Gestion des files d’attente avec Ultralytics YOLO26#
Qu’est-ce que la gestion des files d’attente ?#
La gestion des files d’attente avec Ultralytics YOLO26 consiste à organiser et à réguler les files de personnes ou de véhicules afin de réduire les temps d’attente et d’améliorer l’efficacité. Elle vise à optimiser les files pour améliorer la satisfaction des clients et les performances du système dans divers contextes, comme les commerces, les banques, les aéroports et les établissements de santé.
Regarder : Comment créer un système de gestion des files d’attente avec Ultralytics YOLO26 | Analyse des files d’attente en temps réel 🚀
Avantages de la gestion des files d’attente#
- Réduction des temps d’attente : Les systèmes de gestion des files d’attente les organisent efficacement et réduisent ainsi les temps d’attente des clients. La satisfaction s’en trouve améliorée, car les clients passent moins de temps à attendre et davantage de temps à profiter des produits ou des services.
- Efficacité accrue : La mise en place d’un système de gestion des files d’attente permet aux entreprises d’allouer leurs ressources plus efficacement. En analysant les données des files d’attente et en optimisant la répartition du personnel, les entreprises peuvent rationaliser leurs opérations, réduire leurs coûts et améliorer leur productivité globale.
- Informations en temps réel : La gestion des files d’attente propulsée par YOLO26 fournit instantanément des données sur la longueur des files et les temps d’attente, ce qui permet aux responsables de prendre rapidement des décisions éclairées.
- Amélioration de l’expérience client : En réduisant la frustration associée aux longues attentes, les entreprises peuvent améliorer considérablement la satisfaction et la fidélité de leurs clients.
Applications concrètes#
| Logistique | Commerce de détail |
|---|---|
 |  |
| Gestion d’une file d’attente au comptoir de billetterie d’un aéroport avec Ultralytics YOLO26 | Surveillance d’une file d’attente dans une foule avec Ultralytics YOLO26 |
Gère les files d’attente avec YOLO26#
La solution QueueManager compte à chaque image les objets qui restent dans une région définie, ce qui te donne la longueur de la file en temps réel et te permet de l’inscrire dans une vidéo de sortie. Fournis un polygone couvrant la zone d’attente, puis exécute la solution sur ta source vidéo avec l’API Python ou la CLI.
# Run a queue example
yolo solutions queue show=True
# Pass a source video
yolo solutions queue source="path/to/video.mp4"
# Pass queue coordinates
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]"Arguments de QueueManager#
Voici un tableau des arguments de QueueManager :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
model | str | None | Chemin vers un fichier de modèle Ultralytics YOLO. |
region | list ou dict | None | Points définissant la région d'intérêt : une liste de tuples (x, y) ou un dictionnaire associant des noms de régions à des listes de points pour plusieurs régions (uniquement RegionCounter). Si None, les solutions qui nécessitent une région utilisent une région par défaut prédéfinie. |
line_width | int | 2 | Épaisseur des lignes des boîtes, des points clés et des compteurs dessinés par la solution. |
verbose | bool | True | Active 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. |
La solution QueueManager prend également en charge les arguments track :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Indique l'algorithme de suivi à utiliser. Options intégrées : botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Définit le seuil de confiance des détections ; des valeurs plus faibles permettent de suivre davantage d'objets, mais peuvent inclure des faux positifs. |
iou | float | 0.7 | Définit le seuil d'intersection sur l'union (IoU) utilisé pour filtrer les détections qui se chevauchent. |
classes | list | None | Filtre les résultats selon l'indice de classe. Par exemple, classes=[0, 2, 3] ne suit que les classes spécifiées. |
device | str | None | Indique 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. |
imgsz | int or tuple | 640 | Taille 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_det | int | 300 | Nombre maximal de détections conservées par image avant le suivi, ce qui limite le nombre d'objets qu'une solution traite dans les scènes denses. |
quantize | int or str | None | Précision de l'inférence : 16 (FP16) ou 32/non défini (FP32) pour les modèles PyTorch et TorchScript ; les autres formats utilisent la précision sélectionnée par leur artefact et leur environnement d'exécution. Remplace l'option obsolète half. |
Les paramètres de visualisation suivants sont également disponibles :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
show | bool | False | Si True, affiche les images ou vidéos annotées dans une fenêtre. Utile pour obtenir un retour visuel immédiat pendant le développement ou les tests. |
show_conf | bool | True | Affiche 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_labels | bool | True | Affiche les étiquettes de chaque détection dans le résultat visuel. Permet d'identifier immédiatement les objets détectés. |
Stratégies de mise en œuvre#
Lorsque tu mets en place la gestion des files d’attente avec YOLO26, tiens compte des bonnes pratiques suivantes :
- Positionnement stratégique des caméras : place les caméras de façon à couvrir toute la zone d’attente sans obstruction.
