Estimación de velocidad usando Ultralytics YOLO26#
¿Qué es la estimación de velocidad?#
La estimación de velocidad es el proceso de calcular la velocidad de movimiento de un objeto en un contexto determinado, y se utiliza a menudo en aplicaciones de visión artificial. Con Ultralytics YOLO26 ahora puedes calcular la velocidad de los objetos mediante el seguimiento de objetos, junto con datos de distancia y tiempo, algo crucial para tareas como la supervisión del tráfico y la vigilancia. La precisión de la estimación de velocidad influye directamente en la eficiencia y fiabilidad de diversas aplicaciones, por lo que es un componente clave para avanzar en 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 del blog: Ultralytics YOLO para la estimación de velocidad en proyectos de visión artificial
Ventajas de la estimación de velocidad#
- Control eficiente del tráfico: Una estimación precisa de la velocidad ayuda a gestionar el flujo de tráfico, mejorar la seguridad y reducir la congestión en las carreteras.
- Navegación autónoma precisa: En sistemas autónomos como los vehículos autónomos, una estimación fiable de la velocidad garantiza una navegación segura y precisa.
- Mayor seguridad en la vigilancia: La estimación de velocidad en los análisis de vigilancia ayuda a identificar comportamientos inusuales o posibles amenazas, lo que mejora la eficacia de las medidas de seguridad.
Aplicaciones en el mundo real#
| Transporte | Transporte |
|---|---|
 |  |
| Estimación de velocidad en carretera con Ultralytics YOLO26 | Estimación de velocidad en puente con Ultralytics YOLO26 |
La velocidad es una estimación
La velocidad será una estimación y puede no ser completamente precisa. Además, la estimación puede variar en función de las especificaciones de la cámara y otros factores relacionados.
Estima la velocidad con YOLO26#
La solución SpeedEstimator realiza el seguimiento de cada objeto entre 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 limitar los valores atípicos de las trayectorias ruidosas.
# 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 al archivo del modelo YOLO de Ultralytics. |
fps | float | 30.0 | Fotogramas por segundo utilizados para los cálculos de velocidad. |
max_hist | int | 5 | Número máximo de puntos históricos que se seguirán por objeto para calcular la velocidad y la dirección. |
meter_per_pixel | float | 0.05 | Factor de escala utilizado para convertir la distancia en píxeles a unidades del mundo real. |
max_speed | int | 120 | Límite máximo de velocidad en las superposiciones visuales (utilizado en las alertas). |
line_width | int | 2 | Grosor de línea de las cajas, los puntos clave y los recuentos que dibuja la solución. |
verbose | bool | True | Activa el registro por fotograma de la solución, que incluye la forma de entrada, los recuentos de clases y la velocidad de procesamiento. La llamada de seguimiento en sí siempre es silenciosa. |
La solución SpeedEstimator permite utilizar los parámetros de track:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Especifica el algoritmo de seguimiento que se utilizará. Opciones integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Establece el umbral de confianza para las detecciones; los valores más bajos permiten seguir más objetos, pero pueden incluir falsos positivos. |
iou | float | 0.7 | Establece el umbral de intersección sobre unión (IoU) para filtrar las detecciones superpuestas. |
classes | list | None | Filtra los resultados por índice de clase. Por ejemplo, classes=[0, 2, 3] solo sigue las clases especificadas. |
device | str | None | Especifica el dispositivo para la inferencia (por ejemplo, cpu, cuda:0 o 0). Permite seleccionar entre la CPU, una GPU específica u otros dispositivos de cálculo para ejecutar el modelo. |
imgsz | int or tuple | 640 | Tamaño de imagen de inferencia objetivo: un número entero para una imagen cuadrada o un par (height, width). Las formas se ajustan al paso del modelo. |
max_det | int | 300 | Número máximo de detecciones conservadas por fotograma antes del seguimiento, lo que limita los objetos que procesa una solución en escenas densas. |
quantize | int or str | None | Precisión de inferencia: 16 (FP16) o 32/sin definir (FP32) para los modelos de PyTorch y TorchScript; otros formatos calculan a la precisión que seleccionan su artefacto y su motor de ejecución. Sustituye al indicador obsoleto half. |
Además, se admiten las siguientes opciones de visualización:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
show | bool | False | Si True, muestra las imágenes o vídeos anotados en una ventana. Es útil para obtener información visual inmediata durante el desarrollo o las pruebas. |
show_conf | bool | True | Muestra la puntuación de confianza de cada detección junto a su etiqueta. Permite conocer el grado de certeza del modelo para cada detección. |
show_labels | bool | True | Muestra las etiquetas de cada detección en la salida visual. Proporciona una comprensión inmediata de los objetos detectados. |
Preguntas frecuentes#
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 sigue entre fotogramas y convierte la distancia recorrida entre fotogramas en una velocidad utilizando la frecuencia de fotogramas y la escala
meter_per_pixel. El ejemplo de Python anterior ejecuta toda esta canalización: proporciona tu vídeo y ajustameter_per_pixela tu cámara. Para obtener más información, consulta nuestra entrada oficial del blog.Utilizar Ultralytics YOLO26 para estimar la velocidad ofrece ventajas importantes en la gestión del tráfico:
- Mayor seguridad: Estima con precisión la velocidad de los vehículos para detectar excesos de velocidad y mejorar la seguridad vial.
- Supervisión en tiempo real: Aprovecha la capacidad de detección de objetos en tiempo real de YOLO26 para supervisar eficazmente el flujo de tráfico y la congestión.
- Escalabilidad: Implementa el modelo en distintas configuraciones de hardware, desde dispositivos periféricos hasta servidores, para garantizar soluciones flexibles y escalables en implementaciones a gran escala.
Para consultar más aplicaciones, visita las ventajas de la estimación de velocidad.
Sí, YOLO26 se puede integrar con otros frameworks de IA, como TensorFlow y PyTorch. Ultralytics ofrece compatibilidad para exportar modelos YOLO26 a varios formatos, como ONNX, TensorRT y CoreML, lo que garantiza 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 con Ultralytics YOLO26 depende de varios factores, como 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, puede no ser 100 % preciso debido a las variaciones en la velocidad de procesamiento de los fotogramas y a la oclusión de objetos.
Nota: Ten siempre en cuenta el margen de error y valida las estimaciones con datos de referencia cuando sea posible.
Para obtener más consejos sobre cómo mejorar la precisión, consulta la sección Argumentos
SpeedEstimator.