Estimación de velocidad usando Ultralytics YOLO11 🚀
¿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 dado, que a menudo se emplea en aplicaciones de visión artificial. Usando Ultralytics YOLO11 ahora puede calcular la velocidad de los objetos usando el seguimiento de objetos junto con los datos de distancia y tiempo, crucial para tareas como el monitoreo del tráfico y la vigilancia. La precisión de la estimación de velocidad influye directamente en la eficiencia y la fiabilidad de varias aplicaciones, lo que la convierte en un componente clave en el avance de los sistemas inteligentes y los procesos de toma de decisiones en tiempo real.
Ver: Estimación de velocidad usando Ultralytics YOLO11
Visite nuestro blog
Para obtener información más detallada sobre la estimación de la velocidad, consulta nuestra entrada de blog: Ultralytics YOLO11 para la estimación de la velocidad en proyectos de visión artificial
Ventajas de la Estimación de Velocidad
- Control de tráfico eficiente: La estimación precisa de la velocidad ayuda a gestionar el flujo de tráfico, mejorando la seguridad y reduciendo la congestión en las carreteras.
- Navegación autónoma precisa: En sistemas autónomos como los coches autónomos, una estimación fiable de la velocidad garantiza una navegación segura y precisa del vehículo.
- Seguridad de vigilancia mejorada: La estimación de la velocidad en el análisis de vigilancia ayuda a identificar comportamientos inusuales o amenazas potenciales, lo que mejora la eficacia de las medidas de seguridad.
Aplicaciones en el mundo real
Transporte | Transporte |
---|---|
![]() |
![]() |
Estimación de velocidad en carretera usando Ultralytics YOLO11 | Estimación de velocidad en puente usando Ultralytics YOLO11 |
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 los factores relacionados.
Estimación de la velocidad utilizando Ultralytics YOLO
# 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=0.05
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
# Video writer
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_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
# Initialize speed estimation object
speedestimator = solutions.SpeedEstimator(
show=True, # display the output
model="yolo11n.pt", # path to the YOLO11 model file.
fps=fps, # adjust speed based on frame per second
# max_speed=120, # cap speed to a max value (km/h) to avoid outliers
# max_hist=5, # minimum frames object tracked before computing speed
# meter_per_pixel=0.05, # highly depends on the camera configuration
# classes=[0, 2], # estimate speed of specific classes.
# line_width=2, # adjust the line width for bounding boxes
)
# Process video
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or processing is complete.")
break
results = speedestimator(im0)
# print(results) # access the output
video_writer.write(results.plot_im) # write the processed frame.
cap.release()
video_writer.release()
cv2.destroyAllWindows() # destroy all opened windows
SpeedEstimator
Argumentos
Aquí tiene una tabla con el SpeedEstimator
argumentos:
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 |
Puntos históricos máximos para rastrear por objeto para cálculos de velocidad/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 de velocidad máximo en superposiciones visuales (utilizado en alertas). |
El SpeedEstimator
la solución permite el uso de track
parámetros:
Argumento | Tipo | Predeterminado | Descripción |
---|---|---|---|
tracker |
str |
'botsort.yaml' |
Especifica el algoritmo de seguimiento a utilizar, p. ej., bytetrack.yaml o botsort.yaml . |
conf |
float |
0.3 |
Establece el umbral de confianza para las detecciones; los valores más bajos permiten rastrear más objetos, pero pueden incluir falsos positivos. |
iou |
float |
0.5 |
Establece el umbral de Intersección sobre Unión (IoU) para filtrar detecciones superpuestas. |
classes |
list |
None |
Filtra los resultados por índice de clase. Por ejemplo, classes=[0, 2, 3] solo rastrea las clases especificadas. |
verbose |
bool |
True |
Controla la visualización de los resultados del seguimiento, proporcionando una salida visual de los objetos rastreados. |
device |
str |
None |
Especifica el dispositivo para la inferencia (p. ej., cpu , cuda:0 o 0 ). Permite a los usuarios seleccionar entre CPU, una GPU específica u otros dispositivos de cálculo para la ejecución del modelo. |
Adicionalmente, 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. Útil para obtener información visual inmediata durante el desarrollo o las pruebas. |
line_width |
None or int |
None |
Especifica el ancho de línea de los cuadros delimitadores. Si None , el ancho de línea se ajusta automáticamente en función del tamaño de la imagen. Proporciona personalización visual para mayor claridad. |
show_conf |
bool |
True |
Muestra la puntuación de confianza para cada detección junto con la etiqueta. Ofrece información sobre la certeza del modelo para cada detección. |
show_labels |
bool |
True |
Muestra etiquetas para cada detección en la salida visual. Proporciona una comprensión inmediata de los objetos detectados. |
Preguntas frecuentes
¿Cómo estimo la velocidad de un objeto usando Ultralytics YOLO11?
