioneye() | None | Mappt und verbindet Objektschwerpunkte mit einem visuellen "Augenpunkt". |
adaptive_label() | None | Zeichnet ein kreisförmiges oder rechteckiges Hintergrundlabel in die Mitte einer Bounding Box. |
Link to this sectionArbeiten mit SolutionResults#
Außer bei der Similarity Search gibt jeder Solution-Aufruf ein SolutionResults-Objekt zurück.
- Für das Objektzählen enthalten die Ergebnisse
in_count,out_countundclasswise_count.
import cv2
from ultralytics import solutions
im0 = cv2.imread("path/to/img")
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
counter = solutions.ObjectCounter(
show=True, # display the output
region=region_points, # pass region points
model="yolo26n.pt", # model="yolo26n-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(im0)
print(results.in_count) # display in_counts
print(results.out_count) # display out_counts
print(results.classwise_count) # display classwise_countSolutionResults-Objekte haben die folgenden Attribute:
| Attribut | Typ | Beschreibung |
|---|---|---|
plot_im | np.ndarray | Bild mit visuellen Overlays wie Zählungen, Weichzeichner-Effekten oder lösungsspezifischen Erweiterungen. |
in_count | int | Gesamtanzahl der Objekte, die den definierten Bereich im Videostream betreten haben. |
out_count | int | Gesamtanzahl der Objekte, die den definierten Bereich im Videostream verlassen haben. |
classwise_count | Dict[str, int] | Dictionary zur Aufzeichnung klassenspezifischer Ein-/Ausgangsobjektzahlen für fortgeschrittene Analysen. |
queue_count | int | Anzahl der Objekte, die sich aktuell in einer vordefinierten Warteschlange oder einem Wartebereich befinden (geeignet für Warteschlangenmanagement). |
workout_count | int | list[int] | Gesamtzahl der Trainingswiederholungen oder Zählungen pro Person aus dem AI Gym. |
workout_angle | float | list[float] | Berechneter Gelenk- oder Pose-Winkel oder Winkel pro Person aus dem AI Gym. |
workout_stage | str | list[str] | Aktuelle Trainingsphase oder Phasen pro Person aus dem AI Gym. |
pixels_distance | float | Pixelbasierte Distanz zwischen zwei Objekten oder Punkten, z. B. Bounding Boxes. (Geeignet für Distanzberechnung). |
available_slots | int | Anzahl der freien Plätze in einem überwachten Bereich (geeignet für Parkplatzmanagement). |
filled_slots | int | Anzahl der belegten Plätze in einem überwachten Bereich. (Geeignet für Parkplatzmanagement) |
email_sent | bool | Gibt an, ob eine Benachrichtigungs- oder Alarm-E-Mail erfolgreich gesendet wurde (geeignet für Sicherheitsalarm). |
total_tracks | int | Gesamtanzahl der während der Videoanalyse beobachteten eindeutigen Objekt-Tracks. |
region_counts | Dict[str, int] | Objektzahlen innerhalb benutzerdefinierter Regionen oder Zonen. |
speed_dict | Dict[str, float] | Track-spezifisches Dictionary berechneter Objektgeschwindigkeiten, nützlich für Geschwindigkeitsanalysen. |
total_crop_objects | int | Gesamtanzahl der zugeschnittenen Objektbilder, die durch die ObjectCropper-Lösung generiert wurden. |
speed | Dict[str, float] | Dictionary, das Leistungsmetriken für Tracking und Lösungsprozessierung enthält. |
Weitere Details findest du in der Dokumentation der SolutionResults-Klasse.
Link to this sectionNutzung von Solutions über CLI#
Die meisten Solutions können direkt über das Command-Line Interface verwendet werden, einschließlich:
Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference, Trackzone
Syntax
yolo SOLUTIONS SOLUTION_NAME ARGS
- SOLUTIONS ist ein erforderliches Schlüsselwort.
