Commencer

Calcul de distance avec Ultralytics YOLO26

Qu’est-ce que le calcul de distance ?#

Le calcul de distance consiste à mesurer l’espace entre deux objets détectés dans une image ou une image vidéo. Avec Ultralytics YOLO26, la solution mesure la distance entre les centroïdes de deux boîtes englobantes sélectionnées par l’utilisateur.



Regarder : Comment estimer en pixels la distance entre des objets détectés avec Ultralytics YOLO 🚀

Visuels#

Calcul de distance avec Ultralytics YOLO26
Calcul de distance avec Ultralytics YOLO26

Avantages du calcul de distance#

  • Précision de localisation : améliore le positionnement spatial précis dans les tâches de vision par ordinateur.
  • Estimation de la taille : permet d’estimer la taille des objets pour mieux comprendre le contexte.
  • Compréhension de la scène : améliore la compréhension des scènes 3D pour prendre de meilleures décisions dans des applications comme les véhicules autonomes et les systèmes de surveillance.
  • Évitement des collisions : permet aux systèmes de détecter les risques de collision en surveillant les distances entre les objets en mouvement.
  • Analyse spatiale : facilite l’analyse des relations et des interactions entre les objets dans l’environnement surveillé.
Calcul de distance
  • Clique avec le bouton gauche de la souris sur deux boîtes englobantes pour calculer la distance.
  • Utilise le bouton droit de la souris pour supprimer tous les points dessinés.
La distance est une estimation

La distance est une estimation qui peut manquer de précision, car elle est calculée à partir de données 2D dépourvues d’informations de profondeur. Pour obtenir la profondeur au niveau du pixel, utilise un modèle d’estimation de profondeur.

Calculer les distances avec YOLO26#

La solution DistanceCalculation suit les objets d’une image à l’autre et mesure, en pixels, la distance euclidienne entre les centroïdes de deux boîtes englobantes que tu sélectionnes avec la souris. Exécute l’exemple ci-dessous, puis clique avec le bouton gauche sur deux objets pour tracer la ligne qui les relie et afficher la distance ; clique avec le bouton droit pour effacer ta sélection.

Calcul de distance avec Ultralytics YOLO
import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Écriture de la vidéo
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("distance_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialiser l’objet de calcul de distance
distancecalculator = solutions.DistanceCalculation(
    model="yolo26n.pt",  # Chemin vers le fichier du modèle YOLO26.
    show=True,  # afficher le résultat
)

# Traiter la vidéo
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = distancecalculator(im0)

    print(results)  # Accéder à la sortie

    video_writer.write(results.plot_im)  # Écrire l’image traitée.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # fermer toutes les fenêtres ouvertes

Arguments de DistanceCalculation()#

Voici un tableau des arguments de DistanceCalculation :

ArgumentTypeValeur par défautDescription
modelstrNoneChemin vers un fichier de modèle Ultralytics YOLO.
line_widthint2Épaisseur des lignes des boîtes, des points clés et des compteurs dessinés par la solution.
verboseboolTrueActive le journal de la solution pour chaque image, qui indique la forme de l'entrée, le nombre d'éléments par classe et la vitesse de traitement. L'appel de suivi reste toujours silencieux.

Tu peux également utiliser les arguments track dans la solution DistanceCalculation.

ArgumentTypeValeur par défautDescription
trackerstr'tracktrack.yaml'Indique l'algorithme de suivi à utiliser. Options intégrées : botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml.
conffloat0.25Définit le seuil de confiance des détections ; des valeurs plus faibles permettent de suivre davantage d'objets, mais peuvent inclure des faux positifs.
ioufloat0.5Définit le seuil d'intersection sur l'union (IoU) utilisé pour filtrer les détections qui se chevauchent.
classeslistNoneFiltre les résultats selon l'indice de classe. Par exemple, classes=[0, 2, 3] ne suit que les classes spécifiées.
devicestrNoneIndique le périphérique utilisé pour l'inférence (par exemple, cpu, cuda:0 ou 0). Permet de choisir entre le CPU, un GPU spécifique ou d'autres périphériques de calcul pour l'exécution du modèle.
imgszint or tuple640Taille cible de l'image pour l'inférence : un entier pour une image carrée ou une paire (height, width). Les dimensions sont ajustées au stride du modèle.
max_detint300Nombre maximal de détections conservées par image avant le suivi, ce qui limite le nombre d'objets qu'une solution traite dans les scènes denses.
quantizeint or strNonePrécision d’inférence : 16 (FP16) ou 32/unset (FP32) pour les modèles PyTorch et TorchScript hors CPU ; les autres formats utilisent la précision définie par leur artefact et leur environnement d’exécution. Remplace l’argument half obsolète.

