Ultralytics Lösungen: Nutze YOLO26 zur Lösung von Problemen aus der Praxis

Ultralytics Lösungen bieten modernste Anwendungen von YOLO-Modellen und ermöglichen praktische Einsatzgebiete wie Objektzählung, Unschärfefilter und Sicherheitssysteme, um die Effizienz und Genauigkeit in verschiedenen Branchen zu steigern. Entdecke das Potenzial von YOLO26 für praktische und wirkungsvolle Implementierungen.

Watch: How to Run Ultralytics Solutions from the Command Line (CLI) | Ultralytics YOLO26 🚀

Lösungen

Hier ist unsere kuratierte Liste von Ultralytics Lösungen, mit denen du beeindruckende Computer-Vision Projekte erstellen kannst.

Analytics: Führe umfassende Datenanalysen durch, um Muster zu entdecken und fundierte Entscheidungen zu treffen – nutze YOLO26 für deskriptive, prädiktive und präskriptive Analysen.
Entfernungsberechnung: Berechne Entfernungen zwischen Objekten mithilfe von Bounding-Box Schwerpunkten in YOLO26, was für die räumliche Analyse unerlässlich ist.
Heatmaps: Nutze Detektions-Heatmaps, um die Datenintensität über eine Matrix hinweg zu visualisieren und klare Einblicke in Computer-Vision-Aufgaben zu erhalten.
Instanz-Segmentierung mit Objektverfolgung: Implementiere Instanz-Segmentierung und Objektverfolgung mit YOLO26, um präzise Objektgrenzen und eine kontinuierliche Überwachung zu erreichen.
Live-Inferenz mit Streamlit: Nutze die Leistungsfähigkeit von YOLO26 für Objekterkennung in Echtzeit direkt über deinen Webbrowser mit einer benutzerfreundlichen Streamlit-Oberfläche.
Objekt-Unschärfe: Wende Objekt-Unschärfe mit YOLO26 an, um die Privatsphäre bei der Bild- und Videoverarbeitung zu schützen.
Objektzählung: Lerne, wie du eine Objektzählung in Echtzeit mit YOLO26 durchführst. Erwirb die Fachkenntnisse, um Objekte in Live-Videostreams präzise zu zählen.
Objektzählung in Regionen: Zähle Objekte in bestimmten Bereichen mit YOLO26 für eine genaue Erfassung in unterschiedlichen Zonen.
Objekt-Zuschneiden: Meistere das Zuschneiden von Objekten mit YOLO26 zur präzisen Extraktion aus Bildern und Videos.
Parkplatz-Management: Organisiere und steuere den Fahrzeugfluss auf Parkplätzen mit YOLO26, um die Flächennutzung und das Nutzererlebnis zu optimieren.
Warteschlangen-Management: Implementiere effiziente Systeme zur Verwaltung von Warteschlangen, um Wartezeiten zu minimieren und die Produktivität mit YOLO26 zu verbessern.
Sicherheits-Alarmsystem: Erstelle ein Sicherheits-Alarmsystem mit YOLO26, das bei der Erkennung neuer Objekte Warnmeldungen auslöst. Passe das System individuell an deine spezifischen Bedürfnisse an.
Ähnlichkeitssuche: Aktiviere eine intelligente Bildsuche durch die Kombination von OpenAI CLIP Embeddings mit Meta FAISS, was Abfragen in natürlicher Sprache wie "Person mit Tasche" oder "Fahrzeuge in Bewegung" ermöglicht.
Geschwindigkeitsschätzung: Schätze die Geschwindigkeit von Objekten mithilfe von YOLO26 und Objektverfolgungstechniken – entscheidend für Anwendungen wie autonome Fahrzeuge und Verkehrsüberwachung.
Objekte in Zonen verfolgen: Lerne, wie du Objekte innerhalb bestimmter Zonen von Videobildern mit YOLO26 für eine präzise und effiziente Überwachung verfolgst.
VisionEye Objekt-Mapping: Entwickle Systeme, die den Fokus des menschlichen Auges auf bestimmte Objekte nachahmen und die Fähigkeit des Computers verbessern, Details zu unterscheiden und zu priorisieren.
Workout-Überwachung: Entdecke, wie du Workouts mit YOLO26 überwachst. Lerne, verschiedene Fitnessübungen in Echtzeit zu verfolgen und zu analysieren.

