Link to this sectionEstimation de vitesse avec Ultralytics YOLO26 🚀#
Link to this sectionQu'est-ce que l'estimation de vitesse ?#
L'estimation de 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. En utilisant Ultralytics YOLO26, tu peux désormais calculer la vitesse des objets grâce au suivi d'objets ainsi qu'aux données de distance et de temps, ce qui est crucial pour des tâches comme la surveillance et la gestion du trafic. 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 vitesse, consulte notre article de blog : Ultralytics YOLO for Speed Estimation in Computer Vision Projects
Link to this sectionAvantages 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 comme les voitures autonomes, une estimation fiable de la vitesse garantit une navigation sécurisée 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.
Link to this sectionApplications 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.
# 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=0.05Link to this sectionArguments 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). |
La solution SpeedEstimator permet l'utilisation des paramètres de 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 | 0.1 | 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 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. |
verbose | bool | True | Contrôle l'affichage des résultats de suivi, en fournissant une sortie visuelle des objets suivis. |
device | str | None | Spécifie le périphérique pour l'inférence (par ex. cpu, cuda:0 ou 0). Permet aux utilisateurs de choisir entre le CPU, un GPU spécifique ou d'autres dispositifs 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 lors du développement ou des tests. |
line_width | int or None | None | Spécifie l'épaisseur de ligne des boîtes englobantes. Si None, l'épaisseur de ligne est automatiquement ajustée en fonction de la taille de l'image. Offre une personnalisation visuelle pour plus de clarté. |
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. |
Link to this sectionFAQ#
Link to this sectionComment estimer la vitesse d'un objet avec Ultralytics YOLO26 ?#
Estimer la vitesse d'un objet avec Ultralytics YOLO26 implique de combiner des techniques de détection d'objets et de suivi. D'abord, tu dois détecter les objets dans chaque image à l'aide du modèle YOLO26. Ensuite, suis ces objets à travers les images pour calculer leur mouvement au fil du temps. Enfin, utilise la distance parcourue par l'objet entre les images et la fréquence d'images pour estimer sa vitesse.
Exemple :
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
# Initialize SpeedEstimator
speedestimator = solutions.SpeedEstimator(
model="yolo26n.pt",
show=True,
)
while cap.isOpened():
success, im0 = cap.read()
if not success:
break
results = speedestimator(im0)
video_writer.write(results.plot_im)
cap.release()
video_writer.release()
cv2.destroyAllWindows()Pour plus de détails, reporte-toi à notre article de blog officiel.
Link to this sectionQuels sont les avantages d'utiliser Ultralytics YOLO26 pour l'estimation de vitesse dans la gestion du trafic ?#
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 pointe aux serveurs, garantissant des solutions flexibles et évolutives pour les implémentations à grande échelle.
Pour plus d'applications, vois les avantages de l'estimation de vitesse.
Link to this sectionYOLO26 peut-il être intégré avec d'autres frameworks d'IA comme TensorFlow ou PyTorch ?#
Oui, YOLO26 peut être intégré avec d'autres frameworks d'IA comme TensorFlow et PyTorch. Ultralytics fournit un support pour exporter les modèles YOLO26 vers divers formats comme ONNX, TensorRT et CoreML, assurant une interopérabilité fluide avec d'autres frameworks de ML.
Pour exporter un modèle YOLO26 au format ONNX :
yolo export model=yolo26n.pt format=onnxApprends-en plus sur l'exportation de modèles dans notre guide sur l'exportation.
Link to this sectionQuelle est la précision de l'estimation de vitesse avec Ultralytics YOLO26 ?#
La précision de l'estimation de vitesse avec Ultralytics YOLO26 dépend de plusieurs facteurs, notamment la qualité du suivi d'objet, la résolution et la fréquence d'images de la vidéo, ainsi que les 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 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 d'autres conseils d'amélioration de la précision, consulte la section Arguments SpeedEstimator.

