Estimación de velocidad con 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 suele utilizar en aplicaciones de visión artificial. Ahora puedes calcular la velocidad de los objetos con Ultralytics YOLO26 mediante el seguimiento de objetos, junto con datos de distancia y tiempo, algo fundamental 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 distintas aplicaciones, por lo que es un componente clave para avanzar en los sistemas inteligentes y la toma de decisiones en tiempo real.
Ver: Estimación de velocidad con Ultralytics YOLO26
Para profundizar en la estimación de velocidad, echa un vistazo a 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: 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 autónomos, una estimación de velocidad fiable garantiza una navegación segura y precisa de los vehículos.
- Mayor seguridad en la vigilancia: La estimación de velocidad en el análisis de vigilancia ayuda a identificar comportamientos inusuales o posibles amenazas, lo que mejora la eficacia de las medidas de seguridad.
Aplicaciones reales#
| Transporte | Transporte |
|---|---|
 |  |
| Estimación de velocidad en carretera con Ultralytics YOLO26 | Estimación de velocidad en un 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 según las especificaciones de la cámara y otros factores relacionados.
Estima la velocidad con YOLO26#
La solución SpeedEstimator hace un seguimiento de cada objeto a lo largo de los fotogramas y convierte su desplazamiento en píxeles en una velocidad, usando 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 usa max_speed para limitar los valores atípicos de las trayectorias con ruido.
# 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 Ultralytics YOLO. |
fps | float | 30.0 | Fotogramas por segundo utilizados para los cálculos de velocidad. |
max_hist | int | 5 | Número máximo de puntos históricos que se registran 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 | Velocidad máxima en km/h; las velocidades estimadas superiores se limitan a este valor. |
line_width | int | 2 | Grosor de línea de los cuadros, puntos clave y recuentos que dibuja la solución. |
verbose | bool | True | Activa el registro por fotograma de la forma de entrada, los recuentos por clase y la velocidad de procesamiento de la solución. La llamada de seguimiento en sí siempre es silenciosa. |
La solución SpeedEstimator permite usar los parámetros track:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Especifica el algoritmo de seguimiento que se va a usar. Opciones integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Establece el umbral de confianza de 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 solapadas. |
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 (p. ej., cpu, cuda:0 o 0). Permite elegir entre CPU, una GPU concreta u otros dispositivos de cálculo para ejecutar el modelo. |
imgsz | int or tuple | 640 | Tamaño de imagen de destino para la inferencia: un entero para una imagen cuadrada o una pareja (height, width). Las dimensiones se ajustan al stride del modelo. |
max_det | int | 300 | Número máximo de detecciones que se conservan 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/unset (FP32) para los modelos PyTorch y TorchScript fuera de CPU; los demás formatos usan la precisión que seleccionen el artefacto y el entorno de ejecución. Sustituye al argumento obsoleto half. |
Además, se admiten las siguientes opciones de visualización:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
show | bool | False | Si True, muestra las imágenes o los vídeos anotados en una ventana. Es útil para obtener información visual inmediata durante el desarrollo o las pruebas. |
show_labels | bool | True | Muestra etiquetas para cada detección en la salida visual. Facilita la identificación 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 a lo largo de los fotogramas y convierte la distancia recorrida entre fotogramas en una velocidad, usando la frecuencia de fotogramas y la escala de
meter_per_pixel. El ejemplo de Python anterior ejecuta todo este flujo de trabajo: pasa tu vídeo y ajustameter_per_pixela tu cámara. Para obtener más información, consulta nuestra entrada oficial del blog.El uso de 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 YOLO26 para detectar objetos en tiempo real y 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 ver 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 permite exportar modelos YOLO26 a distintos 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 ofrece estimaciones fiables, puede que no sean totalmente precisas 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.