VisionEye Ver Mapeo de objetos mediante Ultralytics YOLOv8 🚀

¿Qué es el mapeo de objetos VisionEye?

Ultralytics YOLOv8 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 concretos, 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 YOLOv8	VisionEye Ver Mapeo de objetos con seguimiento de objetos mediante Ultralytics YOLOv8	Vista VisionEye con cálculo de distancias mediante Ultralytics YOLOv8

Cartografía de objetos VisionEye mediante YOLOv8

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("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))

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("yolov8n.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("yolov8s.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 del centroide de la línea y del objeto
`pin_color`	`tuple`	`(255, 0, 255)`	Color preciso VisionEye

Nota

Para cualquier consulta, no dudes en publicar tus preguntas en la Sección de Cuestiones deUltralytics o en la sección de debate mencionada más abajo.

PREGUNTAS FRECUENTES

¿Cómo empiezo a utilizar la cartografía de objetos VisionEye con Ultralytics YOLOv8 ?

Para empezar a utilizar el mapeo de objetos de VisionEye con Ultralytics YOLOv8 , primero tendrás que instalar el paquete Ultralytics YOLO mediante pip. A continuación, puedes utilizar el código de ejemplo proporcionado en la documentación para configurar la detección de objetos con VisionEye. Aquí tienes un ejemplo sencillo para empezar:

import cv2

from ultralytics import YOLO

model = YOLO("yolov8n.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 YOLOv8 ?

El seguimiento de objetos de VisionEye con Ultralytics YOLOv8 permite a los usuarios seguir el movimiento de los objetos dentro de un fotograma de vídeo. Entre sus principales características se incluyen:

Seguimiento de objetos en tiempo real: Sigue a los objetos mientras se mueven.
Identificación de objetos: Utiliza los potentes algoritmos de detección de YOLOv8.
Cálculo de distancias: Calcula distancias entre objetos y puntos especificados.
Anotación y Visualización: Proporciona marcadores visuales para los objetos rastreados.

Aquí tienes un breve fragmento de código que demuestra el seguimiento con VisionEye:

import cv2

from ultralytics import YOLO

model = YOLO("yolov8n.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, visita el Mapa de objetos VisionEye con seguimiento de objetos.

¿Cómo puedo calcular distancias con el modelo YOLOv8 de VisionEye?

El cálculo de distancias con VisionEye y Ultralytics YOLOv8 consiste en determinar la distancia de los objetos detectados desde un punto concreto del fotograma. Mejora la capacidad de análisis espacial, útil en aplicaciones como la conducción autónoma y la vigilancia.

He aquí un ejemplo simplificado:

import math

import cv2

from ultralytics import YOLO

model = YOLO("yolov8s.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, consulta VisionEye con cálculo de distancia.

¿Por qué debería utilizar Ultralytics YOLOv8 para el mapeo y seguimiento de objetos?

Ultralytics YOLOv8 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 activa comunidad GitHub para la resolución de problemas y mejoras.
Facilidad de uso: La API intuitiva simplifica las tareas complejas, permitiendo una rápida implantación e iteración.

Para más información sobre solicitudes y prestaciones, consulta la documentación deUltralytics YOLOv8 .

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

Ultralytics YOLOv8 puede integrarse perfectamente con varias herramientas de aprendizaje automático como Comet y ClearML, mejorando el seguimiento de los experimentos, la colaboración y la reproducibilidad. Sigue las guías detalladas sobre cómo utilizar YOLOv5 con Comet e integrar YOLOv8 con ClearML para empezar.

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

📅C reado hace 9 meses ✏️ Actualizado hace 9 días