Lösungs-Argumente

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'-Zählungen auf dem Videostream angezeigt werden sollen.
`show_out`	`bool`	`True`	Flag zur Steuerung, ob die 'Out'-Zählungen auf dem Videostream angezeigt werden sollen.
`analytics_type`	`str`	`'line'`	Art des Diagramms, d.h. `line`, `bar`, `area` oder `pie`.
`colormap`	`int`	`cv2.COLORMAP_DEEPGREEN`	Farbskala, die für die Heatmap verwendet werden soll.
`json_file`	`str`	`None`	Pfad zur JSON-Datei, die alle Daten zu Parkplatzkoordinaten enthält.
`up_angle`	`float`	`145.0`	Winkelschwellenwert für die 'up'-Pose.
`kpts`	`list[int]`	`'[6, 8, 10]'`	Liste von drei Keypoint-Indizes, die zur Überwachung von Workouts verwendet werden. Diese Keypoints 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 Unschärfeintensität an, mit Werten im Bereich `0.1 - 1.0`.
`crop_dir`	`str`	`'cropped-detections'`	Verzeichnisname zum Speichern von zugeschnittenen Erkennungen.
`records`	`int`	`5`	Gesamtanzahl der Erkennungen, um eine E-Mail mit dem Sicherheitsalarmsystem auszulösen.
`vision_point`	`tuple[int, int]`	`(20, 20)`	Der Punkt, an dem Vision Objekte verfolgt und Pfade mithilfe der VisionEye-Lösung zeichnet.
`source`	`str`	`None`	Pfad zur Eingabequelle (Video, RTSP, usw.). Nur mit der Befehlszeilenschnittstelle (CLI) von Solutions verwendbar.
`figsize`	`tuple[int, int]`	`(12.8, 7.2)`	Figurengröße für Analyse-Diagramme wie Heatmaps oder Graphen.
`fps`	`float`	`30.0`	Bilder pro Sekunde, die für Geschwindigkeitsberechnungen verwendet werden.
`max_hist`	`int`	`5`	Maximale historische Punkte, die pro Objekt für Geschwindigkeits-/Richtungsberechnungen verfolgt werden sollen.
`meter_per_pixel`	`float`	`0.05`	Skalierungsfaktor zur Umrechnung von Pixelabständen in reale Einheiten.
`max_speed`	`int`	`120`	Maximales Tempolimit in visuellen Overlays (wird bei Warnungen verwendet).
`data`	`str`	`'images'`	Pfad zum Bildverzeichnis, das für die Ähnlichkeitssuche verwendet wird.

Track-Argumente

Lösungen unterstützen auch einige der Argumente von 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, z. B. `bytetrack.yaml` oder `botsort.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 Intersection over Union (IoU) Schwellenwert zum Filtern überlappender Detektionen fest.
`classes`	`list`	`None`	Filtert Ergebnisse nach Klassen-Index. Beispiel: `classes=[0, 2, 3]` verfolgt nur die angegebenen Klassen.
`verbose`	`bool`	`True`	Steuert die Anzeige der Tracking-Ergebnisse und liefert eine visuelle Ausgabe der verfolgten Objekte.
`device`	`str`	`None`	Spezifiziert das Gerät für die Inferenz (z. B. `cpu`, `cuda:0` oder `0`). Ermöglicht die Wahl zwischen CPU, einer spezifischen GPU oder anderen Recheneinheiten zur Modellausführung.

Visualisierungs-Argumente

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 direktes visuelles Feedback während der Entwicklung oder beim Testen.
`line_width`	`int or None`	`None`	Gibt die Linienbreite der Bounding-Boxen an. Wenn `None`, wird die Linienbreite automatisch basierend auf der Bildgröße angepasst. Bietet visuelle Anpassung für mehr Klarheit.
`show_conf`	`bool`	`True`	Zeigt den Konfidenzwert für jede Erkennung neben dem Label an. Gibt Aufschluss über die Sicherheit des Modells bei jeder Erkennung.
`show_labels`	`bool`	`True`	Zeigt Labels für jede Erkennung in der visuellen Ausgabe an. Bietet unmittelbares Verständnis der erkannten Objekte.

