Comptage d'objets Ă l'aide de Ultralytics YOLOv8
Qu'est-ce que le comptage d'objets ?
Le comptage d'objets avec Ultralytics YOLOv8 implique l'identification et le comptage précis d'objets spécifiques dans les vidéos et les flux de caméras. YOLOv8 excelle dans les applications en temps réel, en fournissant un comptage d'objets efficace et précis pour divers scénarios tels que l'analyse des foules et la surveillance, grâce à ses algorithmes de pointe et à ses capacités d'apprentissage profond.
Regarde : Comptage d'objets Ă l'aide de Ultralytics YOLOv8 |
Regarde : Comptage d'objets par classe Ă l'aide de Ultralytics YOLOv8 |
Avantages du comptage d'objets ?
- Optimisation des ressources : Le comptage d'objets facilite la gestion efficace des ressources en fournissant des comptages précis et en optimisant l'allocation des ressources dans des applications telles que la gestion des stocks.
- Sécurité renforcée : Le comptage d'objets améliore la sécurité et la surveillance en suivant et en comptant avec précision les entités, ce qui permet une détection proactive des menaces.
- Prise de décision éclairée : Le comptage d'objets offre des informations précieuses pour la prise de décision, l'optimisation des processus dans le commerce de détail, la gestion du trafic et divers autres domaines.
Applications dans le monde réel
Logistique | Aquaculture |
---|---|
Comptage de paquets sur bande transporteuse Utilisation Ultralytics YOLOv8 | Compter les poissons dans la mer en utilisant Ultralytics YOLOv8 |
Comptage d'objets Ă l'aide de YOLOv8 Exemple
import cv2
from ultralytics import YOLO, solutions
model = YOLO("yolov8n.pt")
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))
# Define region points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]
# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
# Init Object Counter
counter = solutions.ObjectCounter(
view_img=True,
reg_pts=region_points,
names=model.names,
draw_tracks=True,
line_thickness=2,
)
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, show=False)
im0 = counter.start_counting(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
import cv2
from ultralytics import YOLO, solutions
model = YOLO("yolov8n.pt")
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))
# Define region points as a polygon with 5 points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360), (20, 400)]
# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
# Init Object Counter
counter = solutions.ObjectCounter(
view_img=True,
reg_pts=region_points,
names=model.names,
draw_tracks=True,
line_thickness=2,
)
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, show=False)
im0 = counter.start_counting(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
import cv2
from ultralytics import YOLO, solutions
model = YOLO("yolov8n.pt")
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))
# Define line points
line_points = [(20, 400), (1080, 400)]
# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
# Init Object Counter
counter = solutions.ObjectCounter(
view_img=True,
reg_pts=line_points,
names=model.names,
draw_tracks=True,
line_thickness=2,
)
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, show=False)
im0 = counter.start_counting(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
import cv2
from ultralytics import YOLO, solutions
model = YOLO("yolov8n.pt")
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))
line_points = [(20, 400), (1080, 400)] # line or region points
classes_to_count = [0, 2] # person and car classes for count
# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
# Init Object Counter
counter = solutions.ObjectCounter(
view_img=True,
reg_pts=line_points,
names=model.names,
draw_tracks=True,
line_thickness=2,
)
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, show=False, classes=classes_to_count)
im0 = counter.start_counting(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
La région est mobile
Tu peux déplacer la région n'importe où dans le cadre en cliquant sur ses bords
Argument ObjectCounter
Voici un tableau avec les ObjectCounter
arguments :
Nom | Type | DĂ©faut | Description |
---|---|---|---|
names |
dict |
None |
Dictionnaire des noms de classes. |
reg_pts |
list |
[(20, 400), (1260, 400)] |
Liste des points définissant la région de comptage. |
count_reg_color |
tuple |
(255, 0, 255) |
Couleur RVB de la région de comptage. |
count_txt_color |
tuple |
(0, 0, 0) |
Couleur RVB du texte de comptage. |
count_bg_color |
tuple |
(255, 255, 255) |
Couleur RVB de l'arrière-plan du texte de comptage. |
line_thickness |
int |
2 |
Épaisseur du trait pour les boîtes de délimitation. |
track_thickness |
int |
2 |
Épaisseur des lignes de piste. |
view_img |
bool |
False |
Drapeau permettant de contrôler l'affichage ou non du flux vidéo. |
view_in_counts |
bool |
True |
Indicateur permettant de contrôler l'affichage du nombre d'entrées sur le flux vidéo. |
view_out_counts |
bool |
True |
Indicateur permettant de contrôler l'affichage ou non des décomptes de sortie sur le flux vidéo. |
draw_tracks |
bool |
False |
Drapeau permettant de contrôler si les pistes de l'objet doivent être dessinées. |
track_color |
tuple |
None |
Couleur RVB des pistes. |
region_thickness |
int |
5 |
Épaisseur de la région de comptage des objets. |
line_dist_thresh |
int |
15 |
Seuil de distance euclidienne pour le compteur de lignes. |
cls_txtdisplay_gap |
int |
50 |
Affiche l'Ă©cart entre chaque comptage de classe. |
Arguments model.track
Nom | Type | DĂ©faut | Description |
---|---|---|---|
source |
im0 |
None |
répertoire source pour les images ou les vidéos |
persist |
bool |
False |
persistance des pistes entre les images |
tracker |
str |
botsort.yaml |
MĂ©thode de suivi 'bytetrack' ou 'botsort' |
conf |
float |
0.3 |
Seuil de confiance |
iou |
float |
0.5 |
Seuil de reconnaissance de dette |
classes |
list |
None |
filtre les résultats par classe, c'est-à -dire classes=0, ou classes=[0,2,3] |
verbose |
bool |
True |
Affiche les résultats du suivi des objets |
FAQ
Comment compter les objets dans une vidéo à l'aide de Ultralytics YOLOv8 ?
