Pourquoi utiliser Ultralytics YOLO26 pour la cartographie et le suivi d’objets ?

Ultralytics YOLO26 est reconnu pour sa vitesse, sa précision et sa facilité d’intégration, ce qui en fait un excellent choix pour la cartographie et le suivi d’objets. Ses principaux avantages sont les suivants : Performances de pointe : fournit une grande précision pour la détection d’objets en temps réel. Flexibilité : prend en charge la détection, le suivi et le calcul de distance au sein d’un même pipeline. Communauté et assistance : une documentation complète et une communauté GitHub active pour le dépannage et les améliorations. Facilité d’utilisation : une API intuitive simplifie les tâches complexes et permet un déploiement et des itérations rapides. Pour plus d’informations sur les applications et les avantages, consulte la documentation Ultralytics YOLO26.

Comment intégrer VisionEye à d’autres outils de machine learning comme Comet ou ClearML ?

Ultralytics YOLO26 s’intègre parfaitement à divers outils de machine learning comme Comet et ClearML, ce qui améliore le suivi des expériences, la collaboration et la reproductibilité. Consulte les guides détaillés sur l’utilisation de YOLOv5 avec Comet et sur l’intégration de YOLO26 avec ClearML pour commencer. Pour découvrir davantage d’exemples d’exploration et d’intégration, consulte notre guide des intégrations Ultralytics.

Mappage d'objets VisionEye View avec Ultralytics YOLO26#

Qu’est-ce que la cartographie d’objets avec VisionEye ?#

Ultralytics YOLO26 VisionEye permet aux ordinateurs d’identifier et de localiser précisément des objets, en simulant la précision de l’œil humain. Cette fonctionnalité permet aux ordinateurs de distinguer et de cibler des objets spécifiques, un peu comme l’œil humain observe les détails depuis un point de vue donné.

VisionEye object mapping with YOLO tracking

Cartographier des objets avec YOLO26#

VisionEye fixe un point d’observation unique dans l’image et trace un rayon depuis celui-ci vers chaque objet suivi, afin que tu puisses visualiser l’apparence d’une scène depuis un point de vue donné. Définis vision_point sur les coordonnées en pixels de l’observateur, puis exécute la solution sur ta vidéo avec l’API Python ou la CLI.

Cartographie avec VisionEye à l’aide d’Ultralytics YOLO

# Monitor objects position with visioneye
yolo solutions visioneye show=True

# Pass a source video
yolo solutions visioneye source="path/to/video.mp4"

# Monitor the specific classes
yolo solutions visioneye classes="[0, 5]"

Arguments de `VisionEye`#

Voici un tableau présentant les arguments de VisionEye :

Argument	Type	Valeur par défaut	Description
`model`	`str`	`None`	Chemin vers un fichier de modèle Ultralytics YOLO.
`vision_point`	`tuple[int, int]`	`(20, 20)`	Point à partir duquel VisionEye suit les objets et dessine les trajectoires à l'aide de VisionEye Solution.
`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.

Tu peux également utiliser différents arguments track dans la solution VisionEye :

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, certains arguments de visualisation sont pris en charge, comme indiqué ci-dessous :

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.

Fonctionnement de VisionEye#

VisionEye fonctionne en établissant un point de vision fixe dans l’image et en traçant des lignes depuis ce point vers les objets détectés. Cela simule la façon dont la vision humaine se concentre sur plusieurs objets depuis un point de vue unique. La solution utilise le suivi d’objets pour maintenir une identification cohérente des objets d’une image à l’autre, créant ainsi une représentation visuelle de la relation spatiale entre l’observateur (le point de vision) et les objets de la scène.

La méthode process de la classe VisionEye effectue plusieurs opérations clés :

Extrait les trajectoires (boîtes englobantes, classes et masques) de l’image d’entrée
Crée un annotateur pour dessiner les boîtes englobantes et les étiquettes
Pour chaque objet détecté, dessine une étiquette de boîte et crée une ligne de vision depuis le point de vision
Renvoie l’image annotée avec les statistiques de suivi

Cette approche est particulièrement utile pour les applications nécessitant une perception spatiale et la visualisation des relations entre les objets, comme les systèmes de surveillance, la navigation autonome et les installations interactives.

Applications de VisionEye#

La cartographie d’objets avec VisionEye a de nombreuses applications pratiques dans divers secteurs :

Sécurité et surveillance : surveiller plusieurs objets d’intérêt depuis une position de caméra fixe
Analyse de la vente au détail : suivre les schémas de déplacement des clients par rapport aux présentoirs du magasin
Analyse sportive : analyser le positionnement et les déplacements des joueurs du point de vue d’un entraîneur
Véhicules autonomes : visualiser comment un véhicule « voit » et hiérarchise les objets dans son environnement
Interaction homme-machine : créer des interfaces plus intuitives qui réagissent aux relations spatiales

En combinant VisionEye avec d’autres solutions Ultralytics, comme le calcul de distance ou l’estimation de vitesse, tu peux créer des systèmes complets qui suivent les objets, mais comprennent également leurs relations spatiales et leurs comportements.

FAQ#

Pour commencer à utiliser la cartographie d’objets avec VisionEye et Ultralytics YOLO26, tu dois d’abord installer le package Ultralytics YOLO via pip. Tu peux ensuite utiliser l’exemple de code fourni dans la documentation pour configurer la détection d’objets avec VisionEye. Voici un exemple simple pour commencer :

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
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("vision-eye-mapping.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init vision eye object
visioneye = solutions.VisionEye(
    show=True,  # display the output
    model="yolo26n.pt",  # use any model that Ultralytics supports, e.g., yolo26s.pt
    classes=[0, 2],  # generate visioneye view for specific classes
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = visioneye(im0)

    print(results)  # access the output

    video_writer.write(results.plot_im)  # write the video file

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

Ultralytics YOLO26 est reconnu pour sa vitesse, sa précision et sa facilité d’intégration, ce qui en fait un excellent choix pour la cartographie et le suivi d’objets. Ses principaux avantages sont les suivants :
1. Performances de pointe : fournit une grande précision pour la détection d’objets en temps réel.
2. Flexibilité : prend en charge la détection, le suivi et le calcul de distance au sein d’un même pipeline.
3. Communauté et assistance : une documentation complète et une communauté GitHub active pour le dépannage et les améliorations.
4. Facilité d’utilisation : une API intuitive simplifie les tâches complexes et permet un déploiement et des itérations rapides.
Pour plus d’informations sur les applications et les avantages, consulte la documentation Ultralytics YOLO26.
Ultralytics YOLO26 s’intègre parfaitement à divers outils de machine learning comme Comet et ClearML, ce qui améliore le suivi des expériences, la collaboration et la reproductibilité. Consulte les guides détaillés sur l’utilisation de YOLOv5 avec Comet et sur l’intégration de YOLO26 avec ClearML pour commencer.

Pour découvrir davantage d’exemples d’exploration et d’intégration, consulte notre guide des intégrations Ultralytics.

Contributeurs

GLglenn-jocher²³ RAraimbekovm⁷ RIRizwanMunawar⁵ MAMatthewNoyce¹ IVIvorZhu331¹

Créé 18 déc. 2023Mis à jour il y a 3 jours