Estimación de la velocidad mediante Ultralytics YOLOv8 🚀

¿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 YOLOv8 ahora puedes calcular la velocidad de un objeto utilizando el seguimiento del objeto junto con los 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, por lo que es un componente clave en el avance de los sistemas inteligentes y los procesos de toma de decisiones en tiempo real.

Observa: Estimación de la velocidad mediante Ultralytics YOLOv8

¿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 YOLOv8	Estimación de la velocidad en un puente mediante Ultralytics YOLOv8

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
names = model.model.names

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_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

line_pts = [(0, 360), (1280, 360)]

# Init speed-estimation obj
speed_obj = solutions.SpeedEstimator(
    reg_pts=line_pts,
    names=names,
    view_img=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    tracks = model.track(im0, persist=True)

    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

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

Argumentos SpeedEstimator

Argumentos model.track

PREGUNTAS FRECUENTES

¿Cómo puedo estimar la velocidad de un objeto utilizando Ultralytics YOLOv8 ?

Estimar la velocidad de un objeto con Ultralytics YOLOv8 implica combinar técnicas de detección y seguimiento de objetos. En primer lugar, tienes que detectar objetos en cada fotograma utilizando el modelo YOLOv8 . Después, rastrea 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.

Ejemplo:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
names = model.model.names

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(
    reg_pts=[(0, 360), (1280, 360)],
    names=names,
    view_img=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

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

Para más detalles, consulta la entrada oficial de nuestro blog.

¿Cuáles son las ventajas de utilizar Ultralytics YOLOv8 para estimar la velocidad en la gestión del tráfico?

Utilizar Ultralytics YOLOv8 para estimar la velocidad ofrece importantes ventajas en la gestión del tráfico:

• Seguridad mejorada: Estima con precisión la velocidad de los vehículos para detectar el exceso de velocidad y mejorar la seguridad vial.
• Supervisión en tiempo real: Benefíciate de la capacidad de detección de objetos en tiempo real de YOLOv8 para controlar eficazmente el flujo y la congestión del tráfico.
• Escalabilidad: Despliega el modelo en varias configuraciones de hardware, desde dispositivos de borde a servidores, garantizando soluciones flexibles y escalables para implementaciones a gran escala.

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

¿Puede integrarse YOLOv8 con otros marcos de IA como TensorFlow o PyTorch?

Sí, YOLOv8 puede integrarse con otros marcos de IA como TensorFlow y PyTorch. Ultralytics proporciona soporte para exportar modelos de YOLOv8 a varios formatos como ONNX, TensorRT y CoreML, garantizando una interoperabilidad sin problemas con otros marcos de ML.

Para exportar un modelo de YOLOv8 al formato ONNX :

yolo export --weights yolov8n.pt --include onnx

Obtén más información sobre la exportación de modelos en nuestra guía sobre exportación.

¿Cuál es la precisión de la estimación de la velocidad utilizando Ultralytics YOLOv8 ?

La precisión de la estimación de la velocidad mediante Ultralytics YOLOv8 depende de varios factores, como la calidad del seguimiento del objeto, la resolución y la velocidad 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: Ten siempre en cuenta el margen de error y valida las estimaciones con datos reales sobre el terreno cuando sea posible.

Para obtener más consejos de mejora de la precisión, consulta Argumentos SpeedEstimator sección.

¿Por qué elegir Ultralytics YOLOv8 en lugar de otros modelos de detección de objetos como TensorFlow API de Detección de Objetos?

Ultralytics YOLOv8 ofrece varias ventajas sobre otros modelos de detección de objetos, como la API de detección de objetos TensorFlow :

• Rendimiento en tiempo real: YOLOv8 está optimizado para la detección en tiempo real, proporcionando alta velocidad y precisión.
• Facilidad de uso: Diseñado con una interfaz fácil de usar, YOLOv8 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: YOLOv8 está respaldado por 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 YOLOv8, explora nuestra página de modelos detallados.

📅 Created 8 months ago ✏️ Updated 2 days ago

Comentarios