Estimación de velocidad con Ultralytics YOLO26 🚀#
¿Qué es la estimación de velocidad?#
La estimación de velocidad es el proceso de calcular la tasa de movimiento de un objeto dentro de un contexto determinado, empleado a menudo en aplicaciones de visión por ordenador. Utilizando Ultralytics YOLO26, ahora puedes calcular la velocidad de los objetos mediante el seguimiento de objetos junto con datos de distancia y tiempo, lo cual es crucial para tareas como la monitorización del tráfico y la vigilancia. La precisión de la estimación de velocidad influye directamente en la eficiencia y fiabilidad de diversas aplicaciones, convirtiéndola en un componente clave en el avance de los sistemas inteligentes y los procesos de toma de decisiones en tiempo real.
Watch: Speed Estimation using Ultralytics YOLO26
Para obtener información más detallada sobre la estimación de velocidad, consulta nuestra entrada de blog: Ultralytics YOLO for Speed Estimation in Computer Vision Projects
Ventajas de la estimación de velocidad#
- Control de tráfico eficiente: La estimación precisa de la velocidad ayuda a gestionar el flujo del tráfico, mejorando la seguridad y reduciendo la congestión en las carreteras.
- Navegación autónoma precisa: En sistemas autónomos como coches autónomos, una estimación de velocidad fiable garantiza una navegación segura y precisa del vehículo.
- Seguridad de vigilancia mejorada: La estimación de velocidad en analíticas de vigilancia ayuda a identificar comportamientos inusuales o posibles amenazas, mejorando la efectividad de las medidas de seguridad.
Aplicaciones en el mundo real#
| Transporte | Transporte |
|---|---|
 |  |
| Estimación de velocidad en carretera usando Ultralytics YOLO26 | Estimación de velocidad en puente usando Ultralytics YOLO26 |
La velocidad es una estimación
La velocidad será una estimación y puede no ser completamente precisa. Además, la estimación puede variar según las especificaciones de la cámara y factores relacionados.
Estima la velocidad con YOLO26#
La solución SpeedEstimator rastrea cada objeto a través de los fotogramas y convierte su desplazamiento en píxeles en una velocidad utilizando la frecuencia de fotogramas del vídeo (fps) y una escala del mundo real (meter_per_pixel). Ajusta meter_per_pixel a la configuración de tu cámara y utiliza max_speed para eliminar valores atípicos de rastros ruidosos.
# Run a speed example
yolo solutions speed show=True
# Pass a source video
yolo solutions speed source="path/to/video.mp4"
# Adjust meter per pixel value based on camera configuration
yolo solutions speed meter_per_pixel=0.05Argumentos de SpeedEstimator#
Aquí tienes una tabla con los argumentos de SpeedEstimator:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
model | str | None | Ruta a un archivo de modelo YOLO de Ultralytics. |
fps | float | 30.0 | Fotogramas por segundo utilizados para los cálculos de velocidad. |
max_hist | int | 5 | Máximos puntos históricos a rastrear por objeto para los cálculos de velocidad/dirección. |
meter_per_pixel | float | 0.05 | Factor de escala utilizado para convertir la distancia de píxeles a unidades del mundo real. |
max_speed | int | 120 | Límite máximo de velocidad en superposiciones visuales (utilizado en alertas). |
La solución SpeedEstimator permite el uso de los parámetros de track:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Especifica el algoritmo de seguimiento que se va a utilizar. Opciones integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.1 | Establece el umbral de confianza para las detecciones; valores más bajos permiten el seguimiento de más objetos, pero pueden incluir falsos positivos. |
iou | float | 0.7 | Establece el umbral de Intersection over Union (IoU) para filtrar detecciones superpuestas. |
classes | list | None | Filtra los resultados por índice de clase. Por ejemplo, classes=[0, 2, 3] solo realiza el seguimiento de las clases especificadas. |
verbose | bool | True | Controla la visualización de los resultados de seguimiento, proporcionando una salida visual de los objetos rastreados. |
device | str | None | Especifica el dispositivo para la inferencia (por ejemplo, cpu, cuda:0 o 0). Permite a los usuarios seleccionar entre CPU, una GPU específica u otros dispositivos de computación para la ejecución del modelo. |
Además, se admiten las siguientes opciones de visualización:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
show | bool | False | Si es True, muestra las imágenes o vídeos anotados en una ventana. Es útil para obtener retroalimentación visual inmediata durante el desarrollo o las pruebas. |
line_width | int or None | None | Especifica el grosor de línea de los cuadros delimitadores. Si es None, el grosor de la línea se ajusta automáticamente según el tamaño de la imagen. Proporciona una personalización visual para mayor claridad. |
show_conf | bool | True | Muestra la puntuación de confianza para cada detección junto a la etiqueta. Proporciona información sobre la certeza del modelo para cada detección. |
show_labels | bool | True | Muestra las etiquetas para cada detección en la salida visual. Proporciona una comprensión inmediata de los objetos detectados. |
FAQ#
La estimación de la velocidad de los objetos con Ultralytics YOLO26 combina la detección de objetos y el seguimiento. El modelo detecta objetos en cada fotograma, los rastrea entre fotogramas y convierte la distancia recorrida entre fotogramas en velocidad utilizando la frecuencia de fotogramas y la escala de
meter_per_pixel. El ejemplo de Python anterior ejecuta este flujo completo: pasa tu vídeo y ajustameter_per_pixela tu cámara. Para obtener más antecedentes, consulta nuestra entrada de blog oficial.Usar Ultralytics YOLO26 para la estimación de velocidad ofrece ventajas significativas en la gestión de tráfico:
- Seguridad mejorada: Estima con precisión la velocidad de los vehículos para detectar excesos de velocidad y mejorar la seguridad vial.
- Monitoreo en tiempo real: Benefíciate de la capacidad de detección de objetos en tiempo real de YOLO26 para monitorear el flujo de tráfico y la congestión de manera efectiva.
- Escalabilidad: Despliega el modelo en varias configuraciones de hardware, desde dispositivos de borde hasta servidores, garantizando soluciones flexibles y escalables para implementaciones a gran escala.
Para más aplicaciones, consulta las ventajas de la estimación de velocidad.
Sí, YOLO26 se puede integrar con otros frameworks de IA como TensorFlow y PyTorch. Ultralytics ofrece soporte para exportar modelos de YOLO26 a varios formatos como ONNX, TensorRT y CoreML, garantizando una interoperabilidad fluida con otros frameworks de ML.
Para exportar un modelo YOLO26 al formato ONNX:
yolo export model=yolo26n.pt format=onnxObtén más información sobre la exportación de modelos en nuestra guía de exportación.
La precisión de la estimación de velocidad utilizando Ultralytics YOLO26 depende de varios factores, incluida la calidad del seguimiento de objetos, la resolución y la frecuencia de fotogramas del vídeo, y las variables ambientales. Aunque el estimador de velocidad proporciona estimaciones fiables, es posible que no tenga una precisión del 100 % debido a las variaciones en la velocidad de procesamiento de fotogramas y a la oclusión de objetos.
Nota: Considera siempre el margen de error y valida las estimaciones con datos reales (ground truth) cuando sea posible.
Para obtener más consejos sobre cómo mejorar la precisión, consulta la sección de Argumentos de
SpeedEstimator.