De plus, les arguments de visualisation suivants sont disponibles :

ArgumentTypeValeur par défautDescription
showboolFalseSi True, affiche les images ou vidéos annotées dans une fenêtre. Utile pour obtenir un retour visuel immédiat pendant le développement ou les tests.
show_confboolTrueAffiche le score de confiance de chaque détection à côté de son étiquette. Donne une indication du degré de certitude du modèle pour chaque détection.
show_labelsboolTrueAffiche les étiquettes de chaque détection dans le résultat visuel. Permet d'identifier immédiatement les objets détectés.

Détails de l’implémentation#

La classe DistanceCalculation suit les objets d’une image vidéo à l’autre et calcule la distance euclidienne entre les centroïdes des boîtes englobantes sélectionnées. Lorsque tu cliques sur deux objets, la solution :

  1. Extrait les centroïdes (points centraux) des boîtes englobantes sélectionnées
  2. Calcule la distance euclidienne en pixels entre ces centroïdes
  3. Affiche la distance sur l’image et trace une ligne entre les objets

L’implémentation utilise la méthode mouse_event_for_distance pour gérer les interactions avec la souris, ce qui permet aux utilisateurs de sélectionner des objets et d’effacer leur sélection au besoin. La méthode process gère le traitement image par image, le suivi des objets et le calcul des distances.

Applications#

Le calcul de distance avec YOLO26 a de nombreuses applications pratiques :

  • Analyse du commerce de détail : mesurer la proximité des clients avec les produits et analyser l’efficacité de l’agencement des magasins
  • Sécurité industrielle : surveiller les distances de sécurité entre les travailleurs et les machines
  • Gestion du trafic : analyser l’espacement entre les véhicules et détecter les distances de sécurité insuffisantes
  • Analyse sportive : calculer les distances entre les joueurs, le ballon et les positions clés sur le terrain
  • Santé : garantir une distance suffisante dans les salles d’attente et surveiller les déplacements des patients
  • Robotique : permettre aux robots de garder une distance appropriée avec les obstacles et les personnes

FAQ#

  • Pour calculer les distances entre des objets avec Ultralytics YOLO26, tu dois identifier les centroïdes des boîtes englobantes des objets détectés. Pour cela, initialise la classe DistanceCalculation du module solutions d’Ultralytics et utilise les sorties de suivi du modèle pour calculer les distances.

  • Le calcul de distance avec Ultralytics YOLO26 présente plusieurs avantages :

    • Précision de la localisation : fournit un positionnement spatial précis des objets.
    • Estimation de la taille : aide à estimer les dimensions physiques, pour mieux comprendre le contexte.
    • Compréhension de la scène : améliore la compréhension des scènes 3D et facilite la prise de décision dans des applications comme la conduite autonome et la surveillance.
    • Traitement en temps réel : effectue les calculs à la volée, ce qui convient à l’analyse vidéo en direct.
    • Capacités d’intégration : fonctionne avec d’autres solutions YOLO26, comme le suivi d’objets et l’estimation de vitesse.
  • Oui, tu peux calculer les distances en temps réel dans des flux vidéo avec Ultralytics YOLO26. Le processus consiste à capturer des images vidéo avec OpenCV, à exécuter la détection d’objets YOLO26 et à utiliser la classe DistanceCalculation pour calculer les distances entre les objets dans des images successives. Pour une implémentation détaillée, consulte l’exemple de flux vidéo.

  • Pour supprimer les points dessinés lors du calcul de distance avec Ultralytics YOLO26, tu peux cliquer avec le bouton droit de la souris. Cette action effacera tous les points que tu as dessinés. Pour en savoir plus, consulte la section de remarques de l’exemple de calcul de distance.

  • Les principaux arguments pour initialiser la classe DistanceCalculation dans Ultralytics YOLO26 sont les suivants :

    • model : chemin vers le fichier du modèle YOLO26.
    • tracker : algorithme de suivi à utiliser (les solutions utilisent par défaut tracktrack.yaml).
    • conf : seuil de confiance pour les détections.
    • show : indicateur d’affichage de la sortie.

    Pour consulter la liste complète et les valeurs par défaut, voir les arguments de DistanceCalculation.

