Ultralytics Lösungen: YOLO26 nutzen, um reale Probleme zu lösen

Ultralytics Solutions bieten innovative Anwendungen von YOLO-Modellen und liefern praxisnahe Lösungen wie Objektzählung, Unschärfe und Sicherheitssysteme, die Effizienz und Genauigkeit in verschiedenen Branchen verbessern. Entdecken Sie die Leistungsfähigkeit von YOLO26 für praktische, wirkungsvolle Implementierungen.

Ansehen: Wie man Ultralytics Solutions über die Kommandozeile (CLI) ausführt | Ultralytics YOLO26 🚀

Lösungen

Hier ist unsere kuratierte Liste von Ultralytics-Lösungen, die zur Erstellung beeindruckender Computer Vision-Projekte verwendet werden können.

Analysen: Führen Sie umfassende Datenanalysen durch, um Muster zu entdecken und fundierte Entscheidungen zu treffen, indem Sie YOLO26 für deskriptive, prädiktive und präskriptive Analysen nutzen.
Entfernungsberechnung: Berechnen Sie Abstände zwischen Objekten mithilfe von Bounding-Box-Schwerpunkten in YOLO26, unerlässlich für die räumliche Analyse.
Heatmaps: Nutzen Sie Erkennungs-Heatmaps, um die Datenintensität über eine Matrix zu visualisieren und so klare Einblicke in Computer-Vision-Aufgaben zu erhalten.
Instanzsegmentierung mit Objekt-Tracking: Implementieren Sie Instanzsegmentierung und Objekt-Tracking mit YOLO26, um präzise Objektgrenzen und eine kontinuierliche Überwachung zu erreichen.
Live-Inferenz mit Streamlit: Nutzen Sie die Leistungsfähigkeit von YOLO26 für die Echtzeit-Objekterkennung direkt über Ihren Webbrowser mit einer benutzerfreundlichen Streamlit-Oberfläche.
Objektunschärfe: Wenden Sie Objektunschärfe mit YOLO26 an, um den Datenschutz bei der Bild- und Videoverarbeitung zu gewährleisten.
Objektzählung: Lernen Sie, Echtzeit-Objektzählung mit YOLO26 durchzuführen. Erwerben Sie das Fachwissen, um Objekte in Live-Videostreams präzise zu zählen.
Objektzählung in Regionen: Zählen Sie Objekte in bestimmten Regionen mit YOLO26 für eine präzise Erkennung in verschiedenen Bereichen.
Objektausschnitt: Meistern Sie das Objektausschneiden mit YOLO26 für die präzise Extraktion von Objekten aus Bildern und Videos.
Parkplatzmanagement: Organisieren und steuern Sie den Fahrzeugfluss auf Parkplätzen mit YOLO26, wodurch die Raumnutzung und das Nutzererlebnis optimiert werden.
Warteschlangenmanagement: Implementieren Sie effiziente Warteschlangenmanagementsysteme, um Wartezeiten zu minimieren und die Produktivität mit YOLO26 zu verbessern.
Sicherheitsalarmsystem: Erstellen Sie ein Sicherheitsalarmsystem mit YOLO26, das Alarme auslöst, wenn neue Objekte erkannt werden. Passen Sie das System an Ihre spezifischen Bedürfnisse an.
Ähnlichkeitssuche: Ermöglichen Sie intelligente Bildabfrage durch die Kombination von OpenAI CLIP-Embeddings mit Meta FAISS, was natürliche Sprachanfragen wie „Person mit Tasche“ oder „Fahrzeuge in Bewegung“ ermöglicht.
Geschwindigkeitsabschätzung: Schätzen Sie die Objektgeschwindigkeit mit YOLO26 und Objekt-Tracking-Techniken, entscheidend für Anwendungen wie autonome Fahrzeuge und Verkehrsüberwachung.
Objekte in Zonen tracken: Erfahren Sie, wie Sie Objekte innerhalb spezifischer Zonen von Videobildern mit YOLO26 tracken, für eine präzise und effiziente Überwachung.
VisionEye View Objects Mapping: Entwickeln Sie Systeme, die den Fokus des menschlichen Auges auf bestimmte Objekte nachahmen und die Fähigkeit des Computers verbessern, Details zu erkennen und zu priorisieren.
Trainingsüberwachung: Entdecken Sie, wie Sie Trainingseinheiten mit YOLO26 überwachen. Lernen Sie, verschiedene Fitnessroutinen in Echtzeit zu tracken und zu analysieren.

