VisionEye View Object Mapping utilizando Ultralytics YOLO11 🚀

¿Qué es la cartografía de objetos VisionEye?

Ultralytics YOLO11 VisionEye ofrece a los ordenadores la capacidad de identificar y señalar objetos, simulando la precisión de observación del ojo humano. Esta funcionalidad permite a los ordenadores discernir y centrarse en objetos específicos, de forma muy parecida a como el ojo humano observa los detalles desde un punto de vista concreto.

Muestras

Vista VisionEye	VisionEye Vista con seguimiento de objetos	VisionEye Vista con cálculo de distancia

VisionEye Ver Mapeo de objetos mediante Ultralytics YOLO11	VisionEye View Mapeo de objetos con seguimiento de objetos mediante Ultralytics YOLO11	Vista VisionEye con cálculo de distancias mediante Ultralytics YOLO11

Cartografía de objetos VisionEye mediante YOLO11

Mapeo de objetos VisionEyeMapeado de objetos VisionEye con seguimiento de objetosVisionEye con cálculo de distancias

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n.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))

out = cv2.VideoWriter("visioneye-pinpoint.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

center_point = (-10, h)

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

    results = model.predict(im0)
    boxes = results[0].boxes.xyxy.cpu()
    clss = results[0].boxes.cls.cpu().tolist()

    annotator = Annotator(im0, line_width=2)

    for box, cls in zip(boxes, clss):
        annotator.box_label(box, label=names[int(cls)], color=colors(int(cls)))
        annotator.visioneye(box, center_point)

    out.write(im0)
    cv2.imshow("visioneye-pinpoint", im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n.pt")
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))

out = cv2.VideoWriter("visioneye-pinpoint.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

center_point = (-10, h)

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

    annotator = Annotator(im0, line_width=2)

    results = model.track(im0, persist=True)
    boxes = results[0].boxes.xyxy.cpu()

    if results[0].boxes.id is not None:
        track_ids = results[0].boxes.id.int().cpu().tolist()

        for box, track_id in zip(boxes, track_ids):
            annotator.box_label(box, label=str(track_id), color=colors(int(track_id)))
            annotator.visioneye(box, center_point)

    out.write(im0)
    cv2.imshow("visioneye-pinpoint", im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

import math

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator

model = YOLO("yolo11n.pt")
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))

out = cv2.VideoWriter("visioneye-distance-calculation.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

center_point = (0, h)
pixel_per_meter = 10

txt_color, txt_background, bbox_clr = ((0, 0, 0), (255, 255, 255), (255, 0, 255))

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

    annotator = Annotator(im0, line_width=2)

    results = model.track(im0, persist=True)
    boxes = results[0].boxes.xyxy.cpu()

    if results[0].boxes.id is not None:
        track_ids = results[0].boxes.id.int().cpu().tolist()

        for box, track_id in zip(boxes, track_ids):
            annotator.box_label(box, label=str(track_id), color=bbox_clr)
            annotator.visioneye(box, center_point)

            x1, y1 = int((box[0] + box[2]) // 2), int((box[1] + box[3]) // 2)  # Bounding box centroid

            distance = (math.sqrt((x1 - center_point[0]) ** 2 + (y1 - center_point[1]) ** 2)) / pixel_per_meter

            text_size, _ = cv2.getTextSize(f"Distance: {distance:.2f} m", cv2.FONT_HERSHEY_SIMPLEX, 1.2, 3)
            cv2.rectangle(im0, (x1, y1 - text_size[1] - 10), (x1 + text_size[0] + 10, y1), txt_background, -1)
            cv2.putText(im0, f"Distance: {distance:.2f} m", (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 1.2, txt_color, 3)

    out.write(im0)
    cv2.imshow("visioneye-distance-calculation", im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

`visioneye` Argumentos

Nombre	Tipo	Por defecto	Descripción
`color`	`tuple`	`(235, 219, 11)`	Color de la línea y del centroide del objeto
`pin_color`	`tuple`	`(255, 0, 255)`	Color preciso VisionEye

Nota

Para cualquier consulta, no dude en publicar sus preguntas en la sección de problemas deUltralytics o en la sección de debate mencionada a continuación.

