Ultralyticsソリューション：YOLO26を活用して現実世界の問題を解決する

Q: How does Ultralytics YOLO help in creating heatmaps for data visualization?

Ultralytics YOLO26は、特定の領域全体のデータ強度を可視化するヒートマップを生成し、高い活動や関心のある領域を強調表示できます。この機能は、さまざまなコンピュータービジョンタスクにおけるパターンとトレンドを理解する上で特に有用です。包括的なデータ分析と可視化のために、YOLO26でヒートマップを作成し使用する方法について詳しく学びましょう。

Ultralytics Solutionsは、YOLOモデルの最先端アプリケーションを提供し、物体計数、ぼかし、セキュリティシステムなどの実世界でのソリューションを通じて、多様な産業における効率と精度を向上させます。実用的で影響力のある実装のためのYOLO26の力を発見してください。

見る: コマンドライン (CLI) からUltralytics Solutionsを実行する方法 | Ultralytics YOLO26 🚀

ソリューション

素晴らしいコンピュータビジョンプロジェクトの作成に利用できる、Ultralyticsが厳選したソリューションを以下に示します。

分析: YOLO26を記述的、予測的、処方的分析に活用し、包括的なデータ分析を実施してパターンを発見し、情報に基づいた意思決定を行います。
距離計算: 空間分析に不可欠な、YOLO26のバウンディングボックスの重心を使用して物体間の距離を計算します。
ヒートマップ：検出ヒートマップを利用して、マトリックス全体のデータ強度を視覚化し、コンピュータビジョンのタスクで明確な洞察を提供します。
物体trackを伴うインスタンスsegmentation: YOLO26でインスタンスsegmentationと物体trackを実装し、正確な物体境界と継続的な監視を実現します。
Streamlitによるライブ推論: ユーザーフレンドリーなStreamlitインターフェースを使用して、ウェブブラウザから直接、リアルタイムの物体detectのためにYOLO26の力を活用します。
物体ぼかし: 画像およびビデオ処理におけるプライバシーを保護するために、YOLO26を使用して物体ぼかしを適用します。
物体計数: YOLO26でリアルタイム物体計数を実行する方法を学びましょう。ライブビデオストリームで物体を正確に計数する専門知識を習得してください。
領域内の物体計数: さまざまなエリアでの正確なdetectのために、YOLO26を使用して特定の領域内の物体を計数します。
物体クロッピング: 画像やビデオから物体を正確に抽出するために、YOLO26で物体クロッピングを習得しましょう。
駐車場管理: YOLO26を使用して駐車エリア内の車両の流れを整理し誘導することで、スペース利用率とユーザーエクスペリエンスを最適化します。
キュー管理: YOLO26を使用して、待ち時間を最小限に抑え、生産性を向上させる効率的なキュー管理システムを実装します。
セキュリティアラームシステム: 新しい物体をdetectしたときにアラートをトリガーするセキュリティアラームシステムをYOLO26で構築します。特定のニーズに合わせてシステムをカスタマイズしてください。
類似性検索: OpenAI CLIP埋め込みとMeta FAISSを組み合わせることで、インテリジェントな画像検索を可能にし、「バッグを持っている人」や「移動中の車両」のような自然言語クエリを許可します。
速度推定: 自動運転車や交通監視のようなアプリケーションに不可欠な、YOLO26と物体track技術を使用して物体の速度を推定します。
ゾーン内の物体track: 正確かつ効率的な監視のために、YOLO26を使用してビデオフレームの特定のゾーン内で物体をtrackする方法を学びましょう。
VisionEye View Objects Mapping: 特定のオブジェクトに人間の目の焦点を模倣するシステムを開発し、コンピュータが詳細を識別して優先順位を付ける能力を強化します。
ワークアウト監視: YOLO26を使用してワークアウトを監視する方法を発見しましょう。リアルタイムでさまざまなフィットネスルーチンをtrackし分析する方法を学びます。