Lösungsargumente

Argument	Typ	Standard	Beschreibung
`model`	`str`	`None`	Pfad zu einer Ultralytics YOLO Modelldatei.
`region`	`list`	`'[(20, 400), (1260, 400)]'`	Liste der Punkte, die den Zählbereich definieren.
`show_in`	`bool`	`True`	Flag zur Steuerung, ob die In-Zählungen im Videostream angezeigt werden sollen.
`show_out`	`bool`	`True`	Flag zur Steuerung, ob die Out-Zählungen im Videostream angezeigt werden sollen.
`analytics_type`	`str`	`'line'`	Art des Graphen, d.h. `line`, `bar`, `area`, oder `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	Zu verwendende Colormap für die Heatmap.
`json_file`	`str`	`None`	Pfad zur JSON-Datei, die alle Parkkoordinatendaten enthält.
`up_angle`	`float`	`145.0`	Winkelgrenzwert für die 'Aufwärts'-Pose.
`kpts`	`list[int]`	`'[6, 8, 10]'`	Liste von drei Schlüsselpunktindizes, die zur Überwachung von Trainingseinheiten verwendet werden. Diese Schlüsselpunkte entsprechen Körpergelenken oder -teilen, wie Schultern, Ellbogen und Handgelenken, für Übungen wie Liegestütze, Klimmzüge, Kniebeugen und Bauchmuskelübungen.
`down_angle`	`float`	`90.0`	Winkelgrenzwert für die 'Abwärts'-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 zugeschnittener Erkennungen.
`records`	`int`	`5`	Gesamtzahl der Erkennungen, um eine E-Mail mit einem Sicherheitsalarmsystem auszulösen.
`vision_point`	`tuple[int, int]`	`(20, 20)`	Der Punkt, an dem die Vision Objekte tracken und Pfade mithilfe der VisionEye Solution zeichnen wird.
`source`	`str`	`None`	Pfad zur Eingangsquelle (Video, RTSP usw.). Nur mit der Solutions-Befehlszeilenschnittstelle (CLI) verwendbar.
`figsize`	`tuple[int, int]`	`(12.8, 7.2)`	Figurengröße für Analyse-Diagramme wie Heatmaps oder Graphen.
`fps`	`float`	`30.0`	Frames pro Sekunde, die für Geschwindigkeitsberechnungen verwendet werden.
`max_hist`	`int`	`5`	Maximale historische Punkte, die pro Objekt zu track sind, für Geschwindigkeits-/Richtungsberechnungen.
`meter_per_pixel`	`float`	`0.05`	Skalierungsfaktor, der für die Umwandlung von Pixelabständen in reale Einheiten verwendet wird.
`max_speed`	`int`	`120`	Maximale Geschwindigkeitsbegrenzung in visuellen Overlays (wird in Warnmeldungen 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'`	Gibt den zu verwendenden Tracking-Algorithmus an, z. B. `bytetrack.yaml` oder `botsort.yaml`.
`conf`	`float`	`0.1`	Legt den Konfidenzschwellenwert für Erkennungen fest; niedrigere Werte ermöglichen die Verfolgung von mehr Objekten, können aber auch falsch positive Ergebnisse liefern.
`iou`	`float`	`0.7`	Legt den Intersection over Union (IoU)-Schwellenwert für das Filtern überlappender Detektionen fest.
`classes`	`list`	`None`	Filtert Ergebnisse nach Klassenindex. Zum Beispiel, `classes=[0, 2, 3]` verfolgt 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 es Benutzern, zwischen CPU, einer bestimmten GPU oder anderen Rechengeräten für die Modellausführung zu wählen.

Visualisierungsargumente

Sie können show_conf, show_labels, sowie andere erwähnte Argumente zur Anpassung der Visualisierung.

