Queue Management using Ultralytics YOLO11 🚀

¿Qué es la Gestión de Colas?

Queue management using Ultralytics YOLO11 involves organizing and controlling lines of people or vehicles to reduce wait times and enhance efficiency. It's about optimizing queues to improve customer satisfaction and system performance in various settings like retail, banks, airports, and healthcare facilities.

Observa: How to Implement Queue Management with Ultralytics YOLO11 | Airport and Metro Station

¿Ventajas de la gestión de colas?

Tiempos de espera reducidos: Los sistemas de gestión de colas organizan eficazmente las colas, minimizando los tiempos de espera de los clientes. Esto mejora los niveles de satisfacción, ya que los clientes pasan menos tiempo esperando y más tiempo interactuando con los productos o servicios.
Mayor eficacia: La implantación de la gestión de colas permite a las empresas asignar recursos de forma más 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

Logística	Venta al por menor

Queue management at airport ticket counter Using Ultralytics YOLO11	Queue monitoring in crowd Ultralytics YOLO11

Queue Management using YOLO11 Example

Gestor de colasClases específicas del gestor de colas

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 = cv2.VideoWriter("queue_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

queue_region = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

queue = solutions.QueueManager(
    model="yolo11n.pt",
    region=queue_region,
)

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()

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 = cv2.VideoWriter("queue_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

queue_region = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

queue = solutions.QueueManager(
    model="yolo11n.pt",
    classes=3,
)

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	Descripción
`model`	`str`	`None`	Path to Ultralytics YOLO Model File
`region`	`list`	`[(20, 400), (1260, 400)]`	List of points defining the queue region.
`line_width`	`int`	`2`	Grosor de línea de los cuadros delimitadores.
`show`	`bool`	`False`	Bandera para controlar si se muestra el flujo de vídeo.

Argumentos `model.track`

Argumento	Tipo	Por defecto	Descripción
`source`	`str`	`None`	Specifies the source directory for images or videos. Supports file paths and URLs.
`persist`	`bool`	`False`	Enables persistent tracking of objects between frames, maintaining IDs across video sequences.
`tracker`	`str`	`botsort.yaml`	Specifies the tracking algorithm to use, e.g., `bytetrack.yaml` o `botsort.yaml`.
`conf`	`float`	`0.3`	Sets the confidence threshold for detections; lower values allow more objects to be tracked but may include false positives.
`iou`	`float`	`0.5`	Sets the Intersection over Union (IoU) threshold for filtering overlapping detections.
`classes`	`list`	`None`	Filters results by class index. For example, `classes=[0, 2, 3]` only tracks the specified classes.
`verbose`	`bool`	`True`	Controls the display of tracking results, providing a visual output of tracked objects.

PREGUNTAS FRECUENTES

How can I use Ultralytics YOLO11 for real-time queue management?

To use Ultralytics YOLO11 for real-time queue management, you can follow these steps:

Load the YOLO11 model with YOLO("yolo11n.pt").
Captura la señal de vídeo utilizando cv2.VideoCapture.
Define la región de interés (ROI) para la gestión de colas.
Procesa tramas para detectar objetos y gestionar colas.

He aquí un ejemplo mínimo:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
queue_region = [(20, 400), (1080, 404), (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 fácil de usar para desplegar y gestionar tu solución de gestión de colas.

What are the key advantages of using Ultralytics YOLO11 for queue management?

Using Ultralytics YOLO11 for queue management offers several benefits:

Tiempos de espera en picado: Organiza eficazmente las colas, reduciendo los tiempos de espera de los clientes y aumentando su satisfacción.
Mejora de la eficacia: Analiza los datos de las colas para optimizar el despliegue del personal y las operaciones, reduciendo así los costes.
Alertas en tiempo real: Proporciona notificaciones en tiempo real de las colas largas, permitiendo una intervención rápida.
Escalabilidad: Fácilmente escalable en distintos entornos como comercios, aeropuertos y sanidad.

Para más detalles, explora nuestras soluciones de Gestión de Colas.

Why should I choose Ultralytics YOLO11 over competitors like TensorFlow or Detectron2 for queue management?

Ultralytics YOLO11 has several advantages over TensorFlow and Detectron2 for queue management:

Real-time Performance: YOLO11 is known for its real-time detection capabilities, offering faster processing speeds.
Facilidad de uso: Ultralytics proporciona una experiencia fácil de usar, desde la formación hasta la implantación, a través de Ultralytics HUB.
Modelos preentrenados: Acceso a una gama de modelos preentrenados, minimizando el tiempo necesario para la configuración.
Apoyo de la comunidad: La amplia documentación y el apoyo activo de la comunidad facilitan la resolución de problemas.

Aprende a empezar con Ultralytics YOLO.

Can Ultralytics YOLO11 handle multiple types of queues, such as in airports and retail?

Yes, Ultralytics YOLO11 can manage various types of queues, including those in airports and retail environments. By configuring the QueueManager with specific regions and settings, YOLO11 can adapt to different queue layouts and densities.

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 más información sobre diversas aplicaciones, consulta nuestra sección Aplicaciones en el mundo real.

What are some real-world applications of Ultralytics YOLO11 in queue management?

Ultralytics YOLO11 is used in various real-world applications for queue management:

Venta al por menor: Supervisa las colas de las cajas para reducir los tiempos de espera y mejorar la satisfacción del cliente.
Aeropuertos: Gestiona las colas en los mostradores de venta de billetes y en los controles de seguridad para facilitar la experiencia de los pasajeros.
Sanidad: Optimiza el flujo de pacientes en clínicas y hospitales.
Bancos: Mejora el servicio al cliente gestionando eficazmente las colas en los bancos.

Consulta nuestro blog sobre gestión de colas en el mundo real para saber más.

📅 Created 6 months ago ✏️ Updated 1 day ago