Link to this sectionUltralytics Solutions：YOLO26を活用して現実世界の課題を解決する#

Ultralytics Solutionsは、YOLOモデルの最先端アプリケーションを提供します。物体計数、ぼかし、セキュリティシステムなど、現実世界の課題に対するソリューションを通じて、多様な業界における効率と精度を向上させます。実用的でインパクトのある実装に向け、YOLO26のパワーをご活用ください。

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

Link to this section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を構築するために利用できる、厳選されたUltralyticsソリューションのリストを紹介します。

分析：包括的なデータ分析を実施し、パターンを発見して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、および処方的分析を実現します。
距離計算：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。
ヒートマップ：検出ヒートマップを活用して行列全体のデータ強度を視覚化し、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。
インスタンスセグメンテーションと物体追跡：YOLO26を用いたインスタンスセグメンテーションと物体追跡を実装し、精密な物体の境界と継続的な監視を実現します。
Streamlitによるライブ推論：使いやすいStreamlitインターフェースを介し、Webブラウザから直接リアルタイムの物体検出を行うためにYOLO26のパワーを活用します。
物体ぼかし：YOLO26を用いた物体ぼかしを適用し、画像や動画処理におけるプライバシーを保護します。
物体計数：YOLO26を用いたリアルタイム物体計数の実行方法を習得します。ライブ動画ストリーム内の物体を正確にカウントする専門知識を身につけましょう。
領域内の物体計数：YOLO26を使用して特定の領域内の物体をカウントし、多様なエリアで正確な検出を実現します。
物体切り抜き：YOLO26による物体切り抜きを習得し、画像や動画から物体を精密に抽出します。
駐車場管理：YOLO26を使用して駐車場内の車両フローを整理・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を使用して、待ち時間を最小化し生産性を向上させる効率的な行列管理システムを実装します。
セキュリティ警報システム：新しい物体を検出した際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YOLO26で作成します。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。
類似検索：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。これにより、「バッグを持っている人」や「移動中の車両」といった自然言語クエリが可能になります。
速度推定：YOLO26と物体追跡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不可欠です。
ゾーン内の物体追跡：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、精密かつ効率的な監視を実現します。
VisionEye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作を模倣するシステムを開発し、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。
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学びます。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・分析する方法を習得しましょう。

Link to this section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)]'`	計数領域を定義する点のリスト。
`show_in`	`bool`	`True`	動画ストリームに流入数を表示するかどうかを制御するフラグ。
`show_out`	`bool`	`True`	動画ストリームに流出数を表示するかどうかを制御するフラグ。
`analytics_type`	`str`	`'line'`	グラフのタイプ（`line`、`bar`、`area`、または `pie`など）。
`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`	すべての駐車場の座標データを含むJSONファイルへのパス。
`up_angle`	`float`	`145.0`	「アップ（上）」ポーズの角度しきい値。
`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、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いて、肩、肘、手首などの体の関節や部位に対応します。
`down_angle`	`int`	`90`	「ダウン（下）」ポーズの角度しきい値。
`blur_ratio`	`float`	`0.5`	ぼかし強度の割合を調整します（範囲 `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`	セキュリティ警報システムでメールをトリガーするための検出合計数。
`vision_point`	`tuple[int, int]`	`(20, 20)`	VisionEyeソリューションを使用して、ビジョンが物体を追跡しパスを描画する地点。
`source`	`str`	`None`	入力ソースへのパス（ビデオ、RTSPなど）。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`	速度や方向の計算において、物体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係数。
`max_speed`	`int`	`120`	視覚オーバーレイにおける最高速度制限（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。
`imgsz`	`int`	`640`	モデル推論のための入力画像サイズ。

追跡（Track）の引数

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。組み込みのオプションは、`botsort.yaml`、`bytetrack.yaml`、`ocsort.yaml`、`deepocsort.yaml`、`fasttrack.yaml`、`tracktrack.yaml`です。
`conf`	`float`	`0.1`	検出の信頼度しきい値を設定します。低い値を設定するとより多くの物体を追跡できますが、誤検知が含まれる可能性があります。
`iou`	`float`	`0.7`	重なり合う検出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な出力を行います。
`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`）。CPU、特定のGPU、その他の演算デバイスをモデル実行用に選択できます。

視覚化の引数

show_conf、show_labelsなどの前述の引数を使用して、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、注釈付きの画像や動画をウィンドウに表示します。開発やテスト中の即時的な視覚フィードバックに役立ちます。
`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。`None`の場合、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。明瞭さのための視覚的なカスタマイズが可能です。
`show_conf`	`bool`	`True`	各検出の信頼度スコアをラベルと一緒に表示します。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のラベルを表示します。検出されたオブジェクトを即座に理解するのに役立ちます。

Link to this sectionSolutionAnnotator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数（キューカウント）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`	オブジェクトポーズ内の3点間の角度を計算