Vai al contenuto

Soluzioni Ultralytics: Sfrutta YOLO11 per risolvere problemi del mondo reale

Le soluzioni Ultralytics forniscono applicazioni all'avanguardia dei modelli 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. Scopri la potenza di YOLO11 per implementazioni pratiche e di grande impatto.

Miniatura delle soluzioni Ultralytics



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

Soluzioni

Ecco la nostra lista curata di soluzioni Ultralytics che possono essere utilizzate per creare fantastici progetti di computer vision.

  • Conteggio degli oggetti: Impara a eseguire il conteggio degli oggetti in tempo reale con YOLO11. Acquisisci l'esperienza per contare accuratamente gli oggetti nei flussi video live.
  • Ritaglio degli oggetti: Padroneggia il ritaglio degli oggetti con YOLO11 per l'estrazione precisa di oggetti da immagini e video.
  • Offuscamento degli oggetti: Applica l'offuscamento degli oggetti utilizzando YOLO11 per proteggere la privacy nell'elaborazione di immagini e video.
  • Monitoraggio degli allenamenti: Scopri come monitorare gli allenamenti utilizzando YOLO11. Impara a tracciare e analizzare 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: Crea un sistema di allarme di sicurezza con YOLO11 che attiva avvisi quando vengono rilevati nuovi oggetti. Personalizza il sistema per adattarlo alle tue esigenze specifiche.
  • Heatmap: Utilizza le heatmap di rilevamento per visualizzare l'intensità dei dati attraverso una matrice, fornendo chiare informazioni nelle attività di computer vision.
  • Segmentazione di istanza con tracciamento di oggetti: Implementa la segmentazione di istanza e il tracciamento di oggetti con YOLO11 per ottenere confini degli oggetti precisi e un monitoraggio continuo.
  • VisionEye View Objects Mapping: Sviluppa sistemi che imitano la messa a fuoco dell'occhio umano su oggetti specifici, migliorando la capacità del computer di discernere e dare priorità ai dettagli.
  • Stima della velocità: Stima la velocità degli oggetti utilizzando YOLO11 e tecniche di tracciamento degli oggetti, fondamentali per applicazioni come veicoli autonomi e monitoraggio del traffico.
  • Calcolo della distanza: calcola le distanze tra gli oggetti utilizzando i centroidi del bounding box in YOLO11, essenziale per l'analisi spaziale.
  • Gestione delle code: Implementa sistemi efficienti di gestione delle code per ridurre al minimo i tempi di attesa e migliorare la produttività utilizzando YOLO11.
  • Gestione del parcheggio: Organizza e dirigi il flusso dei veicoli nelle aree di parcheggio con YOLO11, ottimizzando l'utilizzo dello spazio e l'esperienza dell'utente.
  • Analisi: Esegui un'analisi completa dei dati per scoprire modelli e prendere decisioni informate, sfruttando YOLO11 per analisi descrittive, predittive e prescrittive.
  • Inferenza in tempo reale con Streamlit: Sfrutta la potenza di YOLO11 per il rilevamento di oggetti in tempo reale direttamente tramite il tuo browser web con un'interfaccia Streamlit intuitiva.
  • Traccia oggetti in una zona: Scopri come tracciare oggetti all'interno di zone specifiche di fotogrammi video utilizzando YOLO11 per un monitoraggio preciso ed efficiente.
  • Ricerca di similarità 🚀 NOVITÀ: Abilita il recupero intelligente di immagini combinando gli embedding OpenAI CLIP con Meta FAISS, consentendo query in linguaggio naturale come "persona che tiene una borsa" o "veicoli in movimento".

