Stima della velocità con Ultralytics YOLO26#
Che cos'è la stima della velocità?#
La stima della velocità è il processo di calcolo della velocità di movimento di un oggetto in un determinato contesto, spesso utilizzato nelle applicazioni di visione artificiale. Con Ultralytics YOLO26 puoi ora calcolare la velocità degli oggetti utilizzando il tracciamento degli oggetti insieme ai dati relativi a distanza e tempo, fondamentali per attività come il monitoraggio del traffico e la videosorveglianza. L'accuratezza della stima della velocità influisce direttamente sull'efficienza e sull'affidabilità di diverse applicazioni, rendendola un componente fondamentale per il progresso dei sistemi intelligenti e dei processi decisionali in tempo reale.
Watch: Speed Estimation using Ultralytics YOLO26
Per approfondire la stima della velocità, consulta il nostro articolo: Ultralytics YOLO per la stima della velocità nei progetti di visione artificiale
Vantaggi della stima della velocità#
- Gestione efficiente del traffico: una stima accurata della velocità aiuta a gestire il flusso del traffico, migliorare la sicurezza e ridurre la congestione stradale.
- Navigazione autonoma precisa: nei sistemi autonomi come le auto a guida autonoma, una stima affidabile della velocità garantisce una navigazione sicura e accurata del veicolo.
- Maggiore sicurezza nella videosorveglianza: la stima della velocità nell'analisi dei sistemi di videosorveglianza 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 con Ultralytics YOLO26 | Stima della velocità su un ponte con Ultralytics YOLO26 |
La velocità è una stima
La velocità è una stima e potrebbe non essere completamente accurata. Inoltre, la stima può variare in base alle specifiche della videocamera e ad altri fattori correlati.
Stima della velocità con YOLO26#
La soluzione SpeedEstimator traccia ogni oggetto tra i fotogrammi e converte il suo spostamento in pixel in una velocità utilizzando la frequenza dei fotogrammi del video (fps) e una scala reale (meter_per_pixel). Regola meter_per_pixel in base alla configurazione della videocamera e usa max_speed per limitare i valori anomali derivanti da tracciamenti rumorosi.
# 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 SpeedEstimator#
Ecco una tabella con gli argomenti SpeedEstimator:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
model | str | None | Percorso al file del modello Ultralytics YOLO. |
fps | float | 30.0 | Fotogrammi al secondo utilizzati per i calcoli della velocità. |
max_hist | int | 5 | Numero massimo di punti storici da tracciare per oggetto per i calcoli della 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 massimo di velocità nelle sovrapposizioni visive (utilizzato negli avvisi). |
line_width | int | 2 | Spessore delle linee per i riquadri, i punti chiave e i conteggi disegnati dalla soluzione. |
verbose | bool | True | Abilita il registro per fotogramma della soluzione, con forma dell'input, conteggi delle classi e velocità di elaborazione. La chiamata di tracciamento è sempre silenziosa. |
La soluzione SpeedEstimator consente di utilizzare i 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 le rilevazioni; valori più bassi consentono di tracciare più oggetti, ma possono includere falsi positivi. |
iou | float | 0.7 | Imposta la soglia di Intersezione sull'unione (IoU) per filtrare le rilevazioni sovrapposte. |
classes | list | None | Filtra i risultati in base all'indice della classe. Ad esempio, classes=[0, 2, 3] traccia solo le classi specificate. |
device | str | None | Specifica il dispositivo per l'inferenza (ad es. cpu, cuda:0 o 0). Consente di scegliere tra CPU, una GPU specifica o altri dispositivi di calcolo per l'esecuzione del modello. |
imgsz | int or tuple | 640 | Dimensione dell'immagine di inferenza di destinazione: un numero intero per un'immagine quadrata o una coppia (height, width). Le forme vengono regolate in base al passo del modello. |
max_det | int | 300 | Numero massimo di rilevamenti conservati per fotogramma prima del tracciamento, limitando gli oggetti elaborati da una soluzione in scene dense. |
quantize | int or str | None | Precisione dell'inferenza: 16 (FP16) o 32/non impostato (FP32) per i modelli PyTorch e TorchScript; altri formati vengono calcolati alla precisione selezionata dal loro artefatto e runtime. Sostituisce il flag deprecato half. |
Sono inoltre supportate le seguenti opzioni di visualizzazione:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
show | bool | False | Se True, visualizza le immagini o i video annotati in una finestra. È utile per ottenere un feedback visivo immediato durante lo sviluppo o i test. |
show_conf | bool | True | Visualizza il punteggio di confidenza per ogni rilevazione accanto all'etichetta. Fornisce informazioni sul grado di certezza del modello per ogni rilevazione. |
show_labels | bool | True | Visualizza le etichette per ogni rilevazione nell'output visivo. Consente di comprendere immediatamente gli oggetti rilevati. |
FAQ#
La stima della velocità degli oggetti con Ultralytics YOLO26 combina il rilevamento degli oggetti e il 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 utilizzando la frequenza dei fotogrammi e la scala
meter_per_pixel. Il precedente esempio Python esegue l'intera pipeline: passa il tuo video e regolameter_per_pixelin base alla tua videocamera. Per ulteriori informazioni, consulta il nostro articolo ufficiale del blog.L'utilizzo di Ultralytics YOLO26 per la stima della velocità offre vantaggi significativi nella gestione del traffico:
- Maggiore sicurezza: stima accuratamente la velocità dei veicoli per rilevare l'eccesso di velocità e migliorare la sicurezza stradale.
- Monitoraggio in tempo reale: sfrutta la 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 diverse configurazioni hardware, dai dispositivi edge ai server, garantendo soluzioni flessibili e scalabili per implementazioni su larga scala.
Per ulteriori applicazioni, consulta i vantaggi della stima della velocità.
Sì, YOLO26 può essere integrato con altri framework di AI come TensorFlow e PyTorch. Ultralytics supporta l'esportazione dei modelli YOLO26 in vari formati come ONNX, TensorRT e CoreML, garantendo un'interoperabilità fluida con altri framework di ML.
Per esportare un modello YOLO26 nel formato ONNX:
yolo export model=yolo26n.pt format=onnxScopri di più sull'esportazione dei modelli nella nostra guida all'esportazione.
L'accuratezza della stima della velocità con Ultralytics YOLO26 dipende da diversi fattori, tra cui la qualità del tracciamento degli oggetti, la risoluzione e la frequenza dei fotogrammi del video e le variabili ambientali. Sebbene lo stimatore della velocità fornisca stime affidabili, potrebbe non essere accurato al 100% a causa delle variazioni nella velocità di elaborazione dei fotogrammi e dell'occlusione degli oggetti.
Nota: considera sempre il margine di errore e, quando possibile, convalida le stime con dati di verità a terra.
Per ulteriori suggerimenti su come migliorare l'accuratezza, consulta la sezione Argomenti
SpeedEstimator.