Pourquoi devrais-je utiliser Ultralytics YOLO26 pour le mappage et le suivi d'objets ?

Ultralytics YOLO26 est réputé pour sa vitesse, sa précision et sa facilité d'intégration, ce qui en fait un choix de premier ordre pour la cartographie et le suivi d'objets. Les principaux avantages incluent : Performance de pointe : Offre une grande précision dans la détection d'objets en temps réel. Flexibilité : prend en charge la détection, le suivi et le calcul de distance dans un seul pipeline. Communauté et support : Documentation étendue et communauté GitHub active pour le dépannage et les améliorations. Facilité d'utilisation : Une API intuitive simplifie les tâches complexes, permettant un déploiement et une itération rapides. Pour plus d'informations sur les applications et les avantages, consulte la documentation d'Ultralytics YOLO26.

Comment puis-je intégrer VisionEye avec d'autres outils de machine learning comme Comet ou ClearML ?

Ultralytics YOLO26 peut s'intégrer de manière transparente avec divers outils de machine learning comme Comet et ClearML, améliorant le suivi des expériences, la collaboration et la reproductibilité. Suis les guides détaillés sur comment utiliser YOLOv5 avec Comet et intégrer YOLO26 avec ClearML pour commencer. Pour une exploration plus approfondie et des exemples d'intégration, consulte notre Guide des intégrations d'Ultralytics.

Mappage d'objets VisionEye avec Ultralytics YOLO26 🚀#

Qu'est-ce que le mappage d'objets VisionEye ?#

Ultralytics YOLO26 VisionEye offre la capacité aux ordinateurs d'identifier et de localiser des objets, en simulant la précision d'observation de l'œil humain. Cette fonctionnalité permet aux ordinateurs de discerner et de se concentrer sur des objets spécifiques, un peu comme la façon dont l'œil humain observe les détails depuis un point de vue particulier.

VisionEye object mapping with YOLO tracking

Mappe tes 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 seul point de vue. Définis vision_point sur les coordonnées en pixels de l'observateur, puis exécute la solution sur ta vidéo avec l'API Python ou le CLI.

Mappage VisionEye avec 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 avec les arguments de VisionEye :

Argument	Type	Défaut	Description
`model`	`str`	`None`	Chemin d'accès vers un fichier de modèle YOLO d'Ultralytics.
`vision_point`	`tuple[int, int]`	`(20, 20)`	Le point où la vision suivra les objets et dessinera des chemins en utilisant la Solution VisionEye.
`line_width`	`int`	`2`	Épaisseur de ligne pour les boîtes, les points clés et les comptes tracés par la solution.
`verbose`	`bool`	`True`	Active le journal par trame de la solution concernant la forme d'entrée, les comptes de classes et la vitesse de traitement. L'appel de suivi reste toujours silencieux.

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

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`	`0.25`	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 over Union (IoU) pour filtrer les détections qui se chevauchent.
`classes`	`list`	`None`	Filtre les résultats par index de classe. Par exemple, `classes=[0, 2, 3]` ne suit que les classes spécifiées.
`device`	`str`	`None`	Spécifie le périphérique pour l'inférence (par exemple, `cpu`, `cuda:0` ou `0`). Permet aux utilisateurs de choisir entre le CPU, un GPU spécifique ou d'autres périphériques de calcul pour l'exécution du modèle.

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

Argument	Type	Défaut	Description
`show`	`bool`	`False`	Si `True`, affiche les images ou vidéos annotées dans une fenêtre. Utile pour un retour visuel immédiat pendant le développement ou les tests.
`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.

Comment fonctionne VisionEye#

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

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

Extrait les suivis (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 conscience spatiale et une visualisation des relations entre objets, telles que les systèmes de surveillance, la navigation autonome et les installations interactives.

Applications de VisionEye#

Le mappage d'objets VisionEye a de nombreuses applications pratiques dans divers secteurs :

Sécurité et Surveillance : Surveille plusieurs objets d'intérêt depuis une position de caméra fixe
Analyse de la vente au détail : Suis les modèles de mouvement des clients par rapport aux présentoirs du magasin
Analyse sportive : Analyse le positionnement et les mouvements des joueurs du point de vue d'un entraîneur
Véhicules autonomes : Visualise comment un véhicule « voit » et priorise les objets dans son environnement
Interaction Homme-Machine : Crée des interfaces plus intuitives qui répondent 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 non seulement suivent les objets mais comprennent également leurs relations spatiales et leurs comportements.

FAQ#

Pour commencer à utiliser VisionEye Object Mapping avec Ultralytics YOLO26, tu dois d'abord installer le package Ultralytics YOLO via pip. Ensuite, tu peux utiliser l'exemple de code fourni dans la documentation pour configurer la détection d'objets avec VisionEye. Voici un exemple simple pour t'aider à démarrer :

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., YOLOv10
    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 réputé pour sa vitesse, sa précision et sa facilité d'intégration, ce qui en fait un choix de premier ordre pour la cartographie et le suivi d'objets. Les principaux avantages incluent :
1. Performance de pointe : Offre une grande précision dans la détection d'objets en temps réel.
2. Flexibilité : prend en charge la détection, le suivi et le calcul de distance dans un seul pipeline.
3. Communauté et support : Documentation étendue et communauté GitHub active pour le dépannage et les améliorations.
4. Facilité d'utilisation : Une API intuitive simplifie les tâches complexes, permettant un déploiement et une itération rapides.
Pour plus d'informations sur les applications et les avantages, consulte la documentation d'Ultralytics YOLO26.
Ultralytics YOLO26 peut s'intégrer de manière transparente avec divers outils de machine learning comme Comet et ClearML, améliorant le suivi des expériences, la collaboration et la reproductibilité. Suis les guides détaillés sur comment utiliser YOLOv5 avec Comet et intégrer YOLO26 avec ClearML pour commencer.

Pour une exploration plus approfondie et des exemples d'intégration, consulte notre Guide des intégrations d'Ultralytics.

Contributeurs

GLglenn-jocher²² RAraimbekovm⁶ RIRizwanMunawar⁵ MAMatthewNoyce¹ IVIvorZhu331¹

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