Ultralytics Soluciones: Aproveche YOLO11 para resolver problemas del mundo real.

Ultralytics Las soluciones proporcionan aplicaciones de vanguardia de los modelos YOLO , ofreciendo soluciones del mundo real como el recuento de objetos, el desenfoque y los sistemas de seguridad, mejorando la eficiencia y la precisión en diversas industrias. Descubra el poder de YOLO11 para implementaciones prácticas e impactantes.

Observa: Cómo ejecutar las soluciones Ultralytics desde la línea de comandos (CLI) | Ultralytics YOLO11 🚀

Soluciones

Aquí está nuestra lista curada de soluciones Ultralytics que se pueden utilizar para crear impresionantes proyectos de visión por ordenador.

Recuento de objetos: Aprenda a contar objetos en tiempo real con YOLO11. Adquiera los conocimientos necesarios para contar objetos con precisión en secuencias de vídeo en directo.
Recorte de objetos: Domina el recorte de objetos con YOLO11 para extraer con precisión objetos de imágenes y vídeos.
Desenfoque de objetos: Aplique el desenfoque de objetos mediante YOLO11 para proteger la privacidad en el procesamiento de imágenes y vídeos.
Seguimiento de entrenamientos: Descubre cómo monitorizar entrenamientos utilizando YOLO11. Aprende a seguir y analizar varias rutinas de fitness en tiempo real.
Recuento de objetos en regiones: Cuenta objetos en regiones específicas utilizando YOLO11 para una detección precisa en áreas variadas.
Sistema de alarma de seguridad: Crea un sistema de alarma de seguridad con YOLO11 que active alertas al detectar nuevos objetos. Personaliza el sistema para adaptarlo a tus necesidades específicas.
Mapas de calor: Utilice mapas de calor de detección para visualizar la intensidad de los datos a través de una matriz, proporcionando una visión clara en tareas de visión por ordenador.
Segmentación de instancias con seguimiento de objetos: Implemente la segmentación de instancias y el seguimiento de objetos con YOLO11 para lograr límites precisos de los objetos y una supervisión continua.
Mapeo de objetos de la vista VisionEye: Desarrollar sistemas que imiten el enfoque del ojo humano en objetos específicos, mejorando la capacidad del ordenador para discernir y priorizar los detalles.
Estimación de la velocidad: Estima la velocidad de los objetos mediante YOLO11 y técnicas de seguimiento de objetos, cruciales para aplicaciones como los vehículos autónomos y la vigilancia del tráfico.
Cálculo de distancias: Calcule distancias entre objetos utilizando los centroides de los cuadros delimitadores en YOLO11, esencial para el análisis espacial.
Gestión de colas: Implemente sistemas eficientes de gestión de colas para minimizar los tiempos de espera y mejorar la productividad utilizando YOLO11.
Gestión de aparcamientos: Organice y dirija el flujo de vehículos en las zonas de aparcamiento con YOLO11, optimizando la utilización del espacio y la experiencia del usuario.
Análisis: Realice análisis de datos completos para descubrir patrones y tomar decisiones informadas, aprovechando YOLO11 para análisis descriptivos, predictivos y prescriptivos.
Inferencia en directo con Streamlit: Aproveche la potencia de YOLO11 para la detección de objetos en tiempo real directamente a través de su navegador web con una interfaz Streamlit fácil de usar.
Seguimiento de objetos en zonas 🚀 NUEVO: Aprenda a realizar el seguimiento de objetos dentro de zonas específicas de fotogramas de vídeo mediante YOLO11 para una supervisión precisa y eficaz.