PREGUNTAS FRECUENTES

¿Cómo empiezo a utilizar VisionEye Object Mapping con Ultralytics YOLO11 ?

Para empezar a utilizar VisionEye Object Mapping con Ultralytics YOLO11 , en primer lugar, deberá instalar el paquete Ultralytics YOLO mediante pip. A continuación, puede utilizar el código de ejemplo proporcionado en la documentación para configurar la detección de objetos con VisionEye. He aquí un ejemplo sencillo para empezar:

import cv2

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model.predict(frame)
    for result in results:
        # Perform custom logic with result
        pass

    cv2.imshow("visioneye", frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

¿Cuáles son las principales características de la capacidad de seguimiento de objetos de VisionEye mediante Ultralytics YOLO11 ?

El seguimiento de objetos de VisionEye con Ultralytics YOLO11 permite a los usuarios seguir el movimiento de objetos dentro de un fotograma de vídeo. Entre sus principales características se incluyen:

Seguimiento de objetos en tiempo real: Sigue el movimiento de los objetos.
Identificación de objetos: Utiliza los potentes algoritmos de detección de YOLO11.
Cálculo de distancias: Calcula distancias entre objetos y puntos especificados.
Anotación y visualización: Proporciona marcadores visuales para los objetos rastreados.

He aquí un breve fragmento de código que demuestra el seguimiento con VisionEye:

import cv2

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model.track(frame, persist=True)
    for result in results:
        # Annotate and visualize tracking
        pass

    cv2.imshow("visioneye-tracking", frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Para obtener una guía completa, visite VisionEye Object Mapping with Object Tracking.

¿Cómo puedo calcular distancias con el modelo YOLO11 de VisionEye?

El cálculo de distancias con VisionEye y Ultralytics YOLO11 consiste en determinar la distancia de los objetos detectados a partir de un punto específico del fotograma. Mejora las capacidades de análisis espacial, útiles en aplicaciones como la conducción autónoma y la vigilancia.

He aquí un ejemplo simplificado:

import math

import cv2

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
center_point = (0, 480)  # Example center point
pixel_per_meter = 10

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model.track(frame, persist=True)
    for result in results:
        # Calculate distance logic
        distances = [
            (math.sqrt((box[0] - center_point[0]) ** 2 + (box[1] - center_point[1]) ** 2)) / pixel_per_meter
            for box in results
        ]

    cv2.imshow("visioneye-distance", frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Para obtener instrucciones detalladas, consulte VisionEye con cálculo de distancia.

¿Por qué debería utilizar Ultralytics YOLO11 para el mapeo y seguimiento de objetos?

Ultralytics YOLO11 es famoso por su velocidad, precisión y facilidad de integración, lo que lo convierte en la mejor opción para el mapeo y seguimiento de objetos. Sus principales ventajas son:

Rendimiento de vanguardia: Ofrece una gran precisión en la detección de objetos en tiempo real.
Flexibilidad: Admite diversas tareas, como detección, seguimiento y cálculo de distancias.
Comunidad y soporte: Amplia documentación y comunidad GitHub activa para la resolución de problemas y mejoras.
Facilidad de uso: la intuitiva API simplifica las tareas complejas, lo que permite una rápida implantación e iteración.

Para más información sobre aplicaciones y ventajas, consulte la documentación deUltralytics YOLO11 .

¿Cómo puedo integrar VisionEye con otras herramientas de aprendizaje automático como Comet o ClearML?

Ultralytics YOLO11 puede integrarse perfectamente con varias herramientas de aprendizaje automático como Comet y ClearML, mejorando el seguimiento de experimentos, la colaboración y la reproducibilidad. Siga las guías detalladas sobre cómo utilizar YOLOv5 con Comet e integrar YOLO11 con ClearML para empezar.

Para más información y ejemplos de integración, consulte nuestra Guía de integracionesUltralytics .

Creado hace 11 meses ✏️ Actualizado hace 1 mes