Ultralytics Soluzioni: Sfruttare YOLO11 per risolvere i problemi del mondo reale

Ultralytics Le soluzioni forniscono applicazioni all'avanguardia dei modelli di YOLO , offrendo soluzioni reali come il conteggio degli oggetti, la sfocatura e i sistemi di sicurezza, migliorando l'efficienza e la precisione in diversi settori. Scoprite la potenza di YOLO11 per implementazioni pratiche e d'impatto.

Guarda: Come eseguire le soluzioni di Ultralytics dalla riga di comando (CLI) | Ultralytics YOLO11 🚀

Soluzioni

Ecco il nostro elenco curato di soluzioni Ultralytics che possono essere utilizzate per creare fantastici progetti di computer vision.

Conteggio degli oggetti: Imparate a eseguire il conteggio degli oggetti in tempo reale con YOLO11. Acquisite le competenze necessarie per contare accuratamente gli oggetti nei flussi video in diretta.
Ritaglio di oggetti: Con YOLO11 è possibile ottenere un ritaglio preciso degli oggetti da immagini e video.
Sfocatura degli oggetti: Applicare la sfocatura degli oggetti con YOLO11 per proteggere la privacy nell'elaborazione di immagini e video.
Monitoraggio degli allenamenti: Scoprite come monitorare gli allenamenti con YOLO11. Imparate a tracciare e analizzare le varie routine di fitness in tempo reale.
Conteggio degli oggetti nelle regioni: Conta gli oggetti in regioni specifiche utilizzando YOLO11 per un rilevamento accurato in aree diverse.
Sistema di allarme di sicurezza: Con YOLO11 è possibile creare un sistema di allarme di sicurezza che emette avvisi al rilevamento di nuovi oggetti. Personalizzate il sistema per adattarlo alle vostre esigenze specifiche.
Mappe di calore: Utilizzate le heatmap di rilevamento per visualizzare l'intensità dei dati in una matrice, fornendo chiari approfondimenti nelle attività di computer vision.
Segmentazione delle istanze con tracciamento degli oggetti: Implementare la segmentazione delle istanze e il tracciamento degli oggetti con YOLO11 per ottenere confini precisi degli oggetti e un monitoraggio continuo.
VisionEye View Objects Mapping: Sviluppare sistemi che imitano la messa a fuoco dell'occhio umano su oggetti specifici, migliorando la capacità del computer di distinguere e dare priorità ai dettagli.
Stima della velocità: Stima della velocità dell'oggetto utilizzando YOLO11 e tecniche di tracciamento dell'oggetto, fondamentali per applicazioni come i veicoli autonomi e il monitoraggio del traffico.
Calcolo della distanza: Calcolo delle distanze tra gli oggetti utilizzando i centroidi dei rettangoli di selezione in YOLO11, essenziale per l'analisi spaziale.
Gestione delle code: Implementare sistemi efficienti di gestione delle code per ridurre al minimo i tempi di attesa e migliorare la produttività utilizzando YOLO11.
Gestione dei parcheggi: Organizzate e dirigete il flusso dei veicoli nelle aree di parcheggio con YOLO11, ottimizzando l'utilizzo dello spazio e l'esperienza degli utenti.
Analisi: Conducete un'analisi completa dei dati per scoprire modelli e prendere decisioni informate, sfruttando YOLO11 per l'analisi descrittiva, predittiva e prescrittiva.
Inferenza dal vivo con Streamlit: Sfruttate la potenza di YOLO11 per il rilevamento di oggetti in tempo reale direttamente attraverso il browser web con un'interfaccia Streamlit di facile utilizzo.
Tracciamento di oggetti in zone 🚀 NUOVO: imparate a tracciare gli oggetti all'interno di zone specifiche dei fotogrammi video utilizzando YOLO11 per un monitoraggio preciso ed efficiente.

