Estimación de la velocidad mediante Ultralytics YOLO11 🚀

¿Qué es la estimación de la velocidad?

La estimación de la velocidad es el proceso de cálculo de la velocidad de movimiento de un objeto dentro de un contexto determinado, a menudo empleado en aplicaciones de visión por ordenador. Con Ultralytics YOLO11 ahora es posible calcular la velocidad de un objeto utilizando el seguimiento de objetos junto con datos de distancia y tiempo, algo crucial para tareas como el tráfico y la vigilancia. La precisión de la estimación de la velocidad influye directamente en la eficacia y fiabilidad de diversas aplicaciones, lo que la convierte en un componente clave para el avance de los sistemas inteligentes y los procesos de toma de decisiones en tiempo real.

Observa: Estimación de la velocidad mediante Ultralytics YOLO11

¿Ventajas de la estimación de la velocidad?

• Control eficaz del tráfico: La 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 coches autoconducidos, una estimación fiable de la velocidad garantiza una navegación segura y precisa del vehículo.
• Seguridad de vigilancia mejorada: La estimación de la velocidad en los análisis de vigilancia ayuda a identificar comportamientos inusuales o amenazas potenciales, mejorando la eficacia de las medidas de seguridad.

Aplicaciones en el mundo real

Transporte	Transporte
Estimación de la velocidad en carretera mediante Ultralytics YOLO11	Estimación de la velocidad en puentes mediante Ultralytics YOLO11

# Run a speed example
yolo solutions speed show=True

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

# Pass region coordinates
yolo solutions speed 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))

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

# Define speed region points
speed_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)]

speed = solutions.SpeedEstimator(
    show=True,  # Display the output
    model="yolo11n-pose.pt",  # Path to the YOLO11 model file.
    region=speed_region,  # Pass region points
    # classes=[0, 2],  # If you want to estimate speed of specific classes.
    # 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 = speed.estimate_speed(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 SpeedEstimator

Argumentos model.track

PREGUNTAS FRECUENTES

¿Cómo puedo estimar la velocidad de un objeto utilizando Ultralytics YOLO11 ?

Estimar la velocidad de un objeto con Ultralytics YOLO11 implica combinar técnicas de detección y seguimiento de objetos. En primer lugar, es necesario detectar objetos en cada fotograma utilizando el modelo YOLO11 . A continuación, realizar un seguimiento de estos objetos a través de los fotogramas para calcular su movimiento en el tiempo. Por último, utiliza la distancia recorrida por el objeto entre fotogramas y la frecuencia de fotogramas para estimar su velocidad.

Por ejemplo:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
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("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize SpeedEstimator
speed_obj = solutions.SpeedEstimator(
    region=[(0, 360), (1280, 360)],
    model="yolo11n.pt",
    show=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = speed_obj.estimate_speed(im0)
    video_writer.write(im0)

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

Para más detalles, consulte nuestra entrada oficial en el blog.

¿Cuáles son las ventajas de utilizar Ultralytics YOLO11 para estimar la velocidad en la gestión del tráfico?

La utilización de Ultralytics YOLO11 para la estimación de la velocidad ofrece importantes ventajas en la gestión del tráfico:

• Mayor seguridad: Estime con precisión la velocidad de los vehículos para detectar el exceso de velocidad y mejorar la seguridad vial.
• Supervisión en tiempo real: Benefíciese de la capacidad de detección de objetos en tiempo real de YOLO11 para supervisar eficazmente el flujo de tráfico y los atascos.
• Escalabilidad: Despliegue el modelo en varias configuraciones de hardware, desde dispositivos periféricos hasta servidores, lo que garantiza soluciones flexibles y escalables para implementaciones a gran escala.

Para más aplicaciones, consulte las ventajas de la estimación de la velocidad.

¿Puede YOLO11 integrarse con otros marcos de IA como TensorFlow o PyTorch?

Sí, YOLO11 puede integrarse con otros marcos de IA como TensorFlow y PyTorch. Ultralytics proporciona soporte para exportar modelos YOLO11 a varios formatos como ONNX, TensorRT, y CoreML, asegurando una interoperabilidad fluida con otros marcos de ML.

Para exportar un modelo YOLO11 al formato ONNX :

yolo export --weights yolo11n.pt --include onnx

Más información sobre la exportación de modelos en nuestra guía sobre exportación.

¿Cuál es la precisión de la estimación de la velocidad mediante Ultralytics YOLO11 ?

La precisión de la estimación de la velocidad mediante Ultralytics YOLO11 depende de varios factores, como la calidad del seguimiento del objeto, la resolución y la frecuencia de fotogramas del vídeo y las variables ambientales. Aunque el estimador de velocidad proporciona estimaciones fiables, puede no ser preciso al 100% debido a las variaciones en la velocidad de procesamiento de fotogramas y a la oclusión de objetos.

Nota: tenga siempre en cuenta el margen de error y valide las estimaciones con datos reales sobre el terreno cuando sea posible.

Si desea más consejos para mejorar la precisión, consulte el Argumentos SpeedEstimator sección.

¿Por qué elegir Ultralytics YOLO11 en lugar de otros modelos de detección de objetos como TensorFlow Object Detection API?

Ultralytics YOLO11 ofrece varias ventajas sobre otros modelos de detección de objetos, como la API de detección de objetos TensorFlow :

• Rendimiento en tiempo real: YOLO11 está optimizado para la detección en tiempo real, lo que proporciona una gran velocidad y precisión.
• Facilidad de uso: Diseñado con una interfaz fácil de usar, YOLO11 simplifica la formación y la implantación de modelos.
• Versatilidad: Admite múltiples tareas, como la detección de objetos, la segmentación y la estimación de la pose.
• Comunidad y asistencia: YOLO11 cuenta con el respaldo de una comunidad activa y una amplia documentación, lo que garantiza que los desarrolladores dispongan de los recursos que necesitan.

Para más información sobre las ventajas de YOLO11, explore nuestra página de modelos detallados.

📅 Created 11 months ago ✏️ Updated 16 days ago

Comentarios