Ultralytics Solutions：YOLO26を活用して現実世界の課題を解決

Ultralytics Solutionsは、YOLOモデルの最先端の応用を提供します。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的なソリューションを提供し、多様な業界における効率性と精度を向上させます。実践的で効果的な実装のために、YOLO26のパワーを発見してください。

Watch: How to Run Ultralytics Solutions from the Command Line (CLI) | Ultralytics YOLO26 🚀

ソリューション

以下は、素晴らしいコンピュータビジョンプロジェクトを作成するために使用できる、厳選されたUltralyticsソリューションのリストです。

Analytics：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。YOLO26を活用して、記述的、予測的、および処方的な分析を実現します。
Distance Calculation：YOLO26のバウンディングボックス重心を使用し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。
Heatmaps：検出ヒートマップを利用して行列全体にわたるデータの強度を可視化し、コンピュータビジョンタスクにおいて明確な洞察を提供します。
Instance Segmentation with Object Tracking：YOLO26を用いたインスタンスセグメンテーションと物体トラッキングを実装し、正確な物体の境界と継続的な監視を実現します。
Live Inference with Streamlit：ユーザーフレンドリーなStreamlitインターフェースを介し、Webブラウザから直接、YOLO26のリアルタイム物体検出パワーを活用します。
Object Blurring：YOLO26を使用して物体をぼかす処理を適用し、画像や動画処理におけるプライバシーを保護します。
Object Counting：YOLO26を使用したリアルタイム物体カウントを実行する方法を学びます。ライブ動画ストリーム内で正確に物体をカウントする専門知識を習得しましょう。
Object Counting in Regions：YOLO26を使用して特定の領域内の物体をカウントし、さまざまなエリアでの正確な検出を実現します。
Object Cropping：YOLO26を用いた物体クロッピングを習得し、画像や動画から対象物を正確に抽出します。
Parking Management：YOLO26を使用して駐車エリアの車両の流れを整理・誘導し、スペースの利用率とユーザー体験を最適化します。
Queue Management：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待ち行列管理システムを実装します。
Security Alarm System：YOLO26でセキュリティアラームシステムを作成し、新しい物体を検出した際にアラートをトリガーします。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。
Similarity Search：OpenAI CLIPの埋め込みと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有効にします。「バッグを持っている人」や「走行中の車両」といった自然言語クエリによる検索が可能になります。
Speed Estimation：YOLO26と物体トラッキング技術を使用して物体の速度を推定します。これは自動運転車や交通監視などのアプリケーションにおいて極めて重要です。
Track Objects in Zone：YOLO26を使用して動画フレーム内の特定のゾーン内で物体を追跡する方法を学び、正確かつ効率的な監視を実現します。
VisionEye View Objects Mapping：特定の物体に焦点を当てる人間の目を模倣したシステムを開発し、コンピュータの詳細を識別・優先順位付けする能力を向上させます。
Workouts Monitoring：YOLO26を使用したワークアウトの監視方法を発見してください。さまざまなフィットネスルーチンをリアルタイムで追跡・分析する方法を学習します。

ソリューションの引数

引数	タイプ	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)]'`	カウント対象となる領域を定義する点のリスト。
`show_in`	`bool`	`True`	ビデオストリーム上にイン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（`line`、`bar`、`area`、または `pie`）。
`colormap`	`int`	`cv2.COLORMAP_DEEPGREEN`	ヒートマップに使用するカラーマップ。
`json_file`	`str`	`None`	すべての駐車スペースの座標データが含まれる JSON ファイルへのパス。
`up_angle`	`float`	`145.0`	'up' ポーズの角度しきい値。
`kpts`	`list[int]`	`'[6, 8, 10]'`	ワークアウトのモニタリングに使用される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、腕立て伏せ、懸垂、スクワット、腹筋運動などのエクササイズにおける、肩、肘、手首などの身体関節や部位に対応しています。
`down_angle`	`int`	`90`	'down' ポーズの角度しきい値。
`blur_ratio`	`float`	`0.5`	ぼかし強度のパーセンテージを調整します（範囲 `0.1 - 1.0`）。
`crop_dir`	`str`	`'cropped-detections'`	トリミングされた検出結果を保存するためのディレクトリ名。
`records`	`int`	`5`	セキュリティ警報システムでメールをトリガーするための総検出カウント数。
`vision_point`	`tuple[int, int]`	`(20, 20)`	VisionEye Solution を使用して、視覚情報がオブジェクトを追跡しパスを描画するための基準点。
`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用の図のサイズ。
`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`	速度や方向の計算のために、オブジェクトごとに追跡する過去のポイントの最大数。
`meter_per_pixel`	`float`	`0.05`	ピクセル距離を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係数。
`max_speed`	`int`	`120`	ビジュアルオーバーレイにおける最大速度制限（アラートで使用）。
`data`	`str`	`'images'`	類似検索に使用される画像ディレクトリへのパス。