Argument	Typ	Standard	Beschreibung
`show`	`bool`	`False`	Wenn `True`aktiviert, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für sofortiges visuelles Feedback während der Entwicklung oder des Testens.
`line_width`	`int or None`	`None`	Gibt die Linienbreite der Begrenzungsrahmen an. Wenn `None`, wird die Linienbreite automatisch an die Bildgröße angepasst. Bietet eine visuelle Anpassung für mehr Klarheit.
`show_conf`	`bool`	`True`	Zeigt den Konfidenzwert für jede Erkennung zusammen mit der Beschriftung an. Gibt Einblick in die Sicherheit des Modells für jede Erkennung.
`show_labels`	`bool`	`True`	Zeigt Beschriftungen für jede Erkennung in der visuellen Ausgabe an. Ermöglicht ein sofortiges Verständnis der erkannten Objekte.

Nutzung von SolutionAnnotator

Alle Ultralytics Solutions verwenden die separate Klasse SolutionAnnotator, das die Hauptfunktion erweitert Annotator Klasse und haben die folgenden Methoden:

Methode	Rückgabetyp	Beschreibung
`draw_region()`	`None`	Zeichnet eine Region unter Verwendung der angegebenen Punkte, Farben und 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 dem Bild.
`plot_workout_information()`	`None`	Zeichnet ein beschriftetes Textfeld auf dem Bild.
`plot_angle_and_count_and_stage()`	`None`	Visualisiert Winkel, Schrittzahl und Phase für die Trainingsüberwachung.
`plot_distance_and_line()`	`None`	Zeigt die Distanz zwischen Schwerpunkten an und verbindet sie mit einer Linie.
`display_objects_labels()`	`None`	Kommentiert Begrenzungsrahmen mit Objektklassenbezeichnungen.
`sweep_annotator()`	`None`	Visualisieren Sie eine vertikale Sweep-Linie und eine optionale Beschriftung.
`visioneye()`	`None`	Ordnet Objektzentroiden zu einem visuellen „Augen“-Punkt zu und verbindet diese.
`adaptive_label()`	`None`	Zeichnen Sie eine kreisförmige oder rechteckige Hintergrundform-Beschriftung in der Mitte eines Begrenzungsrahmens.

Arbeiten mit SolutionResults

Außer Similarity Search, jeder Solution-Aufruf gibt eine Liste von Elementen zurück SolutionResults Objekt.

Für die Objektzählung beinhalten die Ergebnisse in_count, out_countund 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 die folgenden Attribute:

Attribut	Typ	Beschreibung
`plot_im`	`np.ndarray`	Bild mit visuellen Überlagerungen wie Zählungen, Unschärfeeffekten oder lösungsspezifischen Verbesserungen.
`in_count`	`int`	Gesamtanzahl der erkannten Objekte, die in den definierten Bereich im Videostream eintreten.
`out_count`	`int`	Gesamtanzahl der erkannten Objekte, die den definierten Bereich im Videostream verlassen.
`classwise_count`	`Dict[str, int]`	Wörterbuch zur Erfassung von klassenweisen In/Out-Objektzählungen für erweiterte Analysen.
`queue_count`	`int`	Anzahl der Objekte, die sich aktuell in einer vordefinierten Warteschlange oder einem Wartebereich befinden (geeignet für das Warteschlangenmanagement).
`workout_count`	`int`	Gesamtzahl der Trainingswiederholungen, die während der Trainingsverfolgung abgeschlossen wurden.
`workout_angle`	`float`	Berechneter Gelenk- oder Haltungswinkel während des Trainings zur Beurteilung der Form.
`workout_stage`	`str`	Aktuelle Trainingsphase oder Bewegungsphase (z. B. 'oben', 'unten').
`pixels_distance`	`float`	Pixelbasierte Distanz zwischen zwei Objekten oder Punkten, z. B. Begrenzungsrahmen. (Geeignet für Distanzberechnungen).
`available_slots`	`int`	Anzahl der freien Stellplätze in einem überwachten Bereich (geeignet für das Parkraummanagement).
`filled_slots`	`int`	Anzahl der belegten Stellplätze in einem überwachten Bereich (geeignet für das Parkraummanagement).
`email_sent`	`bool`	Gibt an, ob eine Benachrichtigungs- oder Alarm-E-Mail erfolgreich gesendet wurde (geeignet für Sicherheitsalarme).
`total_tracks`	`int`	Gesamtanzahl der eindeutigen Objektverfolgungen, die während der Videoanalyse beobachtet wurden.
`region_counts`	`Dict[str, int]`	Objektzählungen innerhalb benutzerdefinierter Regionen oder Zonen.
`speed_dict`	`Dict[str, float]`	Tracker-weises Dictionary der berechneten Objektgeschwindigkeiten, nützlich für Geschwindigkeitsanalysen.
`total_crop_objects`	`int`	Gesamtanzahl der von der ObjectCropper-Lösung generierten zugeschnittenen Objektbilder.
`speed`	`Dict[str, float]`	Wörterbuch mit Leistungskennzahlen für die Verfolgung und Lösungsverarbeitung.