ソリューションの引数

引数	種類	デフォルト	説明
`model`	`str`	`None`	Ultralytics YOLOモデルファイルへのパス。
`region`	`list`	`'[(20, 400), (1260, 400)]'`	カウント領域を定義する点のリスト。
`show_in`	`bool`	`True`	ビデオストリームにカウントを表示するかどうかを制御するフラグ。
`show_out`	`bool`	`True`	ビデオストリーム上にアウトカウントを表示するかどうかを制御するフラグ。
`analytics_type`	`str`	`'line'`	グラフの種類、すなわち、 `line`, `bar`, `area`、または `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	ヒートマップに使用するカラーマップ。
`json_file`	`str`	`None`	すべての駐車座標データを含むJSONファイルへのパス。
`up_angle`	`float`	`145.0`	「アップ」ポーズの角度閾値。
`kpts`	`list[int]`	`'[6, 8, 10]'`	ワークアウトの監視に使用される3つのキーポイントインデックスのリスト。これらのキーポイントは、プッシュアップ、プルアップ、スクワット、腹筋運動などのエクササイズにおいて、肩、肘、手首などの体の関節または部位に対応します。
`down_angle`	`float`	`90.0`	「ダウン」ポーズの角度閾値。
`blur_ratio`	`float`	`0.5`	ぼかしの強度の割合を調整します。値の範囲は `0.1 - 1.0`.
`crop_dir`	`str`	`'cropped-detections'`	切り抜かれた検出結果を保存するためのディレクトリ名。
`records`	`int`	`5`	セキュリティアラームシステムでメールをトリガーするための総検出数。
`vision_point`	`tuple[int, int]`	`(20, 20)`	VisionEye Solutionを使用して、ビジョンがオブジェクトをtrackし、パスを描画するポイント。
`source`	`str`	`None`	入力ソース（ビデオ、RTSPなど）へのパス。Solutionsコマンドラインインターフェース（CLI）でのみ使用可能です。
`figsize`	`tuple[int, int]`	`(12.8, 7.2)`	ヒートマップやグラフなどの分析チャートの図のサイズ。
`fps`	`float`	`30.0`	速度計算に使用される1秒あたりのフレーム数。
`max_hist`	`int`	`5`	速度/方向計算のためにオブジェクトごとにtrackする履歴点の最大数。
`meter_per_pixel`	`float`	`0.05`	ピクセル距離を現実世界の単位に変換するために使用されるスケーリングファクター。
`max_speed`	`int`	`120`	ビジュアルオーバーレイの最大速度制限（アラートで使用）。
`data`	`str`	`'images'`	類似性検索に使用される画像ディレクトリへのパス。

引数を追跡

ソリューションは、次の引数の一部もサポートしています。 trackなどのパラメータを含みます。 conf, line_width, tracker, model, show, verbose および classes.

引数	種類	デフォルト	説明
`tracker`	`str`	`'botsort.yaml'`	使用する追跡アルゴリズムを指定します。例： `bytetrack.yaml` または `botsort.yaml`.
`conf`	`float`	`0.1`	検出の信頼度閾値を設定します。低い値を設定すると、より多くのオブジェクトを追跡できますが、誤検出が含まれる可能性があります。
`iou`	`float`	`0.7`	重複する検出をフィルタリングするためのIntersection over Union (IoU) 閾値を設定します。
`classes`	`list`	`None`	クラスインデックスで結果をフィルタリングします。例： `classes=[0, 2, 3]` 指定されたクラスのみを追跡します。
`verbose`	`bool`	`True`	追跡結果の表示を制御し、追跡されたオブジェクトの視覚的な出力を提供します。
`device`	`str`	`None`	推論に使用するデバイスを指定します（例： `cpu`, `cuda:0` または `0`）。モデル実行のために、CPU、特定のGPU、またはその他の計算デバイスを選択できます。

