Stima della velocità con Ultralytics YOLO26 🚀#
Cos'è la stima della velocità?#
La Speed estimation è il processo di calcolo della velocità di movimento di un oggetto in un dato contesto, spesso impiegato nelle applicazioni di computer vision. Usando Ultralytics YOLO26 puoi ora calcolare la velocità degli oggetti sfruttando l'object tracking insieme ai dati di distanza e tempo, fondamentali per attività come il monitoraggio del traffico e la sorveglianza. L'accuratezza della stima della velocità influenza direttamente l'efficienza e l'affidabilità di varie applicazioni, rendendola una componente chiave nell'avanzamento dei sistemi intelligenti e dei processi decisionali in tempo reale.
Watch: Speed Estimation using Ultralytics YOLO26
Per approfondimenti sulla stima della velocità, dai un'occhiata al nostro post sul blog: Ultralytics YOLO for Speed Estimation in Computer Vision Projects
Vantaggi della stima della velocità#
- Controllo efficiente del traffico: Un'accurata stima della velocità aiuta a gestire il flusso del traffico, migliorando la sicurezza e riducendo la congestione sulle strade.
- Navigazione autonoma precisa: Nei sistemi autonomi come le self-driving cars, una stima affidabile della velocità garantisce una navigazione del veicolo sicura e precisa.
- Maggiore sicurezza nella sorveglianza: La stima della velocità nell'analisi di sorveglianza aiuta a identificare comportamenti insoliti o potenziali minacce, migliorando l'efficacia delle misure di sicurezza.
Applicazioni nel mondo reale#
| Trasporti | Trasporti |
|---|---|
 |  |
| Stima della velocità su strada utilizzando Ultralytics YOLO26 | Stima della velocità su ponte utilizzando Ultralytics YOLO26 |
La velocità è una stima
La velocità sarà una stima e potrebbe non essere completamente accurata. Inoltre, la stima può variare in base alle specifiche della fotocamera e a fattori correlati.
Stima la velocità con YOLO26#
La soluzione SpeedEstimator traccia ciascun oggetto tra i fotogrammi e converte il suo spostamento in pixel in una velocità usando la frequenza dei fotogrammi del video (fps) e una scala del mondo reale (meter_per_pixel). Ottimizza meter_per_pixel per la configurazione della tua telecamera e usa max_speed per limitare i valori anomali provenienti da tracce rumorose.
# Run a speed example
yolo solutions speed show=True
# Pass a source video
yolo solutions speed source="path/to/video.mp4"
# Adjust meter per pixel value based on camera configuration
yolo solutions speed meter_per_pixel=0.05Argomenti di SpeedEstimator#
Ecco una tabella con gli argomenti di SpeedEstimator:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
model | str | None | Percorso verso un file del modello Ultralytics YOLO. |
fps | float | 30.0 | Fotogrammi al secondo utilizzati per i calcoli della velocità. |
max_hist | int | 5 | Punti storici massimi da tracciare per oggetto per i calcoli di velocità/direzione. |
meter_per_pixel | float | 0.05 | Fattore di scala utilizzato per convertire la distanza in pixel in unità del mondo reale. |
max_speed | int | 120 | Limite di velocità massima nelle sovrapposizioni visive (utilizzato negli avvisi). |
line_width | int | 2 | Spessore della linea per i box, i keypoint e i conteggi disegnati dalla soluzione. |
verbose | bool | True | Abilita il registro per fotogramma della soluzione relativo a forma dell'input, conteggi delle classi e velocità di elaborazione. La chiamata di tracking in sé è sempre silenziosa. |
La soluzione SpeedEstimator consente l'uso dei parametri track:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Specifica l'algoritmo di tracciamento da utilizzare. Opzioni integrate: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Imposta la soglia di confidenza per i rilevamenti; valori più bassi consentono di tracciare più oggetti ma possono includere falsi positivi. |
iou | float | 0.7 | Imposta la soglia Intersection over Union (IoU) per filtrare i rilevamenti sovrapposti. |
classes | list | None | Filtra i risultati per indice di classe. Ad esempio, classes=[0, 2, 3] traccia solo le classi specificate. |
device | str | None | Specifica il dispositivo per l'inferenza (ad esempio, cpu, cuda:0 o 0). Consente agli utenti di scegliere tra CPU, una specifica GPU o altri dispositivi di calcolo per l'esecuzione del modello. |
Inoltre, sono supportate le seguenti opzioni di visualizzazione:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
show | bool | False | Se True, mostra le immagini o i video annotati in una finestra. Utile per un riscontro visivo immediato durante lo sviluppo o i test. |
show_conf | bool | True | Mostra il punteggio di confidenza per ogni rilevamento accanto all'etichetta. Fornisce informazioni sulla certezza del modello per ogni rilevamento. |
show_labels | bool | True | Mostra le etichette per ogni rilevamento nell'output visivo. Offre una comprensione immediata degli oggetti rilevati. |
FAQ#
La stima della velocità degli oggetti con Ultralytics YOLO26 combina object detection e tracciamento. Il modello rileva gli oggetti in ogni fotogramma, li traccia tra i fotogrammi e converte la distanza percorsa tra i fotogrammi in una velocità usando la frequenza dei fotogrammi e la scala
meter_per_pixel. Il Python example above esegue questa intera pipeline: passa il tuo video e ottimizzameter_per_pixelper la tua telecamera. Per maggiori informazioni di background, fai riferimento al nostro official blog post.Utilizzare Ultralytics YOLO26 per la stima della velocità offre vantaggi significativi nella gestione del traffico:
- Maggiore sicurezza: Stima accuratamente la velocità dei veicoli per rilevare gli eccessi di velocità e migliorare la sicurezza stradale.
- Monitoraggio in tempo reale: Beneficia della capacità di rilevamento degli oggetti in tempo reale di YOLO26 per monitorare efficacemente il flusso del traffico e la congestione.
- Scalabilità: Distribuisci il modello su varie configurazioni hardware, dai edge devices ai server, garantendo soluzioni flessibili e scalabili per implementazioni su larga scala.
Per ulteriori applicazioni, vedi i advantages of speed estimation.
Sì, YOLO26 può essere integrato con altri framework di IA come TensorFlow e PyTorch. Ultralytics offre il supporto per esportare i modelli YOLO26 in vari formati come ONNX, TensorRT e CoreML, garantendo una fluida interoperabilità con altri framework ML.
Per esportare un modello YOLO26 in formato ONNX:
yolo export model=yolo26n.pt format=onnxScopri di più sull'esportazione dei modelli nella nostra guide on export.
L'accuracy della stima della velocità che usa Ultralytics YOLO26 dipende da diversi fattori, inclusi la qualità del tracciamento degli oggetti, la risoluzione e la frequenza dei fotogrammi del video e le variabili ambientali. Sebbene lo strumento di stima della velocità fornisca stime affidabili, potrebbe non essere accurato al 100% a causa di variazioni nella velocità di elaborazione dei fotogrammi e dell'occlusione degli oggetti.
Nota: Considera sempre il margine di errore e convalida le stime con i dati di ground truth quando possibile.
Per ulteriori suggerimenti sul miglioramento dell'accuratezza, controlla la sezione Arguments
SpeedEstimatorsection.