Estimation de vitesse avec Ultralytics YOLO26 🚀#
Qu'est-ce que l'estimation de vitesse ?#
L'estimation de vitesse est le processus qui consiste à calculer la vitesse de déplacement d'un objet dans un contexte donné, souvent utilisé dans les applications de vision par ordinateur. En utilisant Ultralytics YOLO26, tu peux désormais calculer la vitesse des objets à l'aide du suivi d'objets ainsi que des données de distance et de temps, ce qui est crucial pour des tâches telles que la surveillance du trafic et la vidéosurveillance. La précision de l'estimation de la vitesse influence directement l'efficacité et la fiabilité de diverses applications, ce qui en fait un élément clé dans l'avancement des systèmes intelligents et des processus de prise de décision en temps réel.
Watch: Speed Estimation using Ultralytics YOLO26
Pour des informations plus approfondies sur l'estimation de la vitesse, consulte notre article de blog : Ultralytics YOLO pour l'estimation de la vitesse dans les projets de vision par ordinateur
Avantages de l'estimation de vitesse#
- Contrôle efficace du trafic : Une estimation précise de la vitesse aide à gérer le flux de circulation, à améliorer la sécurité et à réduire la congestion sur les routes.
- Navigation autonome précise : Dans les systèmes autonomes tels que les voitures autonomes, une estimation fiable de la vitesse garantit une navigation sûre et précise du véhicule.
- Sécurité de surveillance renforcée : L'estimation de la vitesse dans l'analyse de surveillance aide à identifier des comportements inhabituels ou des menaces potentielles, améliorant l'efficacité des mesures de sécurité.
Applications dans le monde réel#
| Transports | Transports |
|---|---|
 |  |
| Estimation de vitesse sur route avec Ultralytics YOLO26 | Estimation de vitesse sur pont avec Ultralytics YOLO26 |
La vitesse est une estimation
La vitesse sera une estimation et peut ne pas être totalement précise. De plus, l'estimation peut varier en fonction des spécifications de la caméra et d'autres facteurs connexes.
Estime la vitesse avec YOLO26#
La solution SpeedEstimator suit chaque objet à travers les images et convertit son déplacement en pixels en vitesse en utilisant la fréquence d'images de la vidéo (fps) et une échelle du monde réel (meter_per_pixel). Ajuste meter_per_pixel à la configuration de ta caméra et utilise max_speed pour éliminer les valeurs aberrantes issues de suivis bruités.
# Run a speed example
yolo solutions speed show=True
# Pass a source video
yolo solutions speed source="path/to/video.mp4"
# Adjust meter per pixel value based on camera configuration
yolo solutions speed meter_per_pixel=0.05Arguments de SpeedEstimator#
Voici un tableau avec les arguments de SpeedEstimator :
| Argument | Type | Défaut | Description |
|---|---|---|---|
model | str | None | Chemin d'accès vers un fichier de modèle YOLO d'Ultralytics. |
fps | float | 30.0 | Images par seconde utilisées pour les calculs de vitesse. |
max_hist | int | 5 | Points historiques maximum à suivre par objet pour les calculs de vitesse/direction. |
meter_per_pixel | float | 0.05 | Facteur d'échelle utilisé pour convertir la distance en pixels en unités du monde réel. |
max_speed | int | 120 | Limite de vitesse maximale dans les superpositions visuelles (utilisée dans les alertes). |
line_width | int | 2 | Épaisseur de ligne pour les boîtes, les points clés et les comptes tracés par la solution. |
verbose | bool | True | Active le journal par trame de la solution concernant la forme d'entrée, les comptes de classes et la vitesse de traitement. L'appel de suivi reste toujours silencieux. |
La solution SpeedEstimator permet l'utilisation des paramètres track :
| Argument | Type | Défaut | Description |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Spécifie 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 pour les détections ; des valeurs plus faibles permettent de suivre plus d'objets, mais peuvent inclure des faux positifs. |
iou | float | 0.7 | Définit le seuil d'Intersection over Union (IoU) pour filtrer les détections qui se chevauchent. |
classes | list | None | Filtre les résultats par index de classe. Par exemple, classes=[0, 2, 3] ne suit que les classes spécifiées. |
device | str | None | Spécifie le périphérique pour l'inférence (par exemple, cpu, cuda:0 ou 0). Permet aux utilisateurs de choisir entre le CPU, un GPU spécifique ou d'autres périphériques de calcul pour l'exécution du modèle. |
De plus, les options de visualisation suivantes sont prises en charge :
| Argument | Type | Défaut | Description |
|---|---|---|---|
show | bool | False | Si True, affiche les images ou vidéos annotées dans une fenêtre. Utile pour un retour visuel immédiat pendant le développement ou les tests. |
show_conf | bool | True | Affiche le score de confiance pour chaque détection à côté de l'étiquette. Donne un aperçu de la certitude du modèle pour chaque détection. |
show_labels | bool | True | Affiche les étiquettes pour chaque détection dans la sortie visuelle. Permet une compréhension immédiate des objets détectés. |
FAQ#
Utiliser Ultralytics YOLO26 pour l'estimation de vitesse offre des avantages significatifs dans la gestion du trafic :
- Sécurité renforcée : Estime précisément la vitesse des véhicules pour détecter les excès de vitesse et améliorer la sécurité routière.
- Surveillance en temps réel : Profite de la capacité de détection d'objets en temps réel de YOLO26 pour surveiller efficacement le flux de circulation et la congestion.
- Évolutivité : Déploie le modèle sur diverses configurations matérielles, des appareils de périphérie aux serveurs, garantissant des solutions flexibles et évolutives pour des mises en œuvre à grande échelle.
Pour plus d'applications, consulte les avantages de l'estimation de la vitesse.
Oui, YOLO26 peut être intégré à d'autres frameworks d'IA comme TensorFlow et PyTorch. Ultralytics offre un support pour l'exportation des modèles YOLO26 vers divers formats tels que ONNX, TensorRT et CoreML, garantissant une interopérabilité fluide avec d'autres frameworks de machine learning.
Pour exporter un modèle YOLO26 au format ONNX :
yolo export model=yolo26n.pt format=onnxApprends-en davantage sur l'exportation des modèles dans notre guide sur l'exportation.
La précision de l'estimation de la vitesse à l'aide d'Ultralytics YOLO26 dépend de plusieurs facteurs, notamment la qualité du suivi des objets, la résolution et la fréquence d'images de la vidéo, ainsi que des variables environnementales. Bien que l'estimateur de vitesse fournisse des estimations fiables, il peut ne pas être précis à 100 % en raison des variations de la vitesse de traitement des images et de l'occlusion des objets.
Note : Prends toujours en compte la marge d'erreur et valide les estimations avec des données de vérité terrain si possible.
Pour obtenir d'autres conseils d'amélioration de la précision, consulte la section Arguments
SpeedEstimator.
Estimer la vitesse d'un objet avec Ultralytics YOLO26 combine la détection d'objets et le suivi. Le modèle détecte les objets dans chaque image, les suit d'une image à l'autre et convertit la distance parcourue entre les images en vitesse à l'aide de la fréquence d'images et de l'échelle
meter_per_pixel. L'exemple Python ci-dessus exécute ce pipeline complet — transmets ta vidéo et ajustemeter_per_pixelà ta caméra. Pour plus de contexte, réfère-toi à notre article de blog officiel.