ऑब्जेक्ट काउंटिंग का उपयोग कर Ultralytics YOLOv8

ऑब्जेक्ट काउंटिंग क्या है?

के साथ वस्तु की गिनती Ultralytics YOLOv8 वीडियो और कैमरा स्ट्रीम में विशिष्ट वस्तुओं की सटीक पहचान और गिनती शामिल है। YOLOv8 वास्तविक समय के अनुप्रयोगों में उत्कृष्टता, भीड़ विश्लेषण और निगरानी जैसे विभिन्न परिदृश्यों के लिए कुशल और सटीक वस्तु गणना प्रदान करता है, इसके अत्याधुनिक एल्गोरिदम और गहन सीखने की क्षमताओं के लिए धन्यवाद।

वस्तु गणना के लाभ?

• संसाधन अनुकूलन: ऑब्जेक्ट काउंटिंग सटीक गणना प्रदान करके और इन्वेंट्री प्रबंधन जैसे अनुप्रयोगों में संसाधन आवंटन को अनुकूलित करके कुशल संसाधन प्रबंधन की सुविधा प्रदान करती है।
• बढ़ी हुई सुरक्षा: ऑब्जेक्ट काउंटिंग संस्थाओं को सटीक रूप से ट्रैक और गिनने से सुरक्षा और निगरानी को बढ़ाता है, जिससे सक्रिय खतरे का पता लगाने में सहायता मिलती है।
• सूचित निर्णय लेना: ऑब्जेक्ट काउंटिंग निर्णय लेने, खुदरा में प्रक्रियाओं का अनुकूलन, यातायात प्रबंधन और विभिन्न अन्य डोमेन के लिए मूल्यवान अंतर्दृष्टि प्रदान करता है।

वास्तविक दुनिया अनुप्रयोग

लॉजिस्टिकस	एक्वाकल्चर
कन्वेयर बेल्ट पैकेट का उपयोग कर गिनती Ultralytics YOLOv8	समुद्र में मछली की गिनती का उपयोग कर Ultralytics YOLOv8

import cv2

from ultralytics import YOLO, solutions

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

# Define region points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=region_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

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 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

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

# Define region points as a polygon with 5 points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360), (20, 400)]

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=region_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

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 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

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

# Define line points
line_points = [(20, 400), (1080, 400)]

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=line_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

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 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

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

line_points = [(20, 400), (1080, 400)]  # line or region points
classes_to_count = [0, 2]  # person and car classes for count

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=line_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

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, classes=classes_to_count)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

युक्ति ObjectCounter

यहाँ के साथ एक तालिका है ObjectCounter तर्क:

तर्क model.track

अक्सर पूछे जाने वाले प्रश्न

मैं किसी वीडियो में वस्तुओं की गणना कैसे करूं Ultralytics YOLOv8?

वीडियो में वस्तुओं की गणना करने के लिए Ultralytics YOLOv8, आप इन चरणों का पालन कर सकते हैं:

1. आवश्यक पुस्तकालयों को आयात करें (cv2, ultralytics).
2. एक पूर्व-प्रशिक्षित लोड करें YOLOv8 को गढ़ना।
3. गिनती क्षेत्र को परिभाषित करें (जैसे, एक बहुभुज, रेखा, आदि)।
4. वीडियो कैप्चर सेट करें और ऑब्जेक्ट काउंटर को इनिशियलाइज़ करें।
5. वस्तुओं को ट्रैक करने और उन्हें परिभाषित क्षेत्र के भीतर गिनने के लिए प्रत्येक फ्रेम को संसाधित करें।

किसी क्षेत्र में गणना करने के लिए यहां एक सरल उदाहरण दिया गया है:

import cv2

from ultralytics import YOLO, solutions


def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    model = YOLO(model_path)
    cap = cv2.VideoCapture(video_path)
    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))
    region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
    counter = solutions.ObjectCounter(
        view_img=True, reg_pts=region_points, names=model.names, draw_tracks=True, line_thickness=2
    )

    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 = counter.start_counting(im0, tracks)
        video_writer.write(im0)

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


count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolov8n.pt")

ऑब्जेक्ट काउंटिंग सेक्शन में अधिक कॉन्फ़िगरेशन और विकल्पों का अन्वेषण करें।

उपयोग करने के क्या फायदे हैं Ultralytics YOLOv8 ऑब्जेक्ट काउंटिंग के लिए?

का उपयोग करके Ultralytics YOLOv8 ऑब्जेक्ट काउंटिंग के लिए कई फायदे प्रदान करता है:

1. संसाधन अनुकूलन: यह सटीक गणना प्रदान करके कुशल संसाधन प्रबंधन की सुविधा प्रदान करता है, जिससे इन्वेंट्री प्रबंधन जैसे उद्योगों में संसाधन आवंटन को अनुकूलित करने में मदद मिलती है।
2. बढ़ी हुई सुरक्षा: यह संस्थाओं को सटीक रूप से ट्रैक करके और गिनकर सुरक्षा और निगरानी को बढ़ाता है, सक्रिय खतरे का पता लगाने में सहायता करता है।
3. सूचित निर्णय लेना: यह निर्णय लेने, खुदरा, यातायात प्रबंधन, और अधिक जैसे डोमेन में प्रक्रियाओं का अनुकूलन करने के लिए मूल्यवान अंतर्दृष्टि प्रदान करता है।

वास्तविक दुनिया के अनुप्रयोगों और कोड उदाहरणों के लिए, ऑब्जेक्ट काउंटिंग अनुभाग के लाभ पर जाएं।

मैं वस्तुओं के विशिष्ट वर्गों का उपयोग करके कैसे गिन सकता हूं Ultralytics YOLOv8?