Track引数

Solutions also support some of the arguments from track, including parameters such as conf, line_width, tracker, model, show, verbose and classes.

引数	タイプ	デフォルト	説明
`tracker`	`str`	`'botsort.yaml'`	使用するトラッキングアルゴリズムを指定します（例：`bytetrack.yaml`や`botsort.yaml`）。
`conf`	`float`	`0.1`	検出の信頼度しきい値を設定します。低い値を指定するとより多くの物体をトラッキングできますが、偽陽性が含まれる可能性があります。
`iou`	`float`	`0.7`	重なり合う検出結果をフィルタリングするためのIntersection over Union (IoU) しきい値を設定します。
`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。例えば、`classes=[0, 2, 3]`と設定すると、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、追跡された物体の視覚的出力を提供します。
`device`	`str`	`None`	推論用のデバイス（例：`cpu`、`cuda:0`、`0`など）を指定します。ユーザーはCPU、特定のGPU、またはその他の計算デバイスを選択してモデルを実行できます。

視覚化引数

show_conf、show_labels、およびその他の言及された引数を使用して、視覚化をカスタマイズできます。

引数	タイプ	デフォルト	説明
`show`	`bool`	`False`	`True`の場合、注釈付き画像または動画をウィンドウに表示します。開発やテスト中に即座に視覚的フィードバックを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幅を指定します。`None`の場合、画像サイズに基づいて線幅が自動調整されます。明確化のための視覚的なカスタマイズが可能です。
`show_conf`	`bool`	`True`	ラベルとともに、各検出結果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信度を把握できます。
`show_labels`	`bool`	`True`	視覚的出力において、各検出結果にラベルを表示します。検出されたオブジェクトの即時理解を可能にします。

SolutionAnnotatorの使用方法

All Ultralytics Solutions use the separate class SolutionAnnotator, that extends the main Annotator class, and have the following methods:

メソッド	戻り値の型	説明
`draw_region()`	`None`	指定された点、色、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行列カウントを表示します。
`display_analytics()`	`None`	駐車場管理のための全体的な統計情報を表示します。
`estimate_pose_angle()`	`float`	物体ポーズにおける3点間の角度を計算します。
`draw_specific_points()`	`None`	画像上に特定のキーポイントを描画します。
`plot_workout_information()`	`None`	画像上にラベル付きテキストボックスを描画します。
`plot_angle_and_count_and_stage()`	`None`	ワークアウト監視のための角度、ステップ数、および段階を視覚化します。
`plot_distance_and_line()`	`None`	重心間の距離を表示し、それらを線で結びます。
`display_objects_labels()`	`None`	バウンディングボックスに物体クラスラベルを注釈付けします。
`sweep_annotator()`	`None`	垂直スイープラインとオプションのラベルを視覚化します。
`visioneye()`	`None`	物体の重心を視覚的な「アイ（目）」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

Except Similarity Search, each Solution call returns a list of SolutionResults objects.

