Recuento de objetos mediante Ultralytics YOLOv8

¿Qué es el recuento de objetos?

El recuento de objetos con Ultralytics YOLOv8 implica la identificación y el recuento precisos de objetos específicos en vídeos y secuencias de cámaras. YOLOv8 destaca en aplicaciones en tiempo real, proporcionando un recuento de objetos eficiente y preciso para diversos escenarios como el análisis de multitudes y la vigilancia, gracias a sus algoritmos de última generación y a sus capacidades de aprendizaje profundo.

¿Ventajas del recuento de objetos?

• Optimización de recursos: El recuento de objetos facilita una gestión eficaz de los recursos, proporcionando recuentos precisos y optimizando la asignación de recursos en aplicaciones como la gestión de inventarios.
• Seguridad mejorada: El recuento de objetos mejora la seguridad y la vigilancia mediante el seguimiento y recuento precisos de entidades, ayudando a la detección proactiva de amenazas.
• Toma de decisiones informada: El recuento de objetos ofrece información valiosa para la toma de decisiones, optimizando los procesos en el comercio minorista, la gestión del tráfico y otros ámbitos diversos.

Aplicaciones en el mundo real

Logística	Acuicultura
Recuento de paquetes con cinta transportadora Ultralytics YOLOv8	Recuento de peces en el mar utilizando Ultralytics YOLOv8

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Define region points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=region_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Define region points as a polygon with 5 points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360), (20, 400)]

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=region_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Define line points
line_points = [(20, 400), (1080, 400)]

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=line_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

line_points = [(20, 400), (1080, 400)]  # line or region points
classes_to_count = [0, 2]  # person and car classes for count

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=line_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False, classes=classes_to_count)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Argumento ObjectCounter

Aquí tienes una tabla con los ObjectCounter argumentos:

Argumentos model.track

PREGUNTAS FRECUENTES

¿Cómo cuento objetos en un vídeo utilizando Ultralytics YOLOv8 ?

Para contar objetos en un vídeo utilizando Ultralytics YOLOv8 , puedes seguir estos pasos:

1. Importa las bibliotecas necesarias (cv2, ultralytics).
2. Carga un modelo YOLOv8 preentrenado.
3. Define la región de recuento (por ejemplo, un polígono, una línea, etc.).
4. Configura la captura de vídeo e inicializa el contador de objetos.
5. Procesa cada fotograma para rastrear los objetos y contarlos dentro de la región definida.

He aquí un ejemplo sencillo para contar en una región:

import cv2

from ultralytics import YOLO, solutions


def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    model = YOLO(model_path)
    cap = cv2.VideoCapture(video_path)
    assert cap.isOpened(), "Error reading video file"
    w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
    region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
    counter = solutions.ObjectCounter(
        view_img=True, reg_pts=region_points, names=model.names, draw_tracks=True, line_thickness=2
    )

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        tracks = model.track(im0, persist=True, show=False)
        im0 = counter.start_counting(im0, tracks)
        video_writer.write(im0)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()


count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolov8n.pt")

Explora más configuraciones y opciones en la sección Recuento de objetos.

¿Qué ventajas tiene utilizar Ultralytics YOLOv8 para el recuento de objetos?

Utilizar Ultralytics YOLOv8 para el recuento de objetos ofrece varias ventajas:

1. Optimización de recursos: Facilita la gestión eficaz de los recursos proporcionando recuentos precisos, ayudando a optimizar la asignación de recursos en sectores como la gestión de inventarios.
2. Seguridad mejorada: Mejora la seguridad y la vigilancia mediante el seguimiento y recuento precisos de entidades, ayudando a la detección proactiva de amenazas.
3. Toma de decisiones informada: Ofrece información valiosa para la toma de decisiones, optimizando procesos en ámbitos como el comercio minorista, la gestión del tráfico, etc.

Para aplicaciones reales y ejemplos de código, visita la sección Ventajas del Recuento de Objetos.

¿Cómo puedo contar clases específicas de objetos utilizando Ultralytics YOLOv8 ?

Para contar clases específicas de objetos utilizando Ultralytics YOLOv8 , tienes que especificar las clases que te interesan durante la fase de seguimiento. A continuación se muestra un ejemplo de Python :

import cv2

from ultralytics import YOLO, solutions


def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    model = YOLO(model_path)
    cap = cv2.VideoCapture(video_path)
    assert cap.isOpened(), "Error reading video file"
    w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
    line_points = [(20, 400), (1080, 400)]
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
    counter = solutions.ObjectCounter(
        view_img=True, reg_pts=line_points, names=model.names, draw_tracks=True, line_thickness=2
    )

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        tracks = model.track(im0, persist=True, show=False, classes=classes_to_count)
        im0 = counter.start_counting(im0, tracks)
        video_writer.write(im0)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()


count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolov8n.pt", [0, 2])

En este ejemplo, classes_to_count=[0, 2]lo que significa que cuenta los objetos de la clase 0 y 2 (por ejemplo, persona y coche).

¿Por qué debería utilizar YOLOv8 en lugar de otros modelos de detección de objetos para aplicaciones en tiempo real?

Ultralytics YOLOv8 proporciona varias ventajas sobre otros modelos de detección de objetos, como Faster R-CNN, SSD y las versiones anteriores de YOLO :

1. Velocidad y eficacia: YOLOv8 ofrece capacidades de procesamiento en tiempo real, por lo que es ideal para aplicaciones que requieren inferencia a alta velocidad, como la vigilancia y la conducción autónoma.
2. Precisión: Proporciona una precisión de vanguardia para las tareas de detección y seguimiento de objetos, reduciendo el número de falsos positivos y mejorando la fiabilidad general del sistema.
3. Facilidad de integración: YOLOv8 ofrece una integración perfecta con varias plataformas y dispositivos, incluidos los dispositivos móviles y de borde, lo que es crucial para las aplicaciones modernas de IA.
4. Flexibilidad: Admite diversas tareas, como la detección, segmentación y seguimiento de objetos, con modelos configurables para satisfacer los requisitos específicos de cada caso de uso.

Consulta ladocumentación de Ultralytics YOLOv8 para profundizar en sus funciones y comparar su rendimiento.

¿Puedo utilizar YOLOv8 para aplicaciones avanzadas como el análisis de multitudes y la gestión del tráfico?

Sí, Ultralytics YOLOv8 es perfectamente adecuado para aplicaciones avanzadas como el análisis de multitudes y la gestión del tráfico, gracias a su capacidad de detección en tiempo real, su escalabilidad y su flexibilidad de integración. Sus funciones avanzadas permiten seguir, contar y clasificar objetos con gran precisión en entornos dinámicos. Ejemplos de casos de uso

• Análisis de multitudes: Supervisa y gestiona las grandes concentraciones, garantizando la seguridad y optimizando el flujo de multitudes.
• Gestión del Tráfico: Sigue y cuenta los vehículos, analiza los patrones de tráfico y gestiona la congestión en tiempo real.

Para más información y detalles de implementación, consulta la guía sobre Aplicaciones en el mundo real del recuento de objetos con YOLOv8.

📅C reado hace 9 meses ✏️ Actualizado hace 5 días

Comentarios