वस्तुओं के विशिष्ट वर्गों का उपयोग करने के लिए Ultralytics YOLOv8, आपको ट्रैकिंग चरण के दौरान उन कक्षाओं को निर्दिष्ट करने की आवश्यकता है जिनमें आप रुचि रखते हैं। नीचे एक है Python उदाहरण:

import cv2

from ultralytics import YOLO, solutions


def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    model = YOLO(model_path)
    cap = cv2.VideoCapture(video_path)
    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))
    line_points = [(20, 400), (1080, 400)]
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
    counter = solutions.ObjectCounter(
        view_img=True, reg_pts=line_points, names=model.names, draw_tracks=True, line_thickness=2
    )

    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, classes=classes_to_count)
        im0 = counter.start_counting(im0, tracks)
        video_writer.write(im0)

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


count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolov8n.pt", [0, 2])

इस उदाहरण में, classes_to_count=[0, 2], जिसका अर्थ है कि यह वर्ग की वस्तुओं की गणना करता है 0 और 2 (उदाहरण के लिए, व्यक्ति और कार)।

मुझे क्यों उपयोग करना चाहिए YOLOv8 वास्तविक समय अनुप्रयोगों के लिए अन्य ऑब्जेक्ट डिटेक्शन मॉडल पर?

Ultralytics YOLOv8 अन्य ऑब्जेक्ट डिटेक्शन मॉडल जैसे तेज़ आर-सीएनएन, एसएसडी और पिछले पर कई फायदे प्रदान करता है YOLO संस्करणों:

1. गति और दक्षता: YOLOv8 वास्तविक समय प्रसंस्करण क्षमताओं की पेशकश करता है, जो इसे उच्च गति वाले अनुमान की आवश्यकता वाले अनुप्रयोगों के लिए आदर्श बनाता है, जैसे कि निगरानी और स्वायत्त ड्राइविंग।
2. यथार्थता: यह वस्तु का पता लगाने और ट्रैकिंग कार्यों के लिए अत्याधुनिक सटीकता प्रदान करता है, झूठी सकारात्मकता की संख्या को कम करता है और समग्र प्रणाली विश्वसनीयता में सुधार करता है।
3. एकीकरण में आसानी: YOLOv8 मोबाइल और एज डिवाइस सहित विभिन्न प्लेटफार्मों और उपकरणों के साथ सहज एकीकरण प्रदान करता है, जो आधुनिक एआई अनुप्रयोगों के लिए महत्वपूर्ण है।
4. लचीलापन: विशिष्ट उपयोग-मामले की आवश्यकताओं को पूरा करने के लिए कॉन्फ़िगर करने योग्य मॉडल के साथ ऑब्जेक्ट डिटेक्शन, सेगमेंटेशन और ट्रैकिंग जैसे विभिन्न कार्यों का समर्थन करता है।

देखो Ultralytics YOLOv8 इसकी विशेषताओं और प्रदर्शन की तुलना में गहराई से गोता लगाने के लिए दस्तावेज़ीकरण।

क्या मैं उपयोग कर सकता हूं YOLOv8 भीड़ विश्लेषण और यातायात प्रबंधन जैसे उन्नत अनुप्रयोगों के लिए?

हाँ Ultralytics YOLOv8 अपनी वास्तविक समय का पता लगाने की क्षमताओं, मापनीयता और एकीकरण लचीलेपन के कारण भीड़ विश्लेषण और यातायात प्रबंधन जैसे उन्नत अनुप्रयोगों के लिए पूरी तरह से अनुकूल है। इसकी उन्नत विशेषताएं गतिशील वातावरण में उच्च सटीकता वाली वस्तु ट्रैकिंग, गिनती और वर्गीकरण की अनुमति देती हैं। उदाहरण उपयोग के मामलों में शामिल हैं:

• भीड़ विश्लेषण: बड़ी सभाओं की निगरानी और प्रबंधन करें, सुरक्षा सुनिश्चित करें और भीड़ के प्रवाह को अनुकूलित करें।
• यातायात प्रबंधन: वाहनों को ट्रैक और गिनें, ट्रैफ़िक पैटर्न का विश्लेषण करें और वास्तविक समय में भीड़ का प्रबंधन करें।

अधिक जानकारी और कार्यान्वयन विवरण के लिए, ऑब्जेक्ट काउंटिंग के वास्तविक विश्व अनुप्रयोगों पर गाइड देखें YOLOv8.

टिप्पणियाँ