物体カウントの場合、結果にはin_count、out_count、およびclasswise_countが含まれます。

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オブジェクトは以下の属性を持っています。

属性	タイプ	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オーバーレイを含む画像。
`in_count`	`int`	動画ストリーム内で定義されたゾーンに入ったと検出された物体の総数。
`out_count`	`int`	動画ストリーム内で定義されたゾーンから出たと検出された物体の総数。
`classwise_count`	`Dict[str, int]`	高度な分析のためにクラスごとの入出力物体カウントを記録する辞書。
`queue_count`	`int`	現在定義済みの待ち行列または待機エリア内にいる物体の数（待ち行列管理に適しています）。
`workout_count`	`int`	運動トラッキング中に完了したワークアウトの繰り返し総数。
`workout_angle`	`float`	フォーム評価のためにワークアウト中に計算された関節またはポーズの角度。
`workout_stage`	`str`	現在のワークアウト段階または動作フェーズ（例：'up', 'down'）。
`pixels_distance`	`float`	2つの物体または点（例：バウンディングボックス）間のピクセルベースの距離。（距離計算に適しています）
`available_slots`	`int`	監視エリア内の空き駐車スペース数（駐車場管理に適しています）。
`filled_slots`	`int`	監視エリア内の埋まっている駐車スペース数。（駐車場管理に適しています）
`email_sent`	`bool`	通知またはアラート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`	動画分析中に観測された固有の物体追跡の総数。
`region_counts`	`Dict[str, int]`	ユーザー定義の領域またはゾーン内の物体カウント。
`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キングごとの辞書。
`total_crop_objects`	`int`	ObjectCropperソリューションによって生成されたクロップ済み物体画像の総数。
`speed`	`Dict[str, float]`	トラッキングおよびソリューション処理のパフォーマンスメトリクスを含む辞書です。

詳細については、SolutionResults クラスのドキュメントを参照してください。

CLI を使用したソリューションの利用

コマンド情報

ほとんどのソリューションは、以下を含め、コマンドラインインターフェース（CLI）を通じて直接使用できます。

Count、Crop、Blur、Workout、Heatmap、Isegment、Visioneye、Speed、Queue、Analytics、Inference、Trackzone

構文

yolo SOLUTIONS SOLUTION_NAME ARGS

SOLUTIONS は必須のキーワードです。
SOLUTION_NAME は以下のいずれかです： ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye']
ARGS (optional) are custom arg=value pairs, such as show_in=True, to override default settings.

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 の特定の側面を習得しており、それがまだソリューションに含まれていない場合は、ぜひその専門知識を共有してください。ガイドを書くことは、コミュニティへの還元であり、ドキュメントをより包括的で使いやすいものにするために役立ちます。

開始するには、Pull Request (PR) 🛠️ をオープンするためのガイドラインが記載された Contributing Guide をお読みください。皆様からの貢献をお待ちしております！

協力して Ultralytics YOLO エコシステムをより堅牢で多機能なものにしていきましょう 🙏！

FAQ

Ultralytics YOLO を使用してリアルタイムの物体カウントを行うにはどうすればよいですか？

Ultralytics YOLO26 は、その高度な物体検出機能を活用することで、リアルタイムの物体カウントに使用できます。詳細な Object Counting ガイドに従い、ライブビデオストリーム解析のために YOLO26 をセットアップできます。YOLO26 をインストールし、モデルをロードして、ビデオフレームを処理するだけで、物体を動的にカウントできます。

セキュリティシステムで 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検出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 を使用すると、監視エリア内に新しい物体が検出されたときにアラートをトリガーするセキュリティ警報システムを作成できます。堅牢なセキュリティ監視のために YOLO26 を使用した Security Alarm System の設定方法を学びましょう。

Ultralytics YOLO はどのように行列管理システムを改善できますか？

Ultralytics YOLO26 は、行列内の人数を正確にカウントおよび追跡することで行列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役立ちます。詳細な Queue Management ガイドに従い、効果的な行列監視と解析のために YOLO26 を実装する方法を学びましょう。

Ultralytics YOLO をワークアウトの監視に使用できますか？

はい、Ultralytics YOLO26 は、フィットネスルーチンをリアルタイムで追跡および解析することにより、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、エクササイズのフォームとパフォーマンスを正確に評価できます。YOLO26 を使用した AI ベースのワークアウト監視システムの設定方法については、Workouts Monitoring ガイドをご覧ください。

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

Ultralytics YOLO26 は、ヒートマップを生成して特定のエリア全体のデータ強度を可視化し、アクティビティや関心が高い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ビジョンタスクにおけるパターンやトレンドを理解するのに特に役立ちます。包括的なデータ解析と可視化のために YOLO26 を使用した Heatmaps の作成と使用方法について詳しく学びましょう。

Contributors

RIRizwanMunawar¹⁴ GLglenn-jocher¹¹ RAraimbekovm¹RORonald Eddy Jr¹LALaughing-q¹

Created 2024年5月30日Updated 先週