- Définition des zones de file d’attente appropriées : définis soigneusement les limites des files d’attente en fonction de l’aménagement physique de ton espace.
- Réglage du seuil de confiance de détection : ajuste le seuil de confiance en fonction de l’éclairage et de la densité de la foule.
- Intégration aux systèmes existants : connecte ta solution de gestion des files d’attente à des panneaux d’affichage numériques ou à des systèmes de notification du personnel pour automatiser les réponses.
FAQ#
Pour utiliser Ultralytics YOLO26 afin de gérer des files d’attente en temps réel, suis ces étapes :
- Capture le flux vidéo à l’aide de
cv2.VideoCapture. - Définis la région d’intérêt (ROI) pour la gestion des files d’attente.
- Initialise
solutions.QueueManageravec un modèle YOLO26, commeyolo26n.pt, et la région. - Traite les images pour détecter les objets et gérer les files d’attente.
Voici un exemple minimal :
import cv2 from ultralytics import solutions cap = cv2.VideoCapture("path/to/video.mp4") queue_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)] queuemanager = solutions.QueueManager( model="yolo26n.pt", region=queue_region, line_width=3, show=True, ) while cap.isOpened(): success, im0 = cap.read() if not success: break results = queuemanager(im0) cap.release() cv2.destroyAllWindows()L’utilisation de Ultralytics Platform peut simplifier ce processus en fournissant une plateforme conviviale pour entraîner et déployer les modèles qui alimentent ta solution de gestion des files d’attente.
- Capture le flux vidéo à l’aide de
L’utilisation d’Ultralytics YOLO26 pour gérer les files d’attente offre plusieurs avantages :
- Réduction considérable des temps d’attente : organise efficacement les files d’attente, réduit le temps d’attente des clients et améliore leur satisfaction.
- Efficacité accrue : analyse les données des files d’attente pour optimiser la répartition du personnel et les opérations, et ainsi réduire les coûts.
- Informations en temps réel : fournit le décompte des files d’attente en direct pour chaque image, ce qui permet d’intervenir rapidement lorsque les files s’allongent.
- Évolutivité : s’adapte facilement à différents environnements, comme les commerces, les aéroports et les établissements de santé.
Pour en savoir plus, découvre nos solutions de gestion des files d’attente.
Ultralytics YOLO26 présente plusieurs avantages par rapport à TensorFlow et Detectron2 pour la gestion des files d’attente :
- Performances en temps réel : YOLO26 est réputé pour ses capacités de détection en temps réel et offre une vitesse de traitement supérieure.
- Facilité d’utilisation : Ultralytics propose une expérience conviviale, de l’entraînement au déploiement, grâce à Ultralytics Platform.
- Modèles préentraînés : accède à une gamme de modèles préentraînés qui réduisent le temps nécessaire à la configuration.
- Soutien de la communauté : une documentation complète et une communauté active facilitent la résolution des problèmes.
Découvre comment démarrer avec Ultralytics YOLO.
Oui, Ultralytics YOLO26 peut gérer différents types de files d’attente, notamment dans les aéroports et les commerces. En configurant QueueManager avec des régions et des paramètres spécifiques, YOLO26 peut s’adapter à différentes dispositions et densités de files d’attente.
Exemple pour les aéroports :
queue_region_airport = [(50, 600), (1200, 600), (1200, 550), (50, 550)] queue_airport = solutions.QueueManager( model="yolo26n.pt", region=queue_region_airport, line_width=3, )Pour en savoir plus sur la diversité des applications, consulte la section Applications concrètes.
Ultralytics YOLO26 est utilisé dans diverses applications concrètes de gestion des files d’attente :
- Commerce de détail : surveille les files aux caisses pour réduire les temps d’attente et améliorer la satisfaction des clients.
- Aéroports : gère les files aux comptoirs de billetterie et aux contrôles de sécurité pour rendre l’expérience des passagers plus fluide.
- Santé : optimise le flux des patients dans les cliniques et les hôpitaux.
- Banques : améliore le service client en gérant efficacement les files d’attente dans les banques.
Consulte notre article de blog sur la gestion des files d’attente dans le monde réel pour découvrir comment la vision par ordinateur transforme la surveillance des files d’attente dans différents secteurs.