Estimar la velocidad de un objeto con Ultralytics YOLO11 implica combinar técnicas de detección de objetos y seguimiento. Primero, debe detectar los objetos en cada fotograma utilizando el modelo YOLO11. Luego, rastree estos objetos a través de los fotogramas para calcular su movimiento a lo largo del tiempo. Finalmente, utilice la distancia recorrida por el objeto entre fotogramas y la velocidad de fotogramas para estimar su velocidad.
Ejemplo:
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.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
speedestimator = solutions.SpeedEstimator(
model="yolo11n.pt",
show=True,
)
while cap.isOpened():
success, im0 = cap.read()
if not success:
break
results = speedestimator(im0)
video_writer.write(results.plot_im)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
Para obtener más detalles, consulta nuestra publicación oficial en el blog.
¿Cuáles son los beneficios de usar Ultralytics YOLO11 para la estimación de velocidad en la gestión del tráfico?
El uso de Ultralytics YOLO11 para la estimación de la velocidad ofrece ventajas significativas en la gestión del tráfico:
- Seguridad mejorada: Estime con precisión la velocidad de los vehículos para detectar excesos de velocidad y mejorar la seguridad vial.
- Monitorización en tiempo real: Benefíciese de la capacidad de detección de objetos en tiempo real de YOLO11 para supervisar el flujo de tráfico y la congestión de forma eficaz.
- Escalabilidad: Implemente el modelo en diversas configuraciones de hardware, desde dispositivos periféricos hasta servidores, lo que garantiza soluciones flexibles y escalables para implementaciones a gran escala.
Para más aplicaciones, consulta las ventajas de la estimación de velocidad.
¿Se puede integrar YOLO11 con otros marcos de IA como TensorFlow o PyTorch?
Sí, YOLO11 se puede integrar con otros frameworks de IA como TensorFlow y PyTorch. Ultralytics proporciona soporte para la exportación de modelos YOLO11 a varios formatos como ONNX, TensorRT y CoreML, garantizando una interoperabilidad fluida con otros frameworks de ML.
Para exportar un modelo YOLO11 al formato ONNX:
yolo export model=yolo11n.pt format=onnx
Obtenga más información sobre la exportación de modelos en nuestra guía sobre la exportación.
¿Qué precisión tiene la estimación de velocidad utilizando Ultralytics YOLO11?
La precisión de la estimación de velocidad utilizando Ultralytics YOLO11 depende de varios factores, incluyendo la calidad del seguimiento de objetos, la resolución y la velocidad de fotogramas del video, y las variables ambientales. Si bien el estimador de velocidad proporciona estimaciones confiables, puede no ser 100% preciso debido a las variaciones en la velocidad de procesamiento de fotogramas y la oclusión de objetos.
Nota: Siempre considere el margen de error y valide las estimaciones con datos reales cuando sea posible.
Para obtener más consejos sobre cómo mejorar la precisión, consulta el Argumentos SpeedEstimator
sección.