可視化引数

以下を使用できます。 show_conf, show_labels、および視覚化をカスタマイズするために言及されたその他の引数。

引数	種類	デフォルト	説明
`show`	`bool`	`False`	もし `True`）は、アノテーションが付けられた画像またはビデオをウィンドウに表示します。開発またはテスト中に、視覚的なフィードバックを即座に得るのに役立ちます。
`line_width`	`int or None`	`None`	バウンディングボックスの線の太さを指定します。もし `None`場合、線の太さは画像サイズに基づいて自動的に調整されます。明確にするための視覚的なカスタマイズを提供します。
`show_conf`	`bool`	`True`	ラベルとともに、検出ごとの信頼度スコアを表示します。各検出に対するモデルの確実性についての洞察が得られます。
`show_labels`	`bool`	`True`	検出された各オブジェクトのラベルを視覚的な出力に表示します。検出されたオブジェクトをすぐに理解できます。

SolutionAnnotatorの使用

すべてのUltralytics Solutionsは、個別のクラスを使用します SolutionAnnotatorは、メインの Annotator クラスであり、次のメソッドがあります。

メソッド	戻り値の型	説明
`draw_region()`	`None`	指定されたポイント、色、および太さを使用して領域を描画します。
`queue_counts_display()`	`None`	指定された領域内のキュー数を表示します。
`display_analytics()`	`None`	駐車場管理に関する全体的な統計を表示します。
`estimate_pose_angle()`	`float`	オブジェクトポーズにおける3点間の角度を計算します。
`draw_specific_points()`	`None`	画像上の特定のキーポイントを描画します。
`plot_workout_information()`	`None`	ラベル付きのテキストボックスを画像上に描画します。
`plot_angle_and_count_and_stage()`	`None`	ワークアウトモニタリングのために、角度、ステップ数、およびステージを可視化します。
`plot_distance_and_line()`	`None`	重心間の距離を表示し、それらを線で接続します。
`display_objects_labels()`	`None`	オブジェクトクラスラベルでバウンディングボックスに注釈を付けます。
`sweep_annotator()`	`None`	垂直スイープラインとオプションのラベルを可視化します。
`visioneye()`	`None`	オブジェクトの重心を視覚的な「目」のポイントにマッピングして接続します。
`adaptive_label()`	`None`	バウンディングボックスの中心に円形または長方形の背景形状ラベルを描画します。

SolutionResults の操作

例外 Similarity Search各Solutionの呼び出しは、リストを返します。 SolutionResults オブジェクト。

オブジェクトのカウントでは、結果に以下が含まれます。 in_count, out_count、および 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="yolo26n.pt",  # model="yolo26n-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 オブジェクトは次の属性を持ちます：

属性	種類	説明
`plot_im`	`np.ndarray`	カウント、ぼかし効果、またはソリューション固有の拡張機能などの視覚的なオーバーレイを持つ画像。
`in_count`	`int`	ビデオストリーム内で定義されたゾーンに進入する物体が検出された総数。
`out_count`	`int`	ビデオストリーム内で定義されたゾーンから退出する物体が検出された総数。
`classwise_count`	`Dict[str, int]`	高度な分析のために、クラスごとのオブジェクトのイン／アウト数を記録する辞書。
`queue_count`	`int`	定義済みのキューまたは待機エリア内にあるオブジェクトの数（キュー管理に適しています）。
`workout_count`	`int`	運動追跡中に完了したワークアウトの反復総数。
`workout_angle`	`float`	フォーム評価のためのワークアウト中の関節または姿勢の角度を計算します。
`workout_stage`	`str`	現在のワークアウト段階または動作フェーズ（例： '上'、'下'）。
`pixels_distance`	`float`	2つのオブジェクトまたはポイント（例：バウンディングボックス）間のピクセルベースの距離。（距離の計算に適しています）。
`available_slots`	`int`	監視エリア内で空いているスロットの数。（駐車場管理に適しています）
`filled_slots`	`int`	監視エリア内で占有されているスロットの数。（駐車場管理に適しています）
`email_sent`	`bool`	通知または警告メールが正常に送信されたかどうかを示します（セキュリティアラームに適しています）。
`total_tracks`	`int`	ビデオ分析中に観察されたユニークな物体の追跡総数。
`region_counts`	`Dict[str, int]`	ユーザー定義の領域またはゾーン内のオブジェクト数。
`speed_dict`	`Dict[str, float]`	速度分析に役立つ、計算された物体速度のトラックごとの辞書。
`total_crop_objects`	`int`	ObjectCropperソリューションによって生成された、切り抜かれたオブジェクト画像の総数。
`speed`	`Dict[str, float]`	追跡およびソリューション処理のパフォーマンス指標を含む辞書。