Soluciones Argumentos

Argumento	Tipo	Por defecto	Descripción
`model`	`str`	`None`	Ruta al archivo del modeloYOLO Ultralytics .
`region`	`list`	`[(20, 400), (1260, 400)]`	Lista de puntos que definen la región de recuento.
`show_in`	`bool`	`True`	Indicador para controlar si se muestran los recuentos en el flujo de vídeo.
`show_out`	`bool`	`True`	Indicador para controlar si se muestran los recuentos de salida en el flujo de vídeo.
`analytics_type`	`str`	`line`	Tipo de gráfico, es decir `line`, `bar`, `area`o `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	Mapa de colores para el mapa de calor.
`json_file`	`str`	`None`	Ruta al archivo JSON que contiene todos los datos de coordenadas de aparcamiento.
`up_angle`	`float`	`145.0`	Umbral de ángulo para la postura "arriba".
`kpts`	`list[int, int, int]`	`[6, 8, 10]`	Lista de puntos clave utilizados para controlar los entrenamientos. Estos puntos clave corresponden a articulaciones o partes del cuerpo, como hombros, codos y muñecas, para ejercicios como flexiones, dominadas, sentadillas y abdominales.
`down_angle`	`float`	`90.0`	Umbral de ángulo para la postura "hacia abajo".
`blur_ratio`	`float`	`0.5`	Ajusta el porcentaje de intensidad del desenfoque, con valores en el rango `0.1 - 1.0`.
`crop_dir`	`str`	`"cropped-detections"`	Nombre del directorio para almacenar las detecciones recortadas.
`records`	`int`	`5`	Recuento total de detecciones para activar un correo electrónico con el sistema de alarma de seguridad.
`vision_point`	`tuple[int, int]`	`(50, 50)`	El punto en el que la visión rastreará objetos y dibujará trayectorias utilizando la solución VisionEye.
`tracker`	`str`	`'botsort.yaml'`	Especifica el algoritmo de seguimiento a utilizar, por ejemplo, `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 las detecciones solapadas.
`classes`	`list`	`None`	Filtra los resultados por índice de clase. Por ejemplo, `classes=[0, 2, 3]` sólo rastrea las clases especificadas.
`verbose`	`bool`	`True`	Controla la visualización de los resultados del rastreo, proporcionando una salida visual de los objetos rastreados.
`device`	`str`	`None`	Especifica el dispositivo para la inferencia (por ejemplo, `cpu`, `cuda:0` o `0`). Permite a los usuarios seleccionar entre CPU, un GPU específico u otros dispositivos de cálculo para la ejecución del modelo.
`show`	`bool`	`False`	Si `True`muestra las imágenes o vídeos anotados en una ventana. Resulta 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.

Args de pista

Las soluciones también apoyan algunos de los argumentos de trackincluyendo parámetros como conf, line_width, tracker, model, show, verbose y classes.

Argumento	Tipo	Por defecto	Descripción
`tracker`	`str`	`'botsort.yaml'`	Especifica el algoritmo de seguimiento a utilizar, por ejemplo, `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 las detecciones solapadas.
`classes`	`list`	`None`	Filtra los resultados por índice de clase. Por ejemplo, `classes=[0, 2, 3]` sólo rastrea las clases especificadas.
`verbose`	`bool`	`True`	Controla la visualización de los resultados del rastreo, proporcionando una salida visual de los objetos rastreados.
`device`	`str`	`None`	Especifica el dispositivo para la inferencia (por ejemplo, `cpu`, `cuda:0` o `0`). Permite a los usuarios seleccionar entre CPU, un GPU específico u otros dispositivos de cálculo para la ejecución del modelo.

Uso de SolutionAnnotator

Todas las soluciones Ultralytics utilizan la clase separada SolutionAnnotatorque amplía el principal Annotator y tienen los siguientes métodos:

Método	Tipo de devolución	Descripción
`draw_region()`	`None`	Dibuja una región utilizando los puntos, colores y grosor especificados.
`queue_counts_display()`	`None`	Muestra el recuento de colas en la región especificada.
`display_analytics()`	`None`	Muestra las estadísticas generales de la gestión de aparcamientos.
`estimate_pose_angle()`	`float`	Calcula el ángulo entre tres puntos de la pose de un objeto.
`draw_specific_points()`	`None`	Dibuja puntos clave específicos en la imagen.
`plot_workout_information()`	`None`	Dibuja un cuadro de texto etiquetado en la imagen.
`plot_angle_and_count_and_stage()`	`None`	Visualiza el ángulo, el recuento de pasos y la etapa para controlar el entrenamiento.
`plot_distance_and_line()`	`None`	Muestra la distancia entre centroides y los conecta con una línea.
`display_objects_labels()`	`None`	Anota los cuadros delimitadores con etiquetas de clase de objeto.
`seg_bbox()`	`None`	Dibuja contornos para objetos segmentados y opcionalmente los etiqueta.
`sweep_annotator()`	`None`	Visualiza una línea de barrido vertical y una etiqueta opcional.
`visioneye()`	`None`	Mapea y conecta los centroides de los objetos con un punto visual "ojo".
`circle_label()`	`None`	Dibuja una etiqueta circular en lugar de un cuadro delimitador.
`text_label()`	`None`	Dibuja una etiqueta rectangular en lugar de un cuadro delimitador.

