Estimation de la vitesse à l'aide de Ultralytics YOLOv8 🚀

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. En utilisant Ultralytics YOLOv8 tu peux maintenant calculer la vitesse d'un objet en utilisant le suivi d'objet en même temps que les données de distance et de temps, ce qui est crucial pour des tâches telles que la circulation et la surveillance. 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.

Regarde : Estimation de la vitesse à l'aide de Ultralytics YOLOv8

Avantages de l'estimation de la vitesse ?

• Contrôle efficace du trafic : Une estimation précise de la vitesse permet de gérer le flux de circulation, d'améliorer la sécurité et de réduire les embouteillages sur les routes.
• Navigation autonome précise : Dans les systèmes autonomes comme les voitures auto-conduites, une estimation fiable de la vitesse garantit une navigation sûre et précise du véhicule.
• Amélioration de la sécurité de la surveillance : L'estimation de la vitesse dans l'analyse de la surveillance permet d'identifier les comportements inhabituels ou les menaces potentielles, ce qui améliore l'efficacité des mesures de sécurité.

Applications dans le monde réel

Transport	Transport
Estimation de la vitesse sur route à l'aide de Ultralytics YOLOv8	Estimation de la vitesse sur un pont à l'aide de Ultralytics YOLOv8

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
names = model.model.names

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
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
video_writer = cv2.VideoWriter("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

line_pts = [(0, 360), (1280, 360)]

# Init speed-estimation obj
speed_obj = solutions.SpeedEstimator(
    reg_pts=line_pts,
    names=names,
    view_img=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    tracks = model.track(im0, persist=True, show=False)

    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Arguments SpeedEstimator

Arguments model.track

FAQ

Comment estimer la vitesse d'un objet à l'aide de Ultralytics YOLOv8 ?

L'estimation de la vitesse des objets avec Ultralytics YOLOv8 implique de combiner les techniques de détection et de suivi des objets. Tout d'abord, tu dois détecter les objets dans chaque image à l'aide du modèle YOLOv8 . Puis, suivre ces objets d'une image à l'autre pour calculer leur mouvement dans le temps. Enfin, utilise la distance parcourue par l'objet entre les images et la fréquence des images pour estimer sa vitesse.

Exemple:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
names = model.model.names

cap = cv2.VideoCapture("path/to/video/file.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
speed_obj = solutions.SpeedEstimator(
    reg_pts=[(0, 360), (1280, 360)],
    names=names,
    view_img=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Pour plus de détails, reporte-toi à notre article de blog officiel.

Quels sont les avantages de l'utilisation de Ultralytics YOLOv8 pour l'estimation de la vitesse dans la gestion du trafic ?

L'utilisation de Ultralytics YOLOv8 pour l'estimation de la vitesse offre des avantages significatifs dans 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 YOLOv8 pour surveiller efficacement le flux de circulation et les embouteillages.
• Évolutivité: Déploie le modèle sur diverses configurations matérielles, des appareils périphériques aux serveurs, ce qui garantit des solutions flexibles et évolutives pour les mises en œuvre à grande échelle.

Pour plus d'applications, voir les avantages de l'estimation de la vitesse.

YOLOv8 peut-il être intégré à d'autres frameworks d'IA comme TensorFlow ou PyTorch?

Oui, YOLOv8 peut être intégré à d'autres frameworks d'IA tels que TensorFlow et PyTorch. Ultralytics prend en charge l'exportation des modèles YOLOv8 vers différents formats tels que ONNX, TensorRT, et CoreML, ce qui garantit une interopérabilité harmonieuse avec d'autres frameworks de ML.

Pour exporter un modèle YOLOv8 au format ONNX :

yolo export --weights yolov8n.pt --include onnx

Pour en savoir plus sur l'exportation des modèles, consulte notre guide sur l'exportation.

Quelle est la précision de l'estimation de la vitesse à l'aide de Ultralytics YOLOv8 ?

La précision de l'estimation de la vitesse à l'aide de Ultralytics YOLOv8 dépend de plusieurs facteurs, notamment de la qualité du suivi des objets, de la résolution et de la fréquence des 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.

Remarque: il faut toujours tenir compte de la marge d'erreur et valider les estimations avec les données de la vérité terrain lorsque c'est possible.

Pour d'autres conseils sur l'amélioration de la précision, consulte la rubrique Arguments SpeedEstimator section.

Pourquoi choisir Ultralytics YOLOv8 plutôt que d'autres modèles de détection d'objets comme TensorFlow Object Detection API ?

Ultralytics YOLOv8 offre plusieurs avantages par rapport à d'autres modèles de détection d'objets, tels que l'API de détection d'objets TensorFlow :

• Performance en temps réel: YOLOv8 est optimisé pour la détection en temps réel, offrant une vitesse et une précision élevées.
• Facilité d'utilisation: Conçu avec une interface conviviale, YOLOv8 simplifie la formation et le déploiement du modèle.
• Polyvalence: Prend en charge de multiples tâches, notamment la détection d'objets, la segmentation et l'estimation de la pose.
• Communauté et assistance: YOLOv8 est soutenu par une communauté active et une documentation complète, ce qui garantit que les développeurs disposent des ressources dont ils ont besoin.

Pour plus d'informations sur les avantages de YOLOv8, explore la page détaillée de notre modèle.

Commentaires