Ultralytics Solutions: Mit YOLO26 reale Probleme lösen#
Ultralytics Solutions bieten modernste Anwendungen von YOLO-Modellen und ermöglichen praxisnahe Lösungen wie Objektzählung, Unkenntlichmachung und Sicherheitssysteme. Sie steigern die Effizienz und Genauigkeit in verschiedenen Branchen. Entdecke die Möglichkeiten von YOLO26 für praktische Lösungen mit großer Wirkung.
Ansehen: So führst du Ultralytics-Lösungen über die Befehlszeile aus (CLI) | Ultralytics YOLO26 🚀
Lösungen#
Hier findest du unsere Auswahl an Ultralytics-Lösungen für beeindruckende Projekte im Bereich Computer Vision.
- Analysen: Führe umfassende Datenanalysen durch, um Muster zu erkennen und fundierte Entscheidungen zu treffen. Nutze YOLO26 für deskriptive, prädiktive und präskriptive Analysen.
- Entfernungsmessung: Berechne mithilfe der Mittelpunkte von Begrenzungsrahmen in YOLO26 die Abstände zwischen Objekten – eine wichtige Grundlage für räumliche Analysen.
- Heatmaps: Visualisiere mithilfe von Erkennungs-Heatmaps die Datenintensität in einer Matrix und gewinne klare Einblicke in Computer-Vision-Aufgaben.
- Instanzsegmentierung mit Objektverfolgung: Nutze YOLO26 für Instanzsegmentierung und Objektverfolgung, um präzise Objektkonturen zu erhalten und Objekte kontinuierlich zu überwachen.
- Live-Inferenz mit Streamlit: Nutze YOLO26 direkt in deinem Webbrowser für die Objekterkennung in Echtzeit – mit einer benutzerfreundlichen Streamlit-Oberfläche.
- Objekte unkenntlich machen: Schütze die Privatsphäre, indem du Objekte bei der Bild- und Videoverarbeitung mit YOLO26 unkenntlich machst.
- Objektzählung: Erfahre, wie du mit YOLO26 Objekte in Echtzeit zählst. Lerne, Objekte in Live-Videostreams präzise zu zählen.
- Objekte in Bereichen zählen: Zähle Objekte in bestimmten Bereichen mit YOLO26, um sie in verschiedenen Zonen präzise zu erkennen.
- Objekte ausschneiden: Lerne, mit YOLO26 Objekte präzise aus Bildern und Videos auszuschneiden.
- Parkraummanagement: Organisiere und lenke den Fahrzeugverkehr auf Parkflächen mit YOLO26, um die Flächennutzung und das Nutzererlebnis zu optimieren.
- Warteschlangenmanagement: Richte mit YOLO26 effiziente Warteschlangensysteme ein, um Wartezeiten zu verkürzen und die Produktivität zu steigern.
- Sicherheitsalarmsystem: Erstelle mit YOLO26 ein Sicherheitsalarmsystem, das bei der Erkennung neuer Objekte Warnmeldungen auslöst. Passe das System an deine Anforderungen an.
- Ähnlichkeitssuche: Ermögliche eine intelligente Bildsuche, indem du Embeddings von OpenAI CLIP mit einer Kosinus-Ähnlichkeitssuche kombinierst. So sind Abfragen in natürlicher Sprache wie „Person mit einer Tasche“ oder „fahrende Fahrzeuge“ möglich.
- Geschwindigkeitsschätzung: Schätze mithilfe von YOLO26 und Objektverfolgung die Geschwindigkeit von Objekten – wichtig für Anwendungen wie autonome Fahrzeuge und Verkehrsüberwachung.
- Objekte in einer Zone verfolgen: Erfahre, wie du Objekte mit YOLO26 präzise und effizient in bestimmten Zonen von Videobildern verfolgst.
- VisionEye: Objekte im Blickfeld abbilden: Entwickle Systeme, die den menschlichen Blick auf bestimmte Objekte nachahmen und so die Fähigkeit des Computers verbessern, Details zu erkennen und zu priorisieren.
- Training überwachen: Erfahre, wie du mit YOLO26 Trainingseinheiten überwachst. Lerne, verschiedene Fitnessübungen in Echtzeit zu verfolgen und zu analysieren.
