Ultralytics Solutions：YOLO26で現実世界の課題を解決#

Ultralytics Solutionsは、YOLOモデルの最先端の活用例を提供し、物体カウント、ぼかし処理、セキュリティシステムなどの現実世界の課題を解決します。さまざまな業界で効率と精度を高めます。YOLO26を実用的で大きな効果をもたらす形で導入する方法をご覧ください。

Solutions#

魅力的なコンピュータービジョンプロジェクトの作成に活用できる、厳選されたUltralyticsのソリューションをご紹介します。

• 分析：YOLO26を活用した記述的、予測的、処方的分析により、包括的なデータ分析を行い、パターンを発見して情報に基づいた意思決定を支援します。
• 距離計算：YOLO26でバウンディングボックスの重心を使って物体間の距離を計算します。これは空間分析に不可欠です。
• ヒートマップ：検出ヒートマップを使用して行列全体のデータ強度を可視化し、コンピュータービジョンタスクにおける明確な洞察を提供します。
• 物体追跡を伴うインスタンスセグメンテーション：YOLO26でインスタンスセグメンテーションと物体追跡を実装し、物体の境界を正確に捉え、継続的に監視します。
• Streamlitによるライブ推論：YOLO26の性能を活用し、使いやすいStreamlitインターフェースを通じて、Webブラウザー上でリアルタイムの物体検出を直接実行します。
• 物体のぼかし処理：YOLO26を使って画像や動画の処理時に物体をぼかし、プライバシーを保護します。
• 物体カウント：YOLO26を使ったリアルタイムの物体カウント方法を学びます。ライブ動画ストリーム内の物体を正確に数えるスキルを身につけられます。
• 領域内の物体カウント：YOLO26を使って特定の領域内の物体を数え、さまざまなエリアで正確に検出します。
• 物体の切り出し：YOLO26を使った物体の切り出し方法を習得し、画像や動画から物体を正確に抽出します。
• 駐車場管理：YOLO26を使って駐車場内の車両の流れを整理・誘導し、スペースの利用効率とユーザー体験を最適化します。
• 行列管理：YOLO26を使って効率的な行列管理システムを実装し、待ち時間を短縮して生産性を高めます。
• セキュリティアラームシステム：YOLO26で新しい物体を検出したときにアラートを発するセキュリティアラームシステムを作成します。用途に合わせてシステムをカスタマイズできます。
• 類似画像検索：OpenAI CLIPの埋め込みとコサイン類似度検索を組み合わせて、画像をインテリジェントに検索します。「バッグを持っている人」や「移動中の車両」などの自然言語クエリを利用できます。
• 速度推定：YOLO26と物体追跡技術を使って物体の速度を推定します。自動運転車や交通監視などの用途で重要です。
• ゾーン内の物体追跡：YOLO26を使って動画フレーム内の特定ゾーンで物体を追跡し、正確かつ効率的に監視する方法を学びます。
• VisionEyeによる物体マッピング：人間の目が特定の物体に焦点を合わせる動きを模倣するシステムを開発し、コンピューターが詳細を識別して優先順位を付ける能力を高めます。
• ワークアウトのモニタリング：YOLO26を使ってワークアウトをモニタリングする方法をご覧ください。さまざまなフィットネスルーティンをリアルタイムで追跡・分析する方法を学べます。

Solutionsの引数#

SolutionAnnotatorの使用方法#

すべてのUltralytics Solutionsは、メインのAnnotatorクラスを拡張する独立したクラスSolutionAnnotatorを使用し、以下のメソッドを備えています。

SolutionResultsの使用方法#

Similarity Search を除き、Solution の各呼び出しは SolutionResults オブジェクトを返します。

• 物体カウントでは、結果にin_count、out_count、classwise_countが含まれます。

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,  # 出力を表示する
    region=region_points,  # 領域の点を渡す
    model="yolo26n.pt",  # model="yolo26n-obb.pt"で、OBBモデルを使った物体カウントを行います。
    # classes=[0, 2],  # COCOの事前学習済みモデルで、人物や車など特定のクラスをカウントします。
    # tracker="botsort.yaml"  # bytetrack.yamlなどのトラッカーを選択します。
)
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 オブジェクトには、次の属性があります。

詳細については、SolutionResultsクラスのドキュメントをご覧ください。

CLIでのSolutionsの使用方法#

yolo solutions count show=True # for object counting

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

Solutionsへの貢献#

コミュニティからの貢献を歓迎します。Ultralytics YOLOの特定の分野に精通していて、まだSolutionsで取り上げられていない内容があれば、ぜひ知見を共有してください。ガイドを執筆することは、コミュニティに貢献し、ドキュメントをより包括的で使いやすくするための素晴らしい方法です。

まずは貢献ガイドを読み、Pull Request (PR)の作成方法をご確認ください 🛠️。皆様からの貢献をお待ちしています。

Ultralytics YOLOエコシステムをより堅牢で汎用性の高いものにするために、協力して取り組みましょう 🙏！

よくある質問#