Commentaires195

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. muhammadwildangoniGitHub

    hallo, I am processing a men's 100 meter sprint video using YOLO and SpeedEstimator (Ultralytics) to detect runners, estimate their speed, and track their progress. However, the output statistics are incorrect. My code detects 16 runners, while there should only be 8 (those on the track), and the maximum speed reported is 0.00 m/s, which is clearly not correct for a sprint race. The furthest distance covered is about 96.7 meters, which seems off.

    1646ed86-3d5e-4074-b5cf-71bbd4da30c4

    import cv2 import math import numpy as np from ultralytics import YOLO from ultralytics.solutions import speed_estimation

    --- SETTINGS ---

    video_path = "WHAT A RACE! _ Men s 100m Final! _ #Paris2024 highlights (online-video-cutter.com).mp4" # Change to your video path model_path = "yolo11n.pt" # Path to your YOLO model (could be yolov11n.pt if available) output_path = "output_sprint.avi" # Output video file name

    meter_per_pixel = 0.05 # Calibration result for track (e.g., 0.05 for a 100m lane) center_point = (0, 720) # Track start point (adjust to your video height)

    --- INITIALIZATION ---

    cap = cv2.VideoCapture(video_path) 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)) out = cv2.VideoWriter(output_path, cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

    model = YOLO(model_path) names = model.model.names if hasattr(model.model, "names") else ["person"]

    speed_obj = speed_estimation.SpeedEstimator( names=names, reg_pts=[(0, int(h/2)), (w, int(h/2))], # Speed estimation line (across track, adjust as needed) view_img=False, meter_per_pixel=meter_per_pixel # Convert pixel to meters )

    frame_count = 0 speed_over_time, distance_over_time = {}, {}

    while cap.isOpened(): success, frame = cap.read() if not success: break frame_count += 1

    # Detect and track runners on each frame
    tracks = model.track(frame, persist=True, show=False)
    
    # Estimate runners' speed and update visualization on frame
    frame = speed_obj.estimate_speed(frame)
    
    # Extract runner IDs, position, speed, and distance
    # Make sure .boxes.id/cls property exists:
    if tracks and hasattr(tracks[0], "boxes") and tracks[0].boxes.id is not None:
        boxes = tracks[0].boxes.xyxy.cpu()
        track_ids = tracks[0].boxes.id.int().cpu().tolist()
        clss = tracks[0].boxes.cls.cpu().tolist()
        for box, track_id, cls in zip(boxes, track_ids, clss):
            if cls == 0:  # 'person' class (runners)
                # Calculate runner's distance from start
                x1, y1 = int((box[0] + box[2]) // 2), int((box[1] + box[3]) // 2)
                distance = (math.sqrt((x1 - center_point[0]) ** 2 + (y1 - center_point[1]) ** 2)) * meter_per_pixel
    
                # Store statistics in dictionary
                if track_id not in distance_over_time:
                    distance_over_time[track_id] = [0] * (frame_count - 1)
                distance_over_time[track_id].append(distance)
    
                speed = speed_obj.speeds.get(track_id, 0) if hasattr(speed_obj, "speeds") else 0
                if track_id not in speed_over_time:
                    speed_over_time[track_id] = [0] * (frame_count - 1)
                speed_over_time[track_id].append(speed)
    
                # Overlay runner's speed and distance information directly on video frame
                text_speed = f"Speed: {speed:.2f} m/s"
                text_dist = f"Distance: {distance:.2f} m"
                cv2.putText(frame, f"ID:{track_id} {text_speed}, {text_dist}", (x1, y1 - 10),
                            cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0,255,0), 2)
    
    # Save frame to output video
    out.write(frame)
    
    # Display real-time video preview
    cv2.imshow("Sprint Runner Detection Preview", frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

    --- Final statistics: print results to terminal ---

    best_speed = max((max(speeds) for speeds in speed_over_time.values()), default=0) best_distance = max((max(distances) for distances in distance_over_time.values()), default=0) total_runners = len(distance_over_time)

    print(f"Total runners detected: {total_runners}") print(f"Highest speed: {best_speed:.2f} m/s") print(f"Furthest distance covered: {best_distance:.2f} meters")

  2. maribalkeGitHub(modifié)

    Hi! I have tried to do a test on the distance calculation on a single image, but I keep getting the attribute error: 'DistanceCalculation' object has no attribute 'start_process'. I have basis in the YOLO11n-model, further trained on images from a different dataset.

    model_path = "../runs/detect/train2/weights/best.pt"
    model = YOLO(model_path)
    
    dist_obj = distance_calculation.DistanceCalculation() 
    
    frame = cv2.imread("../images/s73/raw_images/10.jpg")
    