Nutzung von SolutionAnnotator

Alle Ultralytics Lösungen verwenden die separate Klasse SolutionAnnotator, die die Hauptklasse Annotator erweitert und folgende Methoden besitzt:

Methode	Rückgabetyp	Beschreibung
`draw_region()`	`None`	Zeichnet einen Bereich mithilfe angegebener Punkte, Farben und Linienstärken.
`queue_counts_display()`	`None`	Zeigt Warteschlangenzählungen im festgelegten Bereich an.
`display_analytics()`	`None`	Zeigt allgemeine Statistiken für das Parkplatz-Management an.
`estimate_pose_angle()`	`float`	Berechnet den Winkel zwischen drei Punkten einer Objektpose.
`draw_specific_points()`	`None`	Zeichnet spezifische Keypoints auf das Bild.
`plot_workout_information()`	`None`	Zeichnet ein beschriftetes Textfeld auf das Bild.
`plot_angle_and_count_and_stage()`	`None`	Visualisiert Winkel, Wiederholungszahl und Phase für die Workout-Überwachung.
`plot_distance_and_line()`	`None`	Zeigt den Abstand zwischen Schwerpunkten an und verbindet diese mit einer Linie.
`display_objects_labels()`	`None`	Beschriftet Bounding-Boxen mit Objektklassen.
`sweep_annotator()`	`None`	Visualisiert eine vertikale Sweep-Linie und ein optionales Label.
`visioneye()`	`None`	Mappt und verbindet Objektschwerpunkte mit einem visuellen "Augen"-Punkt.
`adaptive_label()`	`None`	Zeichnet ein kreisförmiges oder rechteckiges Hintergrund-Label in die Mitte einer Bounding-Box.

Arbeiten mit SolutionResults

Except Similarity Search, each Solution call returns a list of SolutionResults objects.

Für die Objektzählung enthalten die Ergebnisse in_count, out_count und classwise_count.

SolutionResults

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_count

SolutionResults Objekte haben folgende Attribute:

Attribut	Typ	Beschreibung
`plot_im`	`np.ndarray`	Bild mit visuellen Overlays wie Zählungen, Unschärfe-Effekten oder lösungsspezifischen Erweiterungen.
`in_count`	`int`	Gesamtzahl der im Videostream erfassten Objekte, die in die definierte Zone eintreten.
`out_count`	`int`	Gesamtzahl der im Videostream erfassten Objekte, die die definierte Zone verlassen.
`classwise_count`	`Dict[str, int]`	Dictionary zur Erfassung der klassenspezifischen Ein-/Ausgangszählungen für fortgeschrittene Analysen.
`queue_count`	`int`	Anzahl der Objekte, die sich aktuell in einer vordefinierten Warteschlange oder einem Wartebereich befinden (geeignet für Warteschlangen-Management).
`workout_count`	`int`	Gesamtzahl der abgeschlossenen Workout-Wiederholungen während des Fitness-Trackings.
`workout_angle`	`float`	Berechneter Gelenk- oder Posenwinkel während des Workouts zur Form-Beurteilung.
`workout_stage`	`str`	Aktuelle Workout-Phase oder Bewegungsstadium (z. B. 'up', 'down').
`pixels_distance`	`float`	Pixelbasierte Distanz zwischen zwei Objekten oder Punkten, z. B. Bounding-Boxen. (Geeignet für Entfernungsberechnung).
`available_slots`	`int`	Anzahl der freien Plätze in einem überwachten Bereich (geeignet für Parkplatz-Management).
`filled_slots`	`int`	Anzahl der belegten Plätze in einem überwachten Bereich. (Geeignet für Parkplatz-Management)
`email_sent`	`bool`	Gibt an, ob eine Benachrichtigungs- oder Alarm-E-Mail erfolgreich versendet wurde (geeignet für Sicherheitsalarme).
`total_tracks`	`int`	Gesamtzahl der eindeutigen Objektspuren, die während der Videoanalyse beobachtet wurden.
`region_counts`	`Dict[str, int]`	Objektzählungen innerhalb benutzerdefinierter Regionen oder Zonen.
`speed_dict`	`Dict[str, float]`	Spurbasiertes Dictionary der berechneten Objektgeschwindigkeiten, nützlich für Geschwindigkeitsanalysen.
`total_crop_objects`	`int`	Gesamtzahl der zugeschnittenen Objektbilder, die von der ObjectCropper Lösung generiert wurden.
`speed`	`Dict[str, float]`	Dictionary, das Leistungsmetriken für Tracking und die Lösungsverarbeitung enthält.