Solutions Arguments

Argomento Tipo Predefinito Descrizione
model str None Percorso del file del modello Ultralytics YOLO.
region list '[(20, 400), (1260, 400)]' Elenco dei punti che definiscono la regione di conteggio.
show_in bool True Flag per controllare se visualizzare i conteggi in streaming video.
show_out bool True Flag per controllare se visualizzare i conteggi out streaming video.
analytics_type str line Tipo di grafico, ovvero line, bar, area, oppure pie.
colormap int cv2.COLORMAP_JET Colormap da utilizzare per la heatmap.
json_file str None Percorso del file JSON che contiene tutti i dati delle coordinate del parcheggio.
up_angle float 145.0 Soglia angolare per la posa 'alta'.
kpts list[int, int, int] '[6, 8, 10]' Elenco dei keypoint utilizzati per monitorare gli allenamenti. Questi keypoint corrispondono alle articolazioni o parti del corpo, come spalle, gomiti e polsi, per esercizi come flessioni, trazioni, squat, allenamenti per gli addominali.
down_angle float 90.0 Soglia angolare per la posa 'bassa'.
blur_ratio float 0.5 Regola la percentuale di intensità della sfocatura, con valori nell'intervallo 0.1 - 1.0.
crop_dir str 'cropped-detections' Nome della directory per la memorizzazione dei rilevamenti ritagliati.
records int 5 Conteggio totale dei rilevamenti per attivare un'e-mail con il sistema di allarme di sicurezza.
vision_point tuple[int, int] (20, 20) Il punto in cui la visione traccerà gli oggetti e disegnerà i percorsi utilizzando VisionEye Solution.
source str None Percorso della sorgente di input (video, RTSP, ecc.). Utilizzabile solo con l'interfaccia della riga di comando (CLI) di Solutions.
figsize tuple[int, int] (12.8, 7.2) Dimensione della figura per grafici analitici come mappe di calore o grafici.
fps float 30.0 Frame 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 massimo di velocità nelle sovrapposizioni visive (utilizzato negli avvisi).
data str 'images' Percorso della directory delle immagini utilizzata per la ricerca di similarità.

Traccia gli argomenti

Le soluzioni supportano anche alcuni degli argomenti da track, inclusi parametri come conf, line_width, tracker, model, show, verbose e classes.

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

Argomenti di visualizzazione

Puoi usare show_conf, show_labels, e altri argomenti menzionati per personalizzare la visualizzazione.

Argomento Tipo Predefinito Descrizione
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 lo spessore della linea dei riquadri di delimitazione. Se None, lo spessore della linea viene regolato automaticamente in base alle dimensioni dell'immagine, fornendo una personalizzazione visiva per una maggiore chiarezza.
show_conf bool True Visualizza il punteggio di confidenza per ogni rilevamento accanto all'etichetta, offrendo una panoramica sulla certezza del modello per ogni rilevamento.
show_labels bool True Mostra le etichette per ogni rilevamento nell'output visivo, fornendo una comprensione immediata degli oggetti rilevati.

Utilizzo di SolutionAnnotator

Tutte le Ultralytics Solutions utilizzano la classe separata SolutionAnnotator, che estende il principale Annotator class e hanno i seguenti metodi:

Metodo Tipo di ritorno Descrizione
draw_region() None Disegna una regione utilizzando punti, colori e spessore specificati.
queue_counts_display() None Visualizza il numero di code nella regione specificata.
display_analytics() None Visualizza le statistiche generali per la gestione del parcheggio.
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 la fase per il monitoraggio dell'allenamento.
plot_distance_and_line() None Visualizza la distanza tra i centroidi e li collega con una linea.
display_objects_labels() None Annota i bounding box con le etichette della classe di oggetti.
sweep_annotator() None Visualizza una linea di scansione verticale e un'etichetta opzionale.
visioneye() None Mappa e connette i centroidi degli oggetti a un punto "occhio" visivo.
adaptive_label() None Disegna un'etichetta di forma circolare o rettangolare come sfondo al centro di un bounding box.

Lavorare con SolutionResults

Eccetto Similarity Search, ogni chiamata a Solution restituisce un elenco di SolutionResults object.

  • Per il conteggio degli oggetti, i risultati includono in_count, out_count, e classwise_count.

SolutionResults

import cv2

from ultralytics import solutions

im0 = cv2.imread("path/to/img")

region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]

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(im0)
print(results.in_count)  # display in_counts
print(results.out_count)  # display out_counts
print(results.classwise_count)  # display classwise_count

SolutionResults object hanno i seguenti attributi:

Attributo Tipo Descrizione
plot_im np.ndarray Immagine con sovrapposizioni visive come conteggi, effetti di sfocatura o miglioramenti specifici della soluzione.
in_count int Numero totale di oggetti rilevati che entrano nella zona definita nel flusso video.
out_count int Numero totale di oggetti rilevati che escono dalla zona definita nel flusso video.
classwise_count Dict[str, int] Dizionario che registra il conteggio degli oggetti in entrata/uscita per classe per analisi avanzate.
queue_count int Numero di oggetti attualmente all'interno di una coda predefinita o di un'area di attesa (adatto per la gestione delle code).
workout_count int Numero totale di ripetizioni di allenamento completate durante il monitoraggio dell'esercizio.
workout_angle float Angolo calcolato dell'articolazione o della posa durante l'allenamento per la valutazione della forma.
workout_stage str Fase di allenamento o fase di movimento corrente (ad esempio, 'su', 'giù').
pixels_distance float Distanza basata sui pixel tra due oggetti o punti, ad esempio, bounding box (adatta per il calcolo della distanza).
available_slots int Numero di posti non occupati in un'area monitorata (adatto per la gestione del parcheggio).
filled_slots int Numero di posti occupati in un'area monitorata (adatto per la gestione del parcheggio).
email_sent bool Indica se una notifica o un'e-mail di avviso è stata inviata correttamente (adatta per allarmi di sicurezza).
total_tracks int Numero totale di tracce di oggetti univoche osservate durante l'analisi video.
region_counts Dict[str, int] Conteggio degli oggetti all'interno di regioni o zone definite dall'utente.
speed_dict Dict[str, float] Dizionario track-wise delle velocità degli oggetti calcolate, utile per l'analisi della velocità.
total_crop_objects int Numero totale di immagini di oggetti ritagliati generate dalla soluzione ObjectCropper.
speed Dict[str, float] Dizionario contenente metriche di performance per il tracking e l'elaborazione della soluzione.

Per maggiori dettagli, fare riferimento a SolutionResults documentazione della classe.

Solutions Usage via CLI

Informazioni sui comandi

La maggior parte delle soluzioni può essere utilizzata direttamente tramite 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.
  • SOLUTION_NAME è uno tra: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
  • ARGS (opzionali) sono coppie personalizzate, arg=value coppie come show_in=True, per sovrascrivere le impostazioni predefinite.
yolo solutions count show=True # for object counting

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

Contribuisci alle nostre soluzioni

Accogliamo con favore i contributi della comunità! Se hai acquisito una particolare competenza in un aspetto di Ultralytics YOLO che non è ancora trattato nelle nostre soluzioni, ti incoraggiamo a condividere la tua esperienza. Scrivere una guida è un ottimo modo per dare qualcosa in cambio alla comunità e aiutarci a rendere la nostra documentazione più completa e facile da usare.

Per iniziare, leggi la nostra Guida per i contributi per le linee guida su come aprire una Pull Request (PR) 🛠️. Non vediamo l'ora di ricevere i tuoi contributi!

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

FAQ

Come posso utilizzare Ultralytics YOLO per il conteggio di oggetti in tempo reale?

Ultralytics YOLO11 può essere utilizzato per il conteggio di oggetti in tempo reale sfruttando le sue avanzate capacità di rilevamento di oggetti. Puoi seguire la nostra guida dettagliata sul Conteggio oggetti per configurare YOLO11 per l'analisi di flussi video in diretta. Installa semplicemente YOLO11, carica il tuo modello ed elabora 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 il rilevamento di oggetti in tempo reale e meccanismi di allerta. Utilizzando YOLO11, puoi creare un sistema di allarme di sicurezza che attiva avvisi quando vengono rilevati nuovi oggetti nell'area sorvegliata. Scopri come impostare un Sistema di allarme di sicurezza con YOLO11 per un monitoraggio di sicurezza robusto.

In che modo Ultralytics YOLO può migliorare i sistemi di gestione delle code?

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

Ultralytics YOLO può essere utilizzato per il monitoraggio degli allenamenti?

Sì, Ultralytics YOLO11 può essere utilizzato efficacemente per il monitoraggio degli allenamenti tracciando e analizzando le routine di fitness in tempo reale. Ciò consente una valutazione precisa della forma fisica e delle prestazioni. Esplora la nostra guida sul Monitoraggio degli allenamenti per imparare come impostare un sistema di monitoraggio degli allenamenti basato sull'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 un'area specifica, evidenziando le regioni di elevata attività o interesse. Questa funzionalità è particolarmente utile per comprendere modelli e tendenze in varie attività di computer vision. Scopri di più sulla creazione e l'utilizzo di Mappe di calore con YOLO11 per un'analisi e una visualizzazione complete dei dati.



📅 Creato 1 anno fa ✏️ Aggiornato 1 mese fa

Commenti