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 calcolare la velocità degli oggetti usando il tracciamento degli oggetti, insieme ai dati relativi a distanza e tempo, fondamentali per attività come il monitoraggio del traffico e la videosorveglianza. La precisione della stima della velocità influisce direttamente sull’efficienza e sull’affidabilità di diverse applicazioni, rendendola un elemento chiave per lo sviluppo di sistemi intelligenti e processi decisionali in tempo reale.
Guarda: Stima della velocità con Ultralytics YOLO26
Per approfondire la stima della velocità, leggi il nostro articolo sul blog: 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, aumenta la sicurezza e riduce 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 precisa del veicolo.
- Maggiore sicurezza nella videosorveglianza: la stima della velocità nell’analisi dei filmati di videosorveglianza aiuta a individuare 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 del tutto accurata. Inoltre, la stima può variare in base alle specifiche della fotocamera e ad altri fattori correlati.
Stima la velocità con YOLO26#
La soluzione SpeedEstimator traccia ogni oggetto tra i vari 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). Regola meter_per_pixel in base alla configurazione della tua fotocamera e usa max_speed per limitare i valori anomali causati 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 di SpeedEstimator#
Ecco una tabella con gli argomenti di SpeedEstimator:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
model | str | None | Percorso a un file modello Ultralytics YOLO. |
fps | float | 30.0 | Fotogrammi al secondo utilizzati per calcolare la velocità. |
max_hist | int | 5 | Numero massimo di punti storici da tracciare per oggetto per calcolare velocità e 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 | Velocità massima in km/h; le velocità stimate superiori vengono limitate a questo valore. |
line_width | int | 2 | Spessore delle linee dei riquadri, dei punti chiave e dei conteggi disegnati dalla soluzione. |
verbose | bool | True | Abilita il log per frame della soluzione, con forma dell'input, conteggi per classe e velocità di elaborazione. La chiamata di tracking è sempre silenziosa. |
La soluzione SpeedEstimator consente di usare i parametri track:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Specifica l'algoritmo di tracciamento da usare. 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 destinazione per l'inferenza: un intero per un'immagine quadrata o una coppia (height, width). Le forme vengono adattate allo stride del modello. |
max_det | int | 300 | Numero massimo di rilevazioni da mantenere per fotogramma prima del tracciamento, che limita gli oggetti elaborati da una soluzione nelle scene dense. |
quantize | int or str | None | Precisione dell’inferenza: 16 (FP16) oppure 32/unset (FP32) per i modelli PyTorch e TorchScript quando non si usa la CPU; gli altri formati usano la precisione selezionata dal rispettivo artefatto e ambiente di esecuzione. Sostituisce l’argomento deprecato half. |
Sono inoltre 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 ottenere un riscontro visivo immediato durante lo sviluppo o i test. |
show_labels | bool | True | Mostra le etichette di ogni rilevamento nell'output visivo. Permette di identificare immediatamente gli oggetti rilevati. |
Domande frequenti#
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 un fotogramma e l’altro in una velocità, usando la frequenza dei fotogrammi e la scala
meter_per_pixel. L’esempio Python qui sopra esegue l’intera pipeline: passa il tuo video e regolameter_per_pixelin base alla tua fotocamera. Per approfondire, consulta il nostro articolo ufficiale sul blog.L’uso di Ultralytics YOLO26 per la stima della velocità offre notevoli vantaggi nella gestione del traffico:
- Maggiore sicurezza: stima con precisione la velocità dei veicoli per rilevare quelli che superano i limiti 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 configurazioni hardware diverse, dai dispositivi edge ai server, per garantire soluzioni flessibili e scalabili per implementazioni su larga scala.
Per altre applicazioni, consulta i vantaggi della stima della velocità.
Sì, puoi integrare YOLO26 con altri framework di AI come TensorFlow e PyTorch. Ultralytics supporta l’esportazione dei modelli YOLO26 in vari formati, tra cui 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.
La precisione 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. Il sistema di stima della velocità fornisce stime affidabili, ma potrebbe non essere preciso al 100% a causa delle variazioni nella velocità di elaborazione dei fotogrammi e dell’occlusione degli oggetti.
Nota: tieni sempre conto del margine di errore e, quando possibile, convalida le stime usando dati di riferimento reali.
Per ulteriori suggerimenti su come migliorare la precisione, consulta la sezione Argomenti
SpeedEstimator.