詳細については、以下を参照してください。 SolutionResults classドキュメント.

CLI経由でのソリューションの使用法

コマンド情報

ほとんどのソリューションは、以下のものを含め、コマンドラインインターフェースから直接使用できます：

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

構文

yolo SOLUTIONS SOLUTION_NAME ARGS

SOLUTIONS は必須キーワードです。
SOLUTION_NAME は次のいずれかです： ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS （オプション）はカスタム arg=value のようなペア show_in=Trueを使用して、デフォルト設定をオーバーライドします。

yolo solutions count show=True # for object counting

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

ソリューションへの貢献

コミュニティからの貢献を歓迎します！Ultralytics YOLOの特定の部分を習得していて、まだソリューションでカバーされていない場合は、専門知識を共有してください。ガイドを書くことは、コミュニティに貢献し、ドキュメントをより包括的でユーザーフレンドリーにするための素晴らしい方法です。

まず、投稿ガイドをお読みになり、プルリクエスト（PR）🛠️;をオープンする方法に関するガイドラインをご確認ください。皆様からのご貢献をお待ちしております。

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ましょう 🙏!

よくある質問

リアルタイムのオブジェクトカウントにUltralytics YOLOを使用するにはどうすればよいですか？

Ultralytics YOLO26は、その高度な物体detect機能を活用することで、リアルタイムの物体計数に利用できます。ライブビデオストリーム分析のためにYOLO26をセットアップするには、物体計数に関する詳細ガイドに従ってください。YOLO26をインストールし、モデルをロードし、ビデオフレームを処理するだけで、動的に物体を計数できます。

セキュリティシステムにUltralytics YOLOを使用する利点は何ですか？

Ultralytics YOLO26は、リアルタイムの物体detectとアラートメカニズムを提供することで、セキュリティシステムを強化します。YOLO26を使用することで、監視エリアで新しい物体がdetectされたときにアラートをトリガーするセキュリティアラームシステムを構築できます。YOLO26を用いた堅牢なセキュリティ監視のためのセキュリティアラームシステムのセットアップ方法を学びましょう。

Ultralytics YOLOは、どのようにキュー管理システムを改善できますか？

Ultralytics YOLO26は、キュー内の人々を正確に計数しtrackすることで、キュー管理システムを大幅に改善し、待ち時間の短縮とサービス効率の最適化に貢献します。YOLO26を効果的なキュー監視と分析に実装する方法については、キュー管理に関する詳細ガイドに従ってください。

Ultralytics YOLOをワークアウトのモニタリングに使用できますか？

はい、Ultralytics YOLO26は、リアルタイムでフィットネスルーチンをtrackし分析することで、ワークアウトの監視に効果的に使用できます。これにより、運動フォームとパフォーマンスの正確な評価が可能になります。YOLO26を使用してAIを活用したワークアウト監視システムをセットアップする方法については、ワークアウト監視に関するガイドをご覧ください。

Ultralytics YOLOは、データ可視化のためのヒートマップ作成にどのように役立ちますか？

Ultralytics YOLO26は、特定の領域におけるデータ強度を可視化するためのヒートマップを生成し、高いアクティビティや関心のある領域を強調表示できます。この機能は、様々なコンピュータービジョンタスクにおけるパターンや傾向を理解する上で特に有用です。YOLO26を用いたヒートマップの作成と使用について、包括的なデータ分析と可視化のために詳細をご覧ください。

📅 1年前に作成 ✏️ 4日前に更新