Estimation de la vitesse avec Ultralytics YOLO26#
Qu’est-ce que l’estimation de la vitesse ?#
L’estimation de la vitesse consiste à calculer la vitesse de déplacement d’un objet dans un contexte donné. Elle est souvent utilisée dans des applications de vision par ordinateur. Avec Ultralytics YOLO26, tu peux désormais calculer la vitesse des objets en combinant le suivi d’objets avec 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 influe directement sur l’efficacité et la fiabilité de diverses applications. Elle constitue donc un élément clé du développement des systèmes intelligents et des processus de prise de décision en temps réel.
Regarder : Estimation de la vitesse avec 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 aide à gérer la circulation, à renforcer la sécurité et à réduire les embouteillages.
- Navigation autonome précise : Dans les systèmes autonomes comme les voitures autonomes, une estimation fiable de la vitesse garantit une navigation sûre et précise.
- Sécurité renforcée de la vidéosurveillance : L’estimation de la vitesse dans les systèmes d’analyse vidéo aide à repérer 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 obtenue 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 de la vidéo (fps) et d’une échelle réelle (meter_per_pixel). Ajuste meter_per_pixel à la configuration de ta caméra et utilise max_speed pour limiter les valeurs aberrantes dues au bruit dans les trajectoires.
# 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 des arguments de SpeedEstimator :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
model | str | None | Chemin vers un fichier de modèle Ultralytics YOLO. |
fps | float | 30.0 | Images par seconde utilisées 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 les distances en pixels en unités du monde réel. |
max_speed | int | 120 | Vitesse maximale en km/h ; les vitesses estimées supérieures sont plafonnées à cette valeur. |
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 SpeedEstimator permet d’utiliser les paramètres 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 options de visualisation suivantes sont également 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_labels | bool | True | Affiche les étiquettes de chaque détection dans le résultat visuel. Permet d'identifier immédiatement les objets détectés. |
FAQ#
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, puis 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 : indique ta vidéo et ajustemeter_per_pixelen fonction de ta caméra. Pour en savoir plus, consulte notre article de blog officiel.L’utilisation d’Ultralytics YOLO26 pour estimer la vitesse offre des avantages considérables pour la gestion du trafic :
- Sécurité renforcée : Estime avec précision 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 en périphérie aux serveurs, pour créer des solutions flexibles et évolutives adaptées aux 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 permet d’exporter les modèles YOLO26 dans différents formats comme ONNX, TensorRT et CoreML, ce qui garantit 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 de 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 d’objets, de la résolution et de la fréquence d’images de la vidéo, ainsi que des variables environnementales. L’estimateur de vitesse fournit des estimations fiables, mais celles-ci peuvent ne pas être exactes à 100 % en raison des variations de la vitesse de traitement des images et de l’occultation des objets.
Remarque : tiens toujours compte de la marge d’erreur et, si possible, valide les estimations à l’aide de données de référence.
Pour améliorer encore la précision, consulte la section Arguments
SpeedEstimator.