Weitere Details finden Sie im SolutionResults Klassendokumentation.

Lösungsnutzung über die 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.
SOLUTION_NAME ist eines von: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS (optional) sind benutzerdefiniert 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

Beitrag zu unseren Lösungen

Wir freuen uns über Beiträge aus der Community! Wenn Sie einen bestimmten Aspekt von Ultralytics YOLO beherrschen, der in unseren Lösungen noch nicht behandelt wird, laden wir Sie ein, Ihr Fachwissen zu teilen. Das Verfassen eines Leitfadens ist eine großartige Möglichkeit, der Community etwas zurückzugeben und uns zu helfen, unsere Dokumentation umfassender und benutzerfreundlicher zu gestalten.

Lesen Sie zunächst unseren Leitfaden für Mitwirkende für Richtlinien zum Eröffnen eines Pull Requests (PR) 🛠️. Wir freuen uns auf Ihre Beiträge!

Lassen Sie 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 eingesetzt werden, indem es seine fortschrittlichen Objekterkennungsfähigkeiten nutzt. Sie können unserem detaillierten Leitfaden zur Objektzählung folgen, um YOLO26 für die Analyse von Live-Videostreams einzurichten. Installieren Sie einfach YOLO26, laden Sie Ihr Modell und verarbeiten Sie Videobilder, um Objekte dynamisch zu zählen.

Welche Vorteile bietet die Verwendung von Ultralytics YOLO für Sicherheitssysteme?

Ultralytics YOLO26 verbessert Sicherheitssysteme durch die Bereitstellung von Echtzeit-Objekterkennung und Alarmmechanismen. Durch den Einsatz von YOLO26 können Sie ein Sicherheitssystem erstellen, das Alarme auslöst, wenn neue Objekte im Überwachungsbereich erkannt werden. Erfahren Sie, wie Sie ein Sicherheitsalarmsystem mit YOLO26 für eine robuste Sicherheitsüberwachung einrichten.

Wie kann Ultralytics YOLO Warteschlangenmanagementsysteme verbessern?

Ultralytics YOLO26 kann Warteschlangenmanagementsysteme erheblich verbessern, indem es Personen in Warteschlangen präzise zählt und trackt, wodurch Wartezeiten reduziert und die Serviceeffizienz optimiert werden. Folgen Sie unserem detaillierten Leitfaden zum Warteschlangenmanagement, um zu erfahren, wie Sie YOLO26 für eine effektive Warteschlangenüberwachung und -analyse implementieren.

Kann Ultralytics YOLO für die Trainingsüberwachung verwendet werden?

Ja, Ultralytics YOLO26 kann effektiv zur Überwachung von Trainingseinheiten eingesetzt werden, indem es Fitnessroutinen in Echtzeit trackt und analysiert. Dies ermöglicht eine präzise Bewertung der Übungsform und Leistung. Erkunden Sie unseren Leitfaden zur Trainingsüberwachung, um zu erfahren, wie Sie ein KI-gestütztes Trainingsüberwachungssystem mit YOLO26 einrichten.

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

Ultralytics YOLO26 kann Heatmaps generieren, um die Datenintensität in einem bestimmten Bereich zu visualisieren, wodurch Bereiche hoher Aktivität oder Interesses hervorgehoben werden. Diese Funktion ist besonders nützlich, um Muster und Trends bei verschiedenen Computer-Vision-Aufgaben zu verstehen. Erfahren Sie mehr über die Erstellung und Nutzung von Heatmaps mit YOLO26 für eine umfassende Datenanalyse und -visualisierung.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 2 Tagen