Argumente für Solutions#
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer Ultralytics-YOLO-Modelldatei. |
region | list oder dict | None | Punkte, die den Interessenbereich festlegen: entweder eine Liste von (x, y)-Tupeln oder ein Wörterbuch, das bei mehreren Bereichen deren Namen den jeweiligen Punktelisten zuordnet (nur RegionCounter). Bei None verwenden Lösungen, die einen Bereich benötigen, einen vordefinierten Standardbereich. |
show_in | bool | True | Steuert, ob die Eingangsanzahl im Videostream angezeigt wird. |
show_out | bool | True | Steuert, ob die Ausgangsanzahl im Videostream angezeigt wird. |
analytics_type | str | 'line' | Diagrammtyp, z. B. line, bar, area oder pie. |
colormap | int | cv2.COLORMAP_DEEPGREEN | Für die Heatmap zu verwendende Farbpalette. |
line_width | int | 2 | Linienstärke für die Boxen, Keypoints und Zählwerte, die von der Lösung eingezeichnet werden. |
verbose | bool | True | Aktiviert das Protokoll der Lösung für jedes Bild, das Eingabeform, Klassenanzahlen und Verarbeitungsgeschwindigkeit enthält. Der Tracking-Aufruf selbst gibt grundsätzlich keine Meldungen aus. |
json_file | str | None | Pfad zur JSON-Datei mit allen Koordinatendaten für Parkplätze. |
up_angle | float | 145.0 | Winkelschwellenwert für die „obere“ Pose. |
kpts | list[int] | [6, 8, 10] | Liste mit drei Keypoint-Indizes zur Überwachung von Trainingseinheiten. Diese Keypoints entsprechen Körpergelenken oder -teilen wie Schultern, Ellbogen und Handgelenken und werden für Übungen wie Liegestütze, Klimmzüge, Kniebeugen und Bauchmuskeltraining verwendet. |
down_angle | float | 90.0 | Winkelschwellenwert für die „untere“ Pose. |
blur_ratio | float | 0.5 | Passt den prozentualen Unschärfegrad an; Werte liegen im Bereich 0.1 - 1.0. |
crop_dir | str | 'cropped-detections' | Verzeichnisname zum Speichern zugeschnittener Erkennungen. |
records | int | 5 | Gesamtzahl der Erkennungen, ab der eine E-Mail mit einem Sicherheitsalarm ausgelöst wird. |
vision_point | tuple[int, int] | (20, 20) | Der Punkt, an dem VisionEye Objekte verfolgt und mithilfe der VisionEye-Lösung Pfade zeichnet. |
source | str | None | Pfad zur Eingabequelle (Video, RTSP usw.). Nur mit der Befehlszeilenschnittstelle (CLI) für Solutions verwendbar. |
figsize | tuple[float, float] | (12.8, 7.2) | Abbildungsgröße in Zoll für Analytics-Diagramme; (12.8, 7.2) rendert ein Bild mit 1280×720 Pixeln. |
fps | float | 30.0 | Für Geschwindigkeitsberechnungen verwendete Bilder pro Sekunde. |
max_hist | int | 5 | Maximale Anzahl historischer Punkte, die pro Objekt für Geschwindigkeits- und Richtungsberechnungen verfolgt werden. |
meter_per_pixel | float | 0.05 | Skalierungsfaktor zur Umrechnung von Pixelabständen in reale Maßeinheiten. |
max_speed | int | 120 | Maximale Geschwindigkeit in km/h; höhere geschätzte Geschwindigkeiten werden auf diesen Wert begrenzt. |
data | str | 'images' | Pfad zum Bildverzeichnis für die Ähnlichkeitssuche. |
imgsz | int | 640 | Eingabebildgröße für die Modellinferenz. |
Solutions übergeben die folgenden Inferenz- und Verfolgungsargumente an model.track().
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Legt den zu verwendenden Verfolgungsalgorithmus fest. 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 die Verfolgung weiterer Objekte, können aber auch falsch positive Ergebnisse einschließen. |
iou | float | 0.7 | Legt den Schwellenwert für die Schnittmenge über Vereinigung (IoU) fest, um überlappende Erkennungen herauszufiltern. |
classes | list | None | Filtert die Ergebnisse nach Klassenindex. Beispielsweise verfolgt classes=[0, 2, 3] nur die angegebenen Klassen. |
device | str | None | Legt das Gerät für die Inferenz fest (z. B. cpu, cuda:0 oder 0). So kannst du für die Modellausführung zwischen CPU, einer bestimmten GPU oder anderen Rechengeräten wählen. |
imgsz | int or tuple | 640 | Zielbildgröße für die Inferenz: eine Ganzzahl für ein quadratisches Bild oder ein (height, width)-Paar. Die Formen werden an den Modellschritt angepasst. |
max_det | int | 300 | Maximale Anzahl der Erkennungen, die pro Bild vor der Verfolgung beibehalten werden. Dadurch wird die Anzahl der Objekte begrenzt, die eine Lösung in dichten Szenen verarbeitet. |
quantize | int or str | None | Inferenzpräzision: 16 (FP16) oder 32/unset (FP32) für PyTorch- und TorchScript-Modelle außerhalb der CPU; andere Formate verwenden die Präzision, die ihr Artefakt und ihre Laufzeitumgebung vorgeben. Ersetzt das veraltete Argument half. |
Du kannst show_conf, show_labels und die weiteren genannten Argumente verwenden, um die Visualisierung anzupassen.