    # Detect objects
    results = model(frame)
    
    # Run object tracking
    tracks = model.track(frame, persist=True, show = False)
    
    # process the image
    image_with_distances = dist_obj.start_process(frame, tracks)
    
    # Display the frame
    cv2.imshow('Distance Calculation', image_with_distances)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    1. Glenn JocherUltralytics(modifié)

      @maribalke thanks for reaching out! start_process() has been removed. DistanceCalculation is now called directly on the frame and returns a results object with the annotated image in plot_im. It also runs tracking itself, so no separate model.track() call is needed. Here's the minimal fix for your single-image case:

      dist_obj = solutions.DistanceCalculation(model=model_path, show=False)
      results = dist_obj(frame)
      cv2.imshow("Distance Calculation", results.plot_im)

      Note that the distance is measured between two objects you select by clicking them in a display window, so a single static image only shows a distance once two boxes have been selected. For full implementation details, see our Distance Calculation Guide. Let us know if you encounter any other issues!

  3. dgnovoGitHub

    Is it possible to know the distance from an object and another object without using mouse?

  4. Muhammad-237GitHub

    How can we find the distance of in the bounding box like from one point to another point in the bounding box to measure the size of object

    1. Glenn JocherUltralytics

      @Muhammad-237 to measure the size of an object within a bounding box using Ultralytics YOLO11, you can calculate the distance between two points (e.g., edges or centroid) within that bounding box. This can be achieved using the DistanceCalculation class, which allows you to click on specific points to measure distances. Keep in mind, these calculations are approximations as they rely on 2D data without depth information. For more details, refer to the Distance Calculation Docs.

  5. gg120wolfGitHub

    Hi, I am using the example code of Distance Calculation using YOLO11 Example, but there is a problem of File "f:\fyp yolo\ultralytics-main\distance test1.py", line 13, in distance = solutions.DistanceCalculation() ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ TypeError: DistanceCalculation.init() missing 1 required positional argument: 'names' So what is this names should i set?

    1. RizwanMunawarGitHub

      @gg120wolf Hi, the correct way to use the Ultralytics distance calculation module is mentioned below.

      import cv2
      
      from ultralytics import solutions
      
      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("distance_calculation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
      
      # Init distance-calculation obj
      distance = solutions.DistanceCalculation(model="yolo11n.pt", show=True)
      
      # Process video
      while cap.isOpened():
          success, im0 = cap.read()
          if not success:
              print("Video frame is empty or video processing has been successfully completed.")
              break
          im0 = distance.calculate(im0)
          video_writer.write(im0)
      
      cap.release()
      video_writer.release()
      cv2.destroyAllWindows()

      Thanks :) The Ultralytics Team!

  6. tylerfrisinger01GitHub

    Hey there, I have a model that is trained for object detection not tracking. We are detecting two animals that are inside a cage. What we want to do is import a mp4 video then calculate the distance between the two objects while also showing the bounding boxes. However when i use the VideoStream code snippet from above, the popup window is larger then my screen. How could i adjust that code to make it a different window size so that I am able to track them in real time.

    Also after this is done and the distances are calculated is there anyway to save the whole video with the bounding boxes and the distance calculations that were done in real time? Or would I have to save the video by doing the results = model.predict(save=true) and also do the VideoStream code snippet from above at the same time? and not have the distances shown in the saved video?

    Get back to me as soon as possible as this is for a project for school! Thank You!!

    1. tylerfrisinger01GitHub

      I am also using YOLOv11, i'm not sure if that will change anything or not. And i have tried creating my own window using cv2 but that didnt work when i attempted it.

    2. Glenn JocherUltralytics

      @tylerfrisinger01 to adjust the window size in OpenCV, you can use cv2.namedWindow() and cv2.resizeWindow() to set a custom size. For saving the video with bounding boxes and distances, you can modify the code to include distance annotations and use cv2.VideoWriter to save the processed frames. Here's a quick example on resizing the window:

      cv2.namedWindow('Video', cv2.WINDOW_NORMAL)
      cv2.resizeWindow('Video', 800, 600)  # Adjust the dimensions as needed

      Regarding saving the video with distances, you can overlay the distance on the frames before writing them out with cv2.VideoWriter. If you need further assistance, feel free to ask!

    3. tylerfrisinger01GitHub

      @glenn-jocher when I do this, it still pops open its own window that I am assuming is built into the solutions.DistanceCalculator function (since that is the name of the window) So then it does not work. Any workaround for this?