Trabajar con SolutionResults

Todas las llamadas a Soluciones devuelven una lista de SolutionResults que contienen información exhaustiva sobre las soluciones.

Para el recuento de objetos, los resultados incluyen incounts, outcountsy classwise_counts.

SoluciónResultados

counter = solutions.ObjectCounter(
    show=True,  # display the output
    region=region_points,  # pass region points
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object counting with OBB model.
    # classes=[0, 2],           # count specific classes i.e. person and car with COCO pretrained model.
    # tracker="botsort.yaml"    # Choose trackers i.e "bytetrack.yaml"
)
results = counter.count(im0)
print(results.in_counts)  # display in_counts
print(results.out_counts)  # display out_counts

Para más información, consulte el SolutionResults documentación de clase.

Soluciones Uso a través de CLI

Información de mando

La mayoría de las Soluciones pueden utilizarse directamente a través de la interfaz de línea de comandos, entre ellas:

Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference

Sintaxis

yolo SOLUTIONS SOLUTION_NAME ARGS

SOLUCIONES es una palabra clave obligatoria.
SOLUTION_NAME es uno de: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS (opcional) son personalizados arg=value pares, como show_in=Truepara anular la configuración predeterminada.

yolo solutions count show=True # for object counting

yolo solutions source="path/to/video.mp4" # specify video file path

Contribuya a nuestras soluciones

Agradecemos las aportaciones de la comunidad. Si dominas algún aspecto concreto de Ultralytics YOLO que aún no esté cubierto por nuestras soluciones, te animamos a que compartas tu experiencia. Escribir una guía es una buena forma de devolver algo a la comunidad y ayudarnos a que nuestra documentación sea más completa y fácil de usar.

Para empezar, lea nuestra Guía de contribuciones, donde encontrará directrices sobre cómo abrir una Pull Request (PR) 🛠️. Esperamos sus contribuciones.

¡Trabajemos juntos para que el ecosistema Ultralytics YOLO sea más sólido y versátil 🙏!

PREGUNTAS FRECUENTES

¿Cómo puedo utilizar Ultralytics YOLO para el recuento de objetos en tiempo real?

Ultralytics YOLO11 puede utilizarse para el recuento de objetos en tiempo real aprovechando sus funciones avanzadas de detección de objetos. Puede seguir nuestra guía detallada sobre Recuento de objetos para configurar YOLO11 para el análisis de secuencias de vídeo en directo. Basta con instalar YOLO11, cargar el modelo y procesar los fotogramas de vídeo para contar objetos de forma dinámica.

¿Cuáles son las ventajas de utilizar Ultralytics YOLO para los sistemas de seguridad?

Ultralytics YOLO11 mejora los sistemas de seguridad ofreciendo mecanismos de detección de objetos y alerta en tiempo real. Empleando YOLO11, puede crear un sistema de alarma de seguridad que active alertas cuando se detecten nuevos objetos en el área de vigilancia. Aprenda a configurar un sistema de alarma de seguridad con YOLO11 para una sólida supervisión de la seguridad.

¿Cómo puede Ultralytics YOLO mejorar los sistemas de gestión de colas?

Ultralytics YOLO11 puede mejorar significativamente los sistemas de gestión de colas mediante el recuento preciso y el seguimiento de las personas en las colas, ayudando así a reducir los tiempos de espera y optimizar la eficiencia del servicio. Siga nuestra guía detallada sobre Gestión de col as para saber cómo implantar YOLO11 para una supervisión y un análisis eficaces de las colas.

¿Se puede utilizar Ultralytics YOLO para controlar los entrenamientos?

Sí, Ultralytics YOLO11 puede utilizarse eficazmente para controlar los entrenamientos mediante el seguimiento y el análisis de las rutinas de fitness en tiempo real. Esto permite una evaluación precisa de la forma y el rendimiento del ejercicio. Explora nuestra guía sobre monitorización de entrenamientos para aprender a configurar un sistema de monitorización de entrenamientos basado en IA utilizando YOLO11.

¿Cómo ayuda Ultralytics YOLO a crear mapas de calor para la visualización de datos?

Ultralytics YOLO11 puede generar mapas de calor para visualizar la intensidad de los datos en un área determinada, resaltando las regiones de mayor actividad o interés. Esta función resulta especialmente útil para comprender patrones y tendencias en diversas tareas de visión por ordenador. Obtenga más información sobre la creación y el uso de mapas de calor con YOLO11 para un análisis y una visualización exhaustivos de los datos.

Creado hace 9 meses ✏️ Actualizado hace 3 días