- SOLUTION_NAME ist eines der folgenden:
['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye', 'region', 'security', 'parking']. - ARGS (optional) sind benutzerdefinierte
arg=value-Paare, wie etwashow_in=True, um Standardeinstellungen zu überschreiben.
yolo solutions count show=True # for object counting
yolo solutions count source="path/to/video.mp4" # specify video file pathLink to this sectionTrage zu unseren Solutions bei#
Wir begrüßen Beiträge aus der Community! Wenn du einen speziellen Aspekt von Ultralytics YOLO gemeistert hast, der in unseren Solutions noch nicht abgedeckt ist, ermutigen wir dich, dein Fachwissen zu teilen. Einen Guide zu schreiben ist eine großartige Möglichkeit, der Community etwas zurückzugeben und uns dabei zu helfen, unsere Dokumentation umfassender und benutzerfreundlicher zu gestalten.
Um loszulegen, lies bitte unseren Contributing Guide für Richtlinien, wie du einen Pull Request (PR) 🛠️ öffnest. Wir freuen uns auf deine Beiträge!
Lass uns zusammenarbeiten, um das Ultralytics YOLO-Ökosystem robuster und vielseitiger zu machen 🙏!
Link to this sectionFAQ#
Link to this sectionWie kann ich Ultralytics YOLO für Echtzeit-Objektzählung verwenden?#
Ultralytics YOLO26 kann für die Echtzeit-Objektzählung verwendet werden, indem dessen fortschrittliche Objekterkennungsfähigkeiten genutzt werden. Du kannst unserem detaillierten Guide zum Thema Object Counting folgen, um YOLO26 für die Live-Videostream-Analyse einzurichten. Installiere einfach YOLO26, lade dein Modell und verarbeite Videoframes, um Objekte dynamisch zu zählen.
Link to this sectionWas sind die Vorteile der Nutzung von Ultralytics YOLO für Sicherheitssysteme?#
Ultralytics YOLO26 verbessert Sicherheitssysteme, indem es Objekterkennung in Echtzeit und Alarmmechanismen bietet. Durch den Einsatz von YOLO26 kannst du ein Sicherheitsalarmsystem erstellen, das Alarme auslöst, wenn neue Objekte im Überwachungsbereich erkannt werden. Erfahre, wie du ein Security Alarm System mit YOLO26 für eine robuste Sicherheitsüberwachung einrichtest.
Link to this sectionWie kann Ultralytics YOLO Warteschlangenmanagementsysteme verbessern?#
Ultralytics YOLO26 kann Warteschlangenmanagementsysteme signifikant verbessern, indem Personen in Warteschlangen präzise gezählt und verfolgt werden, was dazu beiträgt, Wartezeiten zu verkürzen und die Serviceeffizienz zu optimieren. Folge unserem detaillierten Guide zum Thema Queue Management, um zu erfahren, wie du YOLO26 für effektives Warteschlangen-Monitoring und Analysen implementierst.
Link to this sectionKann Ultralytics YOLO für Workout-Monitoring verwendet werden?#
Ja, Ultralytics YOLO26 kann effektiv für das Monitoring von Workouts verwendet werden, indem Fitnessroutinen in Echtzeit verfolgt und analysiert werden. Dies ermöglicht eine präzise Auswertung der Übungsausführung und Leistung. Entdecke unseren Guide zum Thema Workouts Monitoring, um zu erfahren, wie du ein KI-gestütztes Workout-Monitoringsystem mit YOLO26 einrichtest.
Link to this sectionWie hilft Ultralytics YOLO bei der Erstellung von Heatmaps für data visualization?#
Ultralytics YOLO26 kann Heatmaps generieren, um die Datenintensität über einen bestimmten Bereich zu visualisieren und Regionen hoher Aktivität oder von Interesse hervorzuheben. Diese Funktion ist besonders nützlich, um Muster und Trends in verschiedenen Computer-Vision-Aufgaben zu verstehen. Erfahre mehr über die Erstellung und Nutzung von Heatmaps mit YOLO26 für umfassende Datenanalyse und Visualisierung.