    4. Glenn JocherUltralytics(modifié)

      @tylerfrisinger01 to prevent the DistanceCalculation function from opening its own window, you can set the show parameter to False when initializing it, like so: distance = solutions.DistanceCalculation(model="yolo26n.pt", show=False). This should stop the automatic display window. For saving the video, continue using cv2.VideoWriter. Let me know if you need further assistance!

  7. AbtinzGitHub

    Hello everyone, I want to deploy an yolov8-application on the edge device and estimate the distance through the user's camera without having to click on the detected object, how can I find the distance of the objects to the camera without need to click?

    1. Glenn JocherUltralytics

      @Abtinz to estimate object distances without clicking, you'll need to use depth estimation techniques, as YOLOv8 primarily provides 2D bounding boxes. Consider integrating depth sensors or stereo cameras to obtain depth information. For more details, you can refer to the distance calculation guide.

    1. Glenn JocherUltralytics(modifié)

      @gaodaren47297 the DistanceCalculation solution measures the pixel distance between the centroids of two objects you select in the frame; it does not estimate the distance between the camera and an object. A 2D bounding box has no depth information, so camera-to-object distance needs extra information such as a depth sensor or stereo camera, or a calibration using an object of known size. For measuring between objects, see the distance calculation documentation on our website. If you have further questions, feel free to ask here.

  8. Dmitrii-SmirnovGitHub

    Hi Guys, Guys, I have a video with multiple objects(people) on the video. I need to calculate distance between each detected person on the each frame and to save results to csv file. Can you help me with that task? It will be really cool if you will share documentation=) As I understood relevant method for my task is DistanceCalculation(names=names[0], view_img=True).calculate_distance(obj1, obj2), am I correct?

    1. Glenn JocherUltralytics(modifié)

      @Dmitrii-Smirnov there is no calculate_distance(obj1, obj2) method on DistanceCalculation in current versions. The solution is called on each frame (results = dist_obj(im0)), you left-click two tracked objects, and it reports the pixel distance in results.pixels_distance. For distances between every pair of people on each frame and a CSV export, compute the centroid distances from the tracking boxes yourself. For details, see our documentation: https://docs.ultralytics.com/guides/distance-calculation/.

    2. Glenn JocherUltralytics(modifié)

      @Dmitrii-Smirnov to calculate distances between all detected people in each frame and save the results to a CSV file, compute the centroid distances from the tracking results. The DistanceCalculation solution only measures between two objects you click, so for all pairs here's a basic implementation:

      import csv
      import math
      from itertools import combinations
      
      import cv2
      
      from ultralytics import YOLO
      
      model = YOLO("yolo26n.pt")
      
      cap = cv2.VideoCapture("path/to/video/file.mp4")
      assert cap.isOpened(), "Error reading video file"
      
      with open("distances.csv", mode="w", newline="") as file:
          writer = csv.writer(file)
          writer.writerow(["Frame", "Object1", "Object2", "Distance"])
      
          frame_count = 0
          while cap.isOpened():
              success, im0 = cap.read()
              if not success:
                  break
      
              results = model.track(im0, persist=True, show=False, classes=[0])  # class 0 = person
              boxes = results[0].boxes
              if boxes.id is not None:
                  centroids = dict(zip(boxes.id.int().tolist(), boxes.xywh[:, :2].tolist()))
                  for (id1, c1), (id2, c2) in combinations(centroids.items(), 2):
                      writer.writerow([frame_count, id1, id2, math.dist(c1, c2)])
      
              frame_count += 1
      
      cap.release()

      This script captures video frames, calculates pixel distances between detected people, and writes the results to a CSV file. For more details, refer to our documentation: https://docs.ultralytics.com/guides/distance-calculation/.

  9. zgr1446741194GitHub

    Hello author, I would like to propose a scenario similar to this: using monocular distance measurement to calculate the distance from the distant water level line (similar to the shoreline) in the video stream obtained by the camera to my camera (a kind of early warning of the water level), how can I use the solution? At present, the difficulty can be determined that we need to complete distance conversion similar to 3D to 2D, because of perspective space, instead of using fixed linear distance conversion similar to visionEye (from pixels to realistic distance). Another difficulty is that we do not know the true physical properties of the observed water line, which means that we cannot use the traditional method of monocular distance measurement to deduce the distance from the true length or height of the observed object. If you have any viable solutions, thank you very much for adding the code demo in your reply.

    1. Glenn JocherUltralytics

      For calculating distances to a waterline using monocular vision, consider using depth estimation techniques or stereo vision for more accurate results. YOLO models can assist in object detection, but for precise distance measurement, integrating additional sensors or methods might be necessary. For more details, please refer to our distance calculation guide.