Soluzioni Argomenti

Argomento	Tipo	Predefinito	Descrizione
`model`	`str`	`None`	Percorso del file del modelloYOLO Ultralytics .
`region`	`list`	`[(20, 400), (1260, 400)]`	Elenco dei punti che definiscono la regione di conteggio.
`show_in`	`bool`	`True`	Flag per controllare se visualizzare o meno i conteggi nel flusso video.
`show_out`	`bool`	`True`	Flag per controllare se visualizzare i conteggi di uscita nel flusso video.
`analytics_type`	`str`	`line`	Tipo di grafico, cioè, `line`, `bar`, `area`, o `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	Mappa dei colori da utilizzare per la mappa di calore.
`json_file`	`str`	`None`	Percorso del file JSON che contiene tutti i dati delle coordinate del parcheggio.
`up_angle`	`float`	`145.0`	Soglia di angolazione per la posa "up".
`kpts`	`list[int, int, int]`	`[6, 8, 10]`	Elenco dei punti chiave utilizzati per monitorare gli allenamenti. Questi punti chiave corrispondono alle articolazioni o alle parti del corpo, come spalle, gomiti e polsi, per esercizi come flessioni, trazioni, squat e addominali.
`down_angle`	`float`	`90.0`	Soglia di angolazione per la posa "giù".
`blur_ratio`	`float`	`0.5`	Regola la percentuale dell'intensità della sfocatura, con valori compresi nell'intervallo `0.1 - 1.0`.
`crop_dir`	`str`	`"cropped-detections"`	Nome della directory per la memorizzazione dei rilevamenti ritagliati.
`records`	`int`	`5`	Conteggio dei rilevamenti totali per attivare un'e-mail con il sistema di allarme di sicurezza.
`vision_point`	`tuple[int, int]`	`(50, 50)`	Il punto in cui la visione traccerà gli oggetti e disegnerà i percorsi utilizzando VisionEye Solution.
`tracker`	`str`	`'botsort.yaml'`	Specifica l'algoritmo di tracciamento da utilizzare, ad es, `bytetrack.yaml` o `botsort.yaml`.
`conf`	`float`	`0.3`	Imposta la soglia di confidenza per i rilevamenti; valori più bassi consentono di tracciare un maggior numero di oggetti, ma possono includere falsi positivi.
`iou`	`float`	`0.5`	Imposta la soglia Intersection over Union (IoU) per il filtraggio dei rilevamenti sovrapposti.
`classes`	`list`	`None`	Filtra i risultati per indice di classe. Ad esempio, `classes=[0, 2, 3]` tiene traccia solo delle classi specificate.
`verbose`	`bool`	`True`	Controlla la visualizzazione dei risultati del tracciamento, fornendo un output visivo degli oggetti tracciati.
`device`	`str`	`None`	Specifica il dispositivo per l'inferenza (ad es, `cpu`, `cuda:0` o `0`). Consente agli utenti di scegliere tra CPU, uno specifico GPU o altri dispositivi di calcolo per l'esecuzione del modello.
`show`	`bool`	`False`	Se `True`visualizza le immagini o i video annotati in una finestra. Utile per un feedback visivo immediato durante lo sviluppo o il test.
`line_width`	`None or int`	`None`	Specifica la larghezza della linea delle caselle di delimitazione. Se `None`La larghezza della linea viene regolata automaticamente in base alle dimensioni dell'immagine. Fornisce una personalizzazione visiva per la chiarezza.

Argomenti della traccia

Le soluzioni supportano anche alcune delle argomentazioni di track, compresi parametri quali conf, line_width, tracker, model, show, verbose e classes.

Argomento	Tipo	Predefinito	Descrizione
`tracker`	`str`	`'botsort.yaml'`	Specifica l'algoritmo di tracciamento da utilizzare, ad es, `bytetrack.yaml` o `botsort.yaml`.
`conf`	`float`	`0.3`	Imposta la soglia di confidenza per i rilevamenti; valori più bassi consentono di tracciare un maggior numero di oggetti, ma possono includere falsi positivi.
`iou`	`float`	`0.5`	Imposta la soglia Intersection over Union (IoU) per il filtraggio dei rilevamenti sovrapposti.
`classes`	`list`	`None`	Filtra i risultati per indice di classe. Ad esempio, `classes=[0, 2, 3]` tiene traccia solo delle classi specificate.
`verbose`	`bool`	`True`	Controlla la visualizzazione dei risultati del tracciamento, fornendo un output visivo degli oggetti tracciati.
`device`	`str`	`None`	Specifica il dispositivo per l'inferenza (ad es, `cpu`, `cuda:0` o `0`). Consente agli utenti di scegliere tra CPU, uno specifico GPU o altri dispositivi di calcolo per l'esecuzione del modello.

Uso di SolutionAnnotator

Tutte le soluzioni Ultralytics utilizzano la classe separata SolutionAnnotatorche estende il sistema principale Annotator e hanno i seguenti metodi:

Metodo	Tipo di ritorno	Descrizione
`draw_region()`	`None`	Disegna una regione utilizzando i punti, i colori e lo spessore specificati.
`queue_counts_display()`	`None`	Visualizza il conteggio delle code nella regione specificata.
`display_analytics()`	`None`	Visualizza le statistiche generali della gestione dei parcheggi.
`estimate_pose_angle()`	`float`	Calcola l'angolo tra tre punti nella posa di un oggetto.
`draw_specific_points()`	`None`	Disegna punti chiave specifici sull'immagine.
`plot_workout_information()`	`None`	Disegna una casella di testo etichettata sull'immagine.
`plot_angle_and_count_and_stage()`	`None`	Visualizza l'angolo, il conteggio dei passi e le tappe per monitorare l'allenamento.
`plot_distance_and_line()`	`None`	Visualizza la distanza tra i centroidi e li collega con una linea.
`display_objects_labels()`	`None`	Annota le caselle di delimitazione con le etichette delle classi di oggetti.
`seg_bbox()`	`None`	Disegna i contorni degli oggetti segmentati e, facoltativamente, li etichetta.
`sweep_annotator()`	`None`	Visualizza una linea di spazzamento verticale e un'etichetta opzionale.
`visioneye()`	`None`	Mappa e collega i centroidi degli oggetti a un punto visivo "occhio".
`circle_label()`	`None`	Disegna un'etichetta circolare al posto del rettangolo di selezione.
`text_label()`	`None`	Disegna un'etichetta rettangolare al posto del rettangolo di selezione.

