Recuento de objetos mediante Ultralytics YOLO11

¿Qué es el recuento de objetos?

El recuento de objetos con Ultralytics YOLO11 implica la identificación y el recuento precisos de objetos específicos en vídeos y secuencias de cámaras. YOLO11 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 la gestión eficiente de los recursos al proporcionar recuentos precisos y optimizar 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, lo que contribuye a la detección proactiva de amenazas.
• Toma de decisiones informada: El recuento de objetos ofrece información valiosa para la toma de decisiones y la optimización de procesos en el comercio minorista, la gestión del tráfico y otros ámbitos.

Aplicaciones en el mundo real

Logística	Acuicultura
Recuento de paquetes con cinta transportadora Ultralytics YOLO11	Recuento de peces en el mar mediante Ultralytics YOLO11

# Run a counting example
yolo solutions count show=True

# Pass a source video
yolo solutions count source="path/to/video/file.mp4"

# Pass region coordinates
yolo solutions count region=[(20, 400), (1080, 400), (1080, 360), (20, 360)]

import cv2

from ultralytics import solutions

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, 400)]  # For line counting
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]  # For rectangle region counting
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)]  # For polygon region counting

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

# Init Object Counter
counter = solutions.ObjectCounter(
    show=True,  # Display the output
    region=region_points,  # Pass region points
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object counting using YOLO11 OBB model.
    # classes=[0, 2],  # If you want to count specific classes i.e person and car with COCO pretrained model.
    # show_in=True,  # Display in counts
    # show_out=True,  # Display out counts
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    im0 = counter.count(im0)
    video_writer.write(im0)

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

Argumento ObjectCounter

Aquí tiene una tabla con los ObjectCounter argumentos:

Argumentos model.track

PREGUNTAS FRECUENTES

¿Cómo puedo contar objetos en un vídeo utilizando Ultralytics YOLO11 ?

Para contar objetos en un vídeo utilizando Ultralytics YOLO11 , puede seguir estos pasos:

1. Importe las bibliotecas necesarias (cv2, ultralytics).
2. Defina la región de recuento (por ejemplo, un polígono, una línea, etc.).
3. Configure la captura de vídeo e inicialice el contador de objetos.
4. 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 solutions


def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    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))
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
    counter = solutions.ObjectCounter(show=True, region=region_points, model=model_path)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        im0 = counter.count(im0)
        video_writer.write(im0)

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


count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolo11n.pt")

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

¿Cuáles son las ventajas de utilizar Ultralytics YOLO11 para el recuento de objetos?

La utilización de Ultralytics YOLO11 para el recuento de objetos ofrece varias ventajas:

1. Optimización de recursos: Facilita la gestión eficiente de los recursos al proporcionar 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, lo que contribuye 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 o la gestión del tráfico, entre otros.

Para aplicaciones reales y ejemplos de código, visite la sección Ventajas del recuento de objetos.

¿Cómo puedo contar clases específicas de objetos utilizando Ultralytics YOLO11 ?

Para contar clases específicas de objetos utilizando Ultralytics YOLO11 , debe especificar las clases que le interesan durante la fase de seguimiento. A continuación se muestra un ejemplo de Python :

import cv2

from ultralytics import solutions


def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    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))
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    line_points = [(20, 400), (1080, 400)]
    counter = solutions.ObjectCounter(show=True, region=line_points, model=model_path, classes=classes_to_count)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        im0 = counter.count(im0)
        video_writer.write(im0)

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


count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolo11n.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 YOLO11 en lugar de otros modelos de detección de objetos para aplicaciones en tiempo real?

Ultralytics YOLO11 ofrece varias ventajas sobre otros modelos de detección de objetos como Faster R-CNN, SSD y las versiones anteriores de YOLO :

1. Velocidad y eficacia: YOLO11 ofrece capacidades de procesamiento en tiempo real, por lo que es ideal para aplicaciones que requieren una inferencia de alta velocidad, como la vigilancia y la conducción autónoma.
2. Precisión: proporciona una precisión de vanguardia para tareas de detección y seguimiento de objetos, reduciendo el número de falsos positivos y mejorando la fiabilidad general del sistema.
3. Facilidad de integración: YOLO11 ofrece una integración perfecta con diversas plataformas y dispositivos, incluidos los dispositivos móviles y de borde, lo cual es crucial para las aplicaciones modernas de IA.
4. Flexibilidad: Admite diversas tareas como la detección, la segmentación y el seguimiento de objetos con modelos configurables para satisfacer requisitos de casos de uso específicos.

Consultela documentación de Ultralytics YOLO11 para profundizar en sus características y comparar su rendimiento.

¿Puedo utilizar YOLO11 para aplicaciones avanzadas como el análisis de multitudes y la gestión del tráfico?

Sí, Ultralytics YOLO11 es perfectamente adecuado para aplicaciones avanzadas como el análisis de multitudes y la gestión del tráfico gracias a sus capacidades de detección en tiempo real, escalabilidad y flexibilidad de integración. Sus funciones avanzadas permiten el seguimiento, recuento y clasificación de objetos con gran precisión en entornos dinámicos. Algunos ejemplos de uso son:

• Análisis de multitudes: Supervise y gestione grandes concentraciones, garantizando la seguridad y optimizando el flujo de multitudes.
• Gestión del tráfico: Siga y cuente los vehículos, analice los patrones de tráfico y gestione la congestión en tiempo real.

Para más información y detalles de implementación, consulte la guía Aplicaciones reales del recuento de objetos con YOLO11.

Creado hace 1 año ✏️ Actualizado hace 15 días

Comentarios