Vai al contenuto

Panoramica dei set di dati per il tracciamento di più oggetti

Formato del set di dati (in arrivo)

Il Rilevatore di oggetti multipli non necessita di formazione autonoma e supporta direttamente i modelli di rilevamento, segmentazione o posa già addestrati. Il supporto per l'addestramento dei soli tracker è in arrivo

Utilizzo

Esempio

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)
yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3, iou=0.5 show

DOMANDE FREQUENTI

Come si usa il Multi-Object Tracking con Ultralytics YOLO ?

Per utilizzare il Multi-Object Tracking con Ultralytics YOLO , puoi iniziare utilizzando gli esempi Python o CLI . Ecco come iniziare:

Esempio

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load the YOLO11 model
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)
yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3 iou=0.5 show

These commands load the YOLO11 model and use it for tracking objects in the given video source with specific confidence (conf) and Intersezione sopra l'Unione (iou). Per maggiori dettagli, consulta la sezione documentazione sulla modalità traccia.

Quali sono le prossime funzionalità dei tracker di allenamento in Ultralytics?

Ultralytics migliora continuamente i suoi modelli di intelligenza artificiale. Una funzione imminente consentirà di addestrare tracker autonomi. Fino ad allora, Multi-Object Detector sfrutta i modelli di rilevamento, segmentazione o posa pre-addestrati per il tracciamento senza richiedere un addestramento autonomo. Rimani aggiornato seguendo il nostro blog o consultando le prossime funzionalità.

Perché dovrei utilizzare Ultralytics YOLO per il tracciamento di più oggetti?

Ultralytics YOLO is a state-of-the-art object detection model known for its real-time performance and high accuracy. Using YOLO for multi-object tracking provides several advantages:

  • Tracciamento in tempo reale: Ottieni un tracciamento efficiente e ad alta velocità, ideale per gli ambienti dinamici.
  • Flessibilità con i modelli pre-addestrati: Non c'è bisogno di addestrare da zero: basta usare modelli di rilevamento, segmentazione o posa già addestrati.
  • Facilità d'uso: La semplice integrazione API con Python e CLI rende semplice la creazione di pipeline di tracciamento.
  • Ampia documentazione e supporto della comunità: Ultralytics offre una documentazione completa e un forum attivo della comunità per risolvere i problemi e migliorare i tuoi modelli di tracciamento.

Per maggiori dettagli sull'impostazione e l'utilizzo di YOLO per il tracciamento, visita la nostra guida all'uso del tracciamento.

Posso utilizzare set di dati personalizzati per il tracciamento di più oggetti con Ultralytics YOLO ?

Sì, puoi utilizzare dataset personalizzati per il tracciamento di più oggetti con Ultralytics YOLO . Sebbene il supporto per l'addestramento di tracker autonomi sia una funzione in arrivo, puoi già utilizzare modelli pre-addestrati sui tuoi set di dati personalizzati. Prepara i tuoi set di dati nel formato appropriato compatibile con YOLO e segui la documentazione per integrarli.

Come interpretare i risultati del modello di tracciamento di Ultralytics YOLO ?

Dopo aver eseguito un lavoro di tracciamento con Ultralytics YOLO , i risultati includono vari dati come gli ID degli oggetti tracciati, le loro bounding box e i punteggi di confidenza. Ecco una breve panoramica su come interpretare questi risultati:

  • ID tracciati: A ogni oggetto viene assegnato un ID univoco, che aiuta a rintracciarlo tra i vari fotogrammi.
  • Caselle di delimitazione: Indicano la posizione degli oggetti tracciati all'interno del fotogramma.
  • Punteggi di fiducia: Riflettono la fiducia del modello nel rilevare l'oggetto tracciato.

Per una guida dettagliata all'interpretazione e alla visualizzazione di questi risultati, consulta la guida alla gestione dei risultati.

📅 Created 11 months ago ✏️ Updated 1 month ago

Commenti