Lavorare con i risultati delle soluzioni

Tutte le chiamate alle soluzioni restituiscono un elenco di SolutionResults contenenti informazioni complete sulle soluzioni.

Per il conteggio degli oggetti, i risultati includono incounts, outcounts, e classwise_counts.

Risultati della soluzione

counter = solutions.ObjectCounter(
    show=True,  # display the output
    region=region_points,  # pass region points
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object counting with OBB model.
    # classes=[0, 2],           # count specific classes i.e. person and car with COCO pretrained model.
    # tracker="botsort.yaml"    # Choose trackers i.e "bytetrack.yaml"
)
results = counter.count(im0)
print(results.in_counts)  # display in_counts
print(results.out_counts)  # display out_counts

Per ulteriori dettagli, consultare la sezione SolutionResults documentazione della classe.

Soluzioni Utilizzo tramite CLI

Informazioni sul comando

La maggior parte delle soluzioni può essere utilizzata direttamente attraverso l'interfaccia a riga di comando, tra cui:

Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference

Sintassi

yolo SOLUTIONS SOLUTION_NAME ARGS

SOLUTIONS è una parola chiave obbligatoria.
NOME SOLUZIONE è uno di: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS (opzionale) sono personalizzati arg=value coppie, come show_in=Trueper annullare le impostazioni predefinite.

yolo solutions count show=True # for object counting

yolo solutions source="path/to/video.mp4" # specify video file path

Contribuire alle nostre soluzioni

Siamo lieti di ricevere contributi dalla comunità! Se avete imparato a conoscere un aspetto particolare di Ultralytics YOLO che non è ancora stato trattato nelle nostre soluzioni, vi invitiamo a condividere la vostra esperienza. Scrivere una guida è un ottimo modo per dare un contributo alla comunità e aiutarci a rendere la nostra documentazione più completa e facile da usare.

Per iniziare, leggete la nostra Guida alla contribuzione per le linee guida su come aprire una richiesta di pull (PR) 🛠️. Saremo lieti di ricevere i vostri contributi!

Lavoriamo insieme per rendere l'ecosistema di Ultralytics YOLO più robusto e versatile 🙏!

FAQ

Come si può utilizzare Ultralytics YOLO per il conteggio degli oggetti in tempo reale?

Ultralytics YOLO11 può essere utilizzato per il conteggio degli oggetti in tempo reale, sfruttando le sue capacità avanzate di rilevamento degli oggetti. È possibile seguire la nostra guida dettagliata sul conteggio degli oggetti per configurare YOLO11 per l'analisi dei flussi video in diretta. È sufficiente installare YOLO11, caricare il modello ed elaborare i fotogrammi video per contare gli oggetti in modo dinamico.

Quali sono i vantaggi dell'utilizzo di Ultralytics YOLO per i sistemi di sicurezza?

Ultralytics YOLO11 migliora i sistemi di sicurezza offrendo meccanismi di rilevamento degli oggetti e di allarme in tempo reale. Utilizzando YOLO11, è possibile creare un sistema di allarme di sicurezza che attiva gli avvisi quando vengono rilevati nuovi oggetti nell'area di sorveglianza. Scoprite come configurare un sistema di allarme di sicurezza con YOLO11 per un solido monitoraggio della sicurezza.

Come può Ultralytics YOLO migliorare i sistemi di gestione delle code?

Ultralytics YOLO11 può migliorare significativamente i sistemi di gestione delle code, contando e tracciando con precisione le persone in coda, contribuendo così a ridurre i tempi di attesa e a ottimizzare l'efficienza del servizio. Seguite la nostra guida dettagliata sulla gestione delle code per scoprire come implementare YOLO11 per un monitoraggio e un'analisi efficaci delle code.

Ultralytics YOLO può essere utilizzato per il monitoraggio dell'allenamento?

Sì, Ultralytics YOLO11 può essere utilizzato efficacemente per monitorare gli allenamenti, tracciando e analizzando le routine di fitness in tempo reale. Ciò consente di valutare con precisione la forma e le prestazioni degli esercizi. Esplorate la nostra guida sul monitoraggio degli allenamenti per scoprire come impostare un sistema di monitoraggio degli allenamenti alimentato dall'intelligenza artificiale utilizzando YOLO11.

In che modo Ultralytics YOLO aiuta a creare mappe di calore per la visualizzazione dei dati?

Ultralytics YOLO11 può generare mappe di calore per visualizzare l'intensità dei dati in una determinata area, evidenziando le regioni di maggiore attività o interesse. Questa funzione è particolarmente utile per comprendere schemi e tendenze in varie attività di computer vision. Per saperne di più sulla creazione e l'uso delle Heatmap con YOLO11 per un'analisi e una visualizzazione completa dei dati.

📅C reato 9 mesi fa ✏️ Aggiornato 3 giorni fa