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
show | bool | False | Wenn True aktiviert ist, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für unmittelbares visuelles Feedback während der Entwicklung oder beim Testen. |
show_conf | bool | True | Zeigt neben der Bezeichnung den Konfidenzwert jeder Erkennung an. Gibt Aufschluss darüber, wie sicher sich das Modell bei der jeweiligen Erkennung ist. |
show_labels | bool | True | Zeigt für jede Erkennung eine Bezeichnung in der visuellen Ausgabe an. So lassen sich erkannte Objekte sofort erkennen. |
SolutionAnnotator verwenden#
Alle Ultralytics Solutions verwenden die separate Klasse SolutionAnnotator, die von der Hauptklasse Annotator abgeleitet ist und die folgenden Methoden bereitstellt:
| Methode | Rückgabetyp | Beschreibung |
|---|---|---|
draw_region() | None | Zeichnet mit den angegebenen Punkten, Farben und der angegebenen Linienstärke einen Bereich. |
queue_counts_display() | None | Zeigt die Anzahl der Wartenden im angegebenen Bereich an. |
display_analytics() | None | Zeigt die Gesamtstatistik für die Parkraumverwaltung an. |
estimate_pose_angle() | float | Berechnet den Winkel zwischen drei Punkten in einer Objektpose. |
draw_specific_kpts() | np.ndarray | Zeichnet bestimmte Schlüsselpunkte in das Bild ein. |
plot_workout_information() | int | Zeichnet ein beschriftetes Textfeld in das Bild ein. |
plot_angle_and_count_and_stage() | None | Visualisiert Winkel, Wiederholungszahl und Trainingsphase zur Überwachung von Trainingseinheiten. |
plot_distance_and_line() | None | Zeigt den Abstand zwischen den Mittelpunkten an und verbindet sie mit einer Linie. |
display_objects_labels() | None | Beschriftet Begrenzungsrahmen mit den Klassenbezeichnungen der Objekte. |
sweep_annotator() | None | Visualisiert eine vertikale Scanlinie und optional eine Beschriftung. |
visioneye() | None | Ordnet die Objektmittelpunkte einem visuellen „Blickpunkt“ zu und verbindet sie damit. |
adaptive_label() | None | Zeichnet mittig in einem Begrenzungsrahmen eine runde oder rechteckige Hintergrundbeschriftung. |
Mit SolutionResults arbeiten#
Mit Ausnahme von Similarity Search gibt jeder Aufruf einer Solution ein SolutionResults-Objekt zurück.
- Bei der Objektzählung 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, # # Ausgabe anzeigen
region=region_points, # # Punkte des Bereichs übergeben
model="yolo26n.pt", # model="yolo26n-obb.pt" zur Objektzählung mit einem OBB-Modell.
# classes=[0, 2], # Bestimmte Klassen zählen, z. B. Personen und Autos mit einem auf COCO vortrainierten Modell.
# tracker="botsort.yaml" # Tracker auswählen, z. B. "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 Überlagerungen wie Zählwerten, Unschärfeeffekten oder lösungsspezifischen Erweiterungen. |
in_count | int | Gesamtzahl der Objekte, die beim Eintritt in die festgelegte Zone im Videostream erkannt wurden. |
out_count | int | Gesamtzahl der Objekte, die beim Verlassen der festgelegten Zone im Videostream erkannt wurden. |
classwise_count | dict[str, dict[str, int] | int] | Zählungen nach Klassen: {"IN": int, "OUT": int} für ObjectCounter und Heatmap oder ein int für Analytics. |
queue_count | int | Anzahl der Objekte, die sich derzeit in einer festgelegten Warteschlange oder einem Wartebereich befinden (geeignet für das Warteschlangenmanagement). |
workout_count | list[int] | Wiederholungszahlen pro Track aus AI Gym (ein Eintrag pro aktuell verfolgter Person). |
workout_angle | list[float] | Übungswinkel pro Track aus AI Gym (ein Eintrag pro aktuell verfolgter Person). |
workout_stage | list[str] | Aktuelle Trainingsphase pro Track aus AI Gym (ein Eintrag pro aktuell verfolgter Person). |
pixels_distance | float | Abstand in Pixeln zwischen zwei Objekten oder Punkten, z. B. Begrenzungsrahmen. (Geeignet zur Entfernungsmessung). |
available_slots | int | Anzahl der freien Plätze in einem überwachten Bereich (geeignet für die Parkraumverwaltung). |
filled_slots | int | Anzahl der belegten Plätze in einem überwachten Bereich. (Geeignet für die Parkraumverwaltung.) |
email_sent | bool | Gibt an, ob eine Benachrichtigung oder Alarm-E-Mail erfolgreich gesendet wurde (geeignet für Sicherheitsalarme). |
total_tracks | int | Gesamtzahl der einzelnen Objekt-Tracks, die während der Videoanalyse erfasst wurden. |
region_counts | Dict[str, int] | Objektanzahlen innerhalb benutzerdefinierter Bereiche oder Zonen. |
speed_dict | Dict[int, int] | Wörterbuch mit geschätzten Objektgeschwindigkeiten in km/h für jede Spur aus SpeedEstimator, nützlich für die Geschwindigkeitsanalyse. |
total_crop_objects | int | Gesamtzahl der zugeschnittenen Objektbilder, die von der ObjectCropper-Lösung erzeugt wurden. |
speed | Dict[str, float] | Wörterbuch mit Leistungskennzahlen für Tracking und Lösungsverarbeitung. |
Weitere Informationen findest du in der Dokumentation zur Klasse SolutionResults.
