Estimation de vitesse avec Ultralytics YOLO26#
Qu’est-ce que l’estimation de la vitesse ?#
L’estimation de la vitesse est le processus de calcul de la vitesse de déplacement d’un objet dans un contexte donné, souvent utilisé dans les applications de vision par ordinateur. Avec Ultralytics YOLO26, tu peux désormais calculer la vitesse des objets en utilisant le suivi d’objets ainsi que des données de distance et de temps, essentielles pour des tâches comme la surveillance du trafic et la vidéosurveillance. La précision de l’estimation de la vitesse influence directement l’efficacité et la fiabilité de nombreuses applications, ce qui en fait un élément clé de l’évolution des systèmes intelligents et des processus de prise de décision en temps réel.
Watch: Speed Estimation using Ultralytics YOLO26
Pour approfondir le sujet de 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 la vitesse#
- Gestion efficace du trafic : Une estimation précise de la vitesse contribue à gérer la circulation, à renforcer la sécurité et à réduire les embouteillages sur les routes.
- Navigation autonome précise : Dans les systèmes autonomes comme les voitures autonomes, une estimation fiable de la vitesse garantit une navigation sûre et précise des véhicules.
- Sécurité renforcée de la vidéosurveillance : L’estimation de la vitesse dans les systèmes d’analyse vidéo aide à identifier les comportements inhabituels ou les menaces potentielles, améliorant ainsi l’efficacité des mesures de sécurité.
Applications concrètes#
| Transport | Transport |
|---|---|
 |  |
| Estimation de la vitesse sur une route avec Ultralytics YOLO26 | Estimation de la vitesse sur un pont avec Ultralytics YOLO26 |
La vitesse est une estimation
La vitesse est une estimation et peut ne pas être totalement exacte. De plus, l’estimation peut varier en fonction des caractéristiques de la caméra et d’autres facteurs associés.
Estimer la vitesse avec YOLO26#
La solution SpeedEstimator suit chaque objet d’une image à l’autre et convertit son déplacement en pixels en vitesse à l’aide de la fréquence d’images vidéo (fps) et d’une échelle réelle (meter_per_pixel). Ajuste meter_per_pixel en fonction de la configuration de ta caméra et utilise max_speed pour limiter les valeurs aberrantes dues aux 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 présentant les arguments de SpeedEstimator :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
model | str | None | Chemin vers un fichier de modèle Ultralytics YOLO. |
fps | float | 30.0 | Nombre d'images par seconde utilisé pour les calculs de vitesse. |
max_hist | int | 5 | Nombre maximal de points historiques à suivre par objet pour les calculs de vitesse et de direction. |
meter_per_pixel | float | 0.05 | Facteur d'échelle utilisé pour convertir une distance en pixels en unités réelles. |
max_speed | int | 120 | Limite de vitesse maximale dans les superpositions visuelles (utilisée pour les alertes). |
line_width | int | 2 | Épaisseur des lignes des boîtes, des points clés et des comptages dessinés par la solution. |
verbose | bool | True | Active le journal par image de la solution, qui indique la forme d'entrée, les comptages par classe et la vitesse de traitement. L'appel de suivi lui-même est toujours silencieux. |
La solution SpeedEstimator permet d’utiliser les paramètres track :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
tracker | str | 'botsort.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 union (IoU) pour filtrer les détections qui se chevauchent. |
classes | list | None | Filtre les résultats par 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 de l'image d'inférence cible : un entier pour un carré ou une paire (height, width). Les formes sont ajustées au pas du modèle. |
max_det | int | 300 | Nombre maximal de détections conservées par image avant le suivi, ce qui limite les objets traités par une solution dans les scènes denses. |
quantize | int or str | None | Précision de l'inférence : 16 (FP16) ou 32/non définie (FP32) pour les modèles PyTorch et TorchScript ; les autres formats s'exécutent à la précision sélectionnée par leur artefact et leur environnement d'exécution. Remplace l'indicateur déprécié half. |
De plus, les options de visualisation suivantes sont prises en charge :
| 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 un aperçu du degré de certitude du modèle pour chaque détection. |
show_labels | bool | True | Affiche les étiquettes de chaque détection dans la sortie visuelle. Permet d’identifier immédiatement les objets détectés. |
FAQ#
L’utilisation d’Ultralytics YOLO26 pour l’estimation de la 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 la circulation et les embouteillages.
- Évolutivité : Déploie le modèle sur différentes configurations matérielles, des appareils périphériques aux serveurs, afin de garantir des solutions flexibles et évolutives pour les déploiements à grande échelle.
Pour découvrir d’autres 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 prend en charge l’exportation des modèles YOLO26 vers différents formats comme ONNX, TensorRT et CoreML, garantissant une interopérabilité fluide avec d’autres frameworks de ML.
Pour exporter un modèle YOLO26 au format ONNX :
yolo export model=yolo26n.pt format=onnxPour en savoir plus sur l’exportation des modèles, consulte notre guide sur l’exportation.
La précision de l’estimation de la vitesse avec Ultralytics YOLO26 dépend de plusieurs facteurs, notamment de la qualité du suivi des objets, de la résolution et de la fréquence d’images de la vidéo, ainsi que des conditions environnementales. Bien que l’estimateur de vitesse fournisse des estimations fiables, celles-ci peuvent ne pas être exactes à 100 % en raison des variations de la vitesse de traitement des images et de l’occlusion des objets.
Remarque : Prends toujours en compte la marge d’erreur et valide les estimations avec des données de référence lorsque cela est possible.
Pour obtenir d’autres conseils afin d’améliorer la précision, consulte la section Arguments
SpeedEstimator.
L’estimation de la vitesse des objets 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 l’ensemble de ce processus : fournis ta vidéo et ajustemeter_per_pixelen fonction de ta caméra. Pour plus de contexte, consulte notre article de blog officiel.