Pour compter les objets dans une vidéo à l'aide de Ultralytics YOLOv8 , tu peux suivre les étapes suivantes :
- Importe les bibliothèques nécessaires (
cv2
,ultralytics
). - Charge un modèle pré-entraîné YOLOv8 .
- Définis la région de comptage (par exemple, un polygone, une ligne, etc.).
- Configure la capture vidéo et initialise le compteur d'objets.
- Traite chaque image pour suivre les objets et les compter dans la région définie.
Voici un exemple simple pour compter dans une région :
import cv2
from ultralytics import YOLO, solutions
def count_objects_in_region(video_path, output_video_path, model_path):
"""Count objects in a specific region within a video."""
model = YOLO(model_path)
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))
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]
video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
counter = solutions.ObjectCounter(
view_img=True, reg_pts=region_points, names=model.names, draw_tracks=True, line_thickness=2
)
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, show=False)
im0 = counter.start_counting(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolov8n.pt")
Explore d'autres configurations et options dans la section Comptage d'objets.
Quels sont les avantages de l'utilisation de Ultralytics YOLOv8 pour le comptage d'objets ?
L'utilisation de Ultralytics YOLOv8 pour le comptage d'objets offre plusieurs avantages :
- Optimisation des ressources : Il facilite la gestion efficace des ressources en fournissant des comptages précis, ce qui permet d'optimiser l'affectation des ressources dans des secteurs tels que la gestion des stocks.
- Sécurité renforcée : Il améliore la sécurité et la surveillance en suivant et en comptant les entités avec précision, ce qui facilite la détection proactive des menaces.
- Prise de décision éclairée : Il offre des informations précieuses pour la prise de décision, l'optimisation des processus dans des domaines tels que la vente au détail, la gestion du trafic, et plus encore.
Pour des applications concrètes et des exemples de code, visite la section Avantages du comptage d'objets.
Comment puis-je compter des classes spécifiques d'objets en utilisant Ultralytics YOLOv8 ?
Pour compter des classes d'objets spécifiques à l'aide de Ultralytics YOLOv8 , tu dois spécifier les classes qui t'intéressent pendant la phase de suivi. Tu trouveras ci-dessous un exemple de Python :
import cv2
from ultralytics import YOLO, solutions
def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
"""Count specific classes of objects in a video."""
model = YOLO(model_path)
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))
line_points = [(20, 400), (1080, 400)]
video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
counter = solutions.ObjectCounter(
view_img=True, reg_pts=line_points, names=model.names, draw_tracks=True, line_thickness=2
)
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, show=False, classes=classes_to_count)
im0 = counter.start_counting(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolov8n.pt", [0, 2])
Dans cet exemple, classes_to_count=[0, 2]
ce qui signifie qu'il compte les objets de la classe 0
et 2
(par exemple, personne et voiture).
Pourquoi devrais-je utiliser YOLOv8 plutôt que d'autres modèles de détection d'objets pour les applications en temps réel ?
Ultralytics YOLOv8 offre plusieurs avantages par rapport à d'autres modèles de détection d'objets comme Faster R-CNN, SSD et les versions précédentes de YOLO :
- Vitesse et efficacité : YOLOv8 offre des capacités de traitement en temps réel, ce qui le rend idéal pour les applications nécessitant une inférence à grande vitesse, telles que la surveillance et la conduite autonome.
- Précision : il offre une précision de pointe pour les tâches de détection et de suivi des objets, ce qui permet de réduire le nombre de faux positifs et d'améliorer la fiabilité globale du système.
- Facilité d'intégration : YOLOv8 offre une intégration transparente avec diverses plateformes et appareils, y compris les appareils mobiles et périphériques, ce qui est crucial pour les applications modernes d'IA.
- Flexibilité : Prend en charge diverses tâches telles que la détection, la segmentation et le suivi d'objets avec des modèles configurables pour répondre aux exigences de cas d'utilisation spécifiques.
Consulte le site Ultralytics YOLOv8 Documentation pour en savoir plus sur ses caractéristiques et comparer ses performances.
Puis-je utiliser YOLOv8 pour des applications avancées telles que l'analyse des foules et la gestion du trafic ?
Oui, Ultralytics YOLOv8 est parfaitement adapté aux applications avancées telles que l'analyse des foules et la gestion du trafic, grâce à ses capacités de détection en temps réel, à son évolutivité et à sa souplesse d'intégration. Ses fonctions avancées permettent le suivi, le comptage et la classification d'objets avec une grande précision dans des environnements dynamiques. Voici quelques exemples de cas d'utilisation :
- Analyse des foules : Surveille et gère les grands rassemblements, en assurant la sécurité et en optimisant le flux de la foule.
- Gestion du trafic : Suit et compte les véhicules, analyse les schémas de circulation et gère les embouteillages en temps réel.
Pour plus d'informations et de détails sur la mise en œuvre, reporte-toi au guide sur les applications réelles du comptage d'objets avec YOLOv8.
Créé le 2023-12-02, Mis à jour le 2024-07-14
Auteurs : RizwanMunawar (6), glenn-jocher (15), IvorZhu331 (1), AyushExel (1)