Lösungen über die CLI verwenden#
Die meisten Lösungen lassen sich direkt über die Befehlszeile verwenden.
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', 'region', 'security', 'parking']. - ARGS (optional) sind benutzerdefinierte
arg=value-Paare wieshow_in=True, mit denen du die Standardeinstellungen überschreiben kannst.
yolo solutions count show=True # for object counting
yolo solutions count source="path/to/video.mp4" # specify video file pathTrage zu unseren Lösungen bei#
Beiträge aus der Community sind willkommen! Wenn du einen bestimmten Aspekt von Ultralytics YOLO gemeistert hast, der in unseren Lösungen noch nicht behandelt wird, freuen wir uns, wenn du dein Wissen mit uns teilst. Einen Leitfaden zu schreiben ist eine gute Möglichkeit, der Community etwas zurückzugeben und uns dabei zu helfen, unsere Dokumentation umfassender und benutzerfreundlicher zu gestalten.
Lies zunächst unseren Leitfaden für Beiträge. Dort erfährst du, wie du einen Pull Request (PR) eröffnest 🛠️. Wir freuen uns auf deine Beiträge!
Lass uns gemeinsam das Ultralytics-YOLO-Ökosystem robuster und vielseitiger machen 🙏!
Häufig gestellte Fragen#
Ultralytics YOLO26 lässt sich dank seiner fortschrittlichen Objekterkennung für die Objektzählung in Echtzeit verwenden. In unserem ausführlichen Leitfaden zur Objektzählung erfährst du, wie du YOLO26 für die Analyse von Live-Videostreams einrichtest. Installiere einfach YOLO26, lade dein Modell und verarbeite Videobilder, um Objekte dynamisch zu zählen.
Ultralytics YOLO26 verbessert Sicherheitssysteme durch Objekterkennung in Echtzeit und Alarmmechanismen. Mit YOLO26 kannst du ein Alarmsystem einrichten, das ausgelöst wird, wenn im Überwachungsbereich neue Objekte erkannt werden. Erfahre, wie du mit YOLO26 ein Alarmsystem für eine zuverlässige Sicherheitsüberwachung einrichtest.
Ultralytics YOLO26 kann Warteschlangenmanagementsysteme erheblich verbessern, indem es Personen in Warteschlangen präzise zählt und verfolgt. So lassen sich Wartezeiten verkürzen und die Effizienz des Service optimieren. In unserem ausführlichen Leitfaden zum Warteschlangenmanagement erfährst du, wie du YOLO26 für eine wirksame Überwachung und Analyse von Warteschlangen einsetzt.
Ja, Ultralytics YOLO26 eignet sich zur Überwachung von Workouts, indem es Trainingsabläufe in Echtzeit verfolgt und analysiert. So lassen sich die Ausführung der Übungen und die Leistung präzise bewerten. In unserem Leitfaden zur Workout-Überwachung erfährst du, wie du mit YOLO26 ein KI-gestütztes System zur Überwachung von Workouts einrichtest.
Ultralytics YOLO26 kann Heatmaps erzeugen, die die Intensität von Daten in einem bestimmten Bereich darstellen und Zonen mit hoher Aktivität oder besonderem Interesse hervorheben. Diese Funktion ist besonders nützlich, um Muster und Trends bei verschiedenen Aufgaben der Computer Vision zu erkennen. Erfahre mehr darüber, wie du mit YOLO26 Heatmaps für umfassende Datenanalysen und -visualisierungen erstellst und verwendest.