Weitere Details findest du in der Dokumentation zur SolutionResults-Klasse.

Lösungsnutzung über CLI

Befehlsinformationen

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

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'].
ARGS (optional) sind benutzerdefinierte arg=value-Paare, wie z. B. show_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 path

Trage zu unseren Lösungen bei

Wir freuen uns über Beiträge aus der Community! Wenn du einen bestimmten Aspekt von Ultralytics YOLO beherrschst, der in unseren Lösungen noch nicht behandelt wird, laden wir dich ein, dein Fachwissen zu teilen. Das Schreiben eines Leitfadens 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 mit Richtlinien zum Öffnen eines Pull Request (PR) 🛠️. Wir freuen uns auf deine Beiträge!

Lass uns zusammenarbeiten, um das Ultralytics YOLO-Ökosystem robuster und vielseitiger zu machen 🙏!

FAQ

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

Ultralytics YOLO26 kann für die Echtzeit-Objektzählung verwendet werden, indem seine fortschrittlichen Objekterkennungsfunktionen genutzt werden. Du kannst unserem detaillierten Leitfaden zum Objektzählen folgen, um YOLO26 für die Live-Videostream-Analyse einzurichten. Installiere einfach YOLO26, lade dein Modell und verarbeite Videoframes, um Objekte dynamisch zu zählen.

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

Ultralytics YOLO26 verbessert Sicherheitssysteme durch die Bereitstellung von Echtzeit-Objekterkennung und Warnmechanismen. Durch den Einsatz von YOLO26 kannst du ein Sicherheitsalarmsystem erstellen, das Warnungen auslöst, wenn neue Objekte im Überwachungsbereich erkannt werden. Erfahre, wie du ein Sicherheitsalarmsystem mit YOLO26 für eine robuste Sicherheitsüberwachung einrichtest.

Wie kann Ultralytics YOLO Warteschlangenmanagementsysteme verbessern?

Ultralytics YOLO26 kann Warteschlangenmanagementsysteme erheblich verbessern, indem es Personen in Warteschlangen präzise zählt und verfolgt, was dazu beiträgt, Wartezeiten zu verkürzen und die Serviceeffizienz zu optimieren. Folge unserem detaillierten Leitfaden zum Warteschlangenmanagement, um zu erfahren, wie du YOLO26 für eine effektive Überwachung und Analyse von Warteschlangen implementierst.

Kann Ultralytics YOLO für das Trainingstraining (Workout Monitoring) verwendet werden?

Ja, Ultralytics YOLO26 kann effektiv zur Überwachung von Workouts eingesetzt werden, indem Fitnessroutinen in Echtzeit verfolgt und analysiert werden. Dies ermöglicht eine präzise Bewertung der Übungsausführung und Leistung. Entdecke unseren Leitfaden zur Workout-Überwachung, um zu erfahren, wie du ein KI-gestütztes Workout-Überwachungssystem mit YOLO26 einrichtest.

Wie hilft Ultralytics YOLO bei der Erstellung von Heatmaps für die Datenvisualisierung?

Ultralytics YOLO26 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 bei verschiedenen Computer-Vision-Aufgaben zu verstehen. Erfahre mehr über die Erstellung und Verwendung von Heatmaps mit YOLO26 für eine umfassende Datenanalyse und -visualisierung.

Contributors

RIRizwanMunawar¹⁴ GLglenn-jocher¹¹ RAraimbekovm¹RORonald Eddy Jr¹LALaughing-q¹

Created 30. Mai 2024Updated letzte Woche