Gesti贸n de colas mediante Ultralytics YOLO11 馃殌
驴Qu茅 es la gesti贸n de colas?
La gesti贸n de colas mediante Ultralytics YOLO11 consiste en organizar y controlar colas de personas o veh铆culos para reducir los tiempos de espera y mejorar la eficacia. Se trata de optimizar las colas para mejorar la satisfacci贸n del cliente y el rendimiento del sistema en diversos entornos, como comercios, bancos, aeropuertos y centros sanitarios.
Observa: C贸mo implantar la gesti贸n de colas con Ultralytics YOLO11 | Aeropuerto y estaci贸n de metro
驴Ventajas de la gesti贸n de colas?
- Tiempos de espera reducidos: Los sistemas de gesti贸n de colas organizan eficazmente las colas, minimizando los tiempos de espera de los clientes. Esto mejora los niveles de satisfacci贸n, ya que los clientes pasan menos tiempo esperando y m谩s tiempo interactuando con los productos o servicios.
- Mayor eficacia: La implantaci贸n de la gesti贸n de colas permite a las empresas asignar recursos de forma m谩s eficaz. Analizando los datos de las colas y optimizando el despliegue de personal, las empresas pueden agilizar las operaciones, reducir costes y mejorar la productividad general.
Aplicaciones en el mundo real
Log铆stica | Venta al por menor |
---|---|
Gesti贸n de colas en las taquillas del aeropuerto Utilizaci贸n Ultralytics YOLO11 | Control de colas en aglomeraciones Ultralytics YOLO11 |
Gesti贸n de colas mediante YOLO11 Ejemplo
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))
# Video writer
video_writer = cv2.VideoWriter("queue_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
# Define queue region points
queue_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)] # Define queue region points
# queue_region = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)] # Define queue polygon points
# Init Queue Manager
queue = solutions.QueueManager(
show=True, # Display the output
model="yolo11n.pt", # Path to the YOLO11 model file
region=queue_region, # Pass queue region points
# classes=[0, 2], # If you want to count specific classes i.e person and car with COCO pretrained model.
# line_width=2, # Adjust the line width for bounding boxes and text display
)
# Process video
while cap.isOpened():
success, im0 = cap.read()
if success:
out = queue.process_queue(im0)
video_writer.write(im0)
if cv2.waitKey(1) & 0xFF == ord("q"):
break
continue
print("Video frame is empty or video processing has been successfully completed.")
break
cap.release()
cv2.destroyAllWindows()
Argumentos QueueManager
Nombre | Tipo | Por defecto | Descripci贸n |
---|---|---|---|
model |
str |
None |
Ruta de acceso al archivo del modelo Ultralytics YOLO |
region |
list |
[(20, 400), (1260, 400)] |
Lista de puntos que definen la regi贸n de cola. |
line_width |
int |
2 |
Grosor de l铆nea de los cuadros delimitadores. |
show |
bool |
False |
Indicador para controlar si se muestra el flujo de v铆deo. |
Argumentos model.track
Argumento | Tipo | Por defecto | Descripci贸n |
---|---|---|---|
source |
str |
None |
Especifica el directorio de origen de las im谩genes o v铆deos. Admite rutas de archivo y URL. |
persist |
bool |
False |
Permite el seguimiento persistente de objetos entre fotogramas, manteniendo los ID en todas las secuencias de v铆deo. |
tracker |
str |
botsort.yaml |
Especifica el algoritmo de seguimiento a utilizar, por ejemplo, bytetrack.yaml o botsort.yaml . |
conf |
float |
0.3 |
Establece el umbral de confianza para las detecciones; los valores m谩s bajos permiten rastrear m谩s objetos pero pueden incluir falsos positivos. |
iou |
float |
0.5 |
Establece el umbral de intersecci贸n sobre uni贸n (IoU) para filtrar las detecciones solapadas. |
classes |
list |
None |
Filtra los resultados por 铆ndice de clase. Por ejemplo, classes=[0, 2, 3] s贸lo rastrea las clases especificadas. |
verbose |
bool |
True |
Controla la visualizaci贸n de los resultados del rastreo, proporcionando una salida visual de los objetos rastreados. |
PREGUNTAS FRECUENTES
驴C贸mo puedo utilizar Ultralytics YOLO11 para la gesti贸n de colas en tiempo real?
Para utilizar Ultralytics YOLO11 para la gesti贸n de colas en tiempo real, puede seguir estos pasos:
- Cargue el modelo YOLO11 con
YOLO("yolo11n.pt")
. - Captura la se帽al de v铆deo con
cv2.VideoCapture
. - Defina la regi贸n de inter茅s (ROI) para la gesti贸n de colas.
- Procesar tramas para detectar objetos y gestionar colas.
He aqu铆 un ejemplo m铆nimo:
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
queue_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
queue = solutions.QueueManager(
model="yolo11n.pt",
region=queue_region,
line_width=3,
)
while cap.isOpened():
success, im0 = cap.read()
if success:
out = queue.process_queue(im0)
cv2.imshow("Queue Management", im0)
if cv2.waitKey(1) & 0xFF == ord("q"):
break
cap.release()
cv2.destroyAllWindows()
Aprovechar Ultralytics HUB puede agilizar este proceso proporcionando una plataforma f谩cil de usar para desplegar y gestionar su soluci贸n de gesti贸n de colas.
驴Cu谩les son las principales ventajas de utilizar Ultralytics YOLO11 para la gesti贸n de colas?
El uso de Ultralytics YOLO11 para la gesti贸n de colas ofrece varias ventajas:
- Ca铆da en picado de los tiempos de espera: Organiza eficazmente las colas, reduciendo el tiempo de espera de los clientes y aumentando su satisfacci贸n.
- Mejora de la eficiencia: Analiza los datos de las colas para optimizar el despliegue de personal y las operaciones, reduciendo as铆 los costes.
- Alertas en tiempo real: Proporciona notificaciones en tiempo real para colas largas, lo que permite una intervenci贸n r谩pida.
- Escalabilidad: F谩cilmente escalable en diferentes entornos como comercios, aeropuertos y sanidad.
Para m谩s detalles, explore nuestras soluciones de gesti贸n de colas.
驴Por qu茅 deber铆a elegir Ultralytics YOLO11 en lugar de competidores como TensorFlow o Detectron2 para la gesti贸n de colas?
Ultralytics YOLO11 tiene varias ventajas sobre TensorFlow y Detectron2 para la gesti贸n de colas:
- Rendimiento en tiempo real: YOLO11 es conocido por su capacidad de detecci贸n en tiempo real, que ofrece una mayor velocidad de procesamiento.
- Facilidad de uso: Ultralytics ofrece una experiencia de uso sencilla, desde la formaci贸n hasta la implantaci贸n, a trav茅s de Ultralytics HUB.
- Modelos preentrenados: Acceso a una gama de modelos preentrenados, lo que minimiza el tiempo necesario para la configuraci贸n.
- Apoyo de la comunidad: La amplia documentaci贸n y el apoyo activo de la comunidad facilitan la resoluci贸n de problemas.
Aprenda a empezar con Ultralytics YOLO.
驴Puede Ultralytics YOLO11 gestionar varios tipos de colas, como en aeropuertos y comercios?
S铆, Ultralytics YOLO11 puede gestionar varios tipos de colas, incluidas las de aeropuertos y entornos comerciales. Configurando el QueueManager con regiones y ajustes espec铆ficos, YOLO11 puede adaptarse a diferentes disposiciones y densidades de colas.
Ejemplo para los aeropuertos:
queue_region_airport = [(50, 600), (1200, 600), (1200, 550), (50, 550)]
queue_airport = solutions.QueueManager(
model="yolo11n.pt",
region=queue_region_airport,
line_width=3,
)
Para m谩s informaci贸n sobre diversas aplicaciones, consulte nuestra secci贸n Aplicaciones en el mundo real.
驴Cu谩les son algunas aplicaciones reales de Ultralytics YOLO11 en la gesti贸n de colas?
Ultralytics YOLO11 se utiliza en diversas aplicaciones del mundo real para la gesti贸n de colas:
- Comercio minorista: Supervisa las l铆neas de caja para reducir los tiempos de espera y mejorar la satisfacci贸n del cliente.
- Aeropuertos: Gestiona las colas en los mostradores de venta de billetes y los controles de seguridad para facilitar la experiencia de los pasajeros.
- Sanidad: Optimiza el flujo de pacientes en cl铆nicas y hospitales.
- Bancos: Mejora el servicio al cliente gestionando eficazmente las colas en los bancos.
Consulte nuestro blog sobre gesti贸n de colas en el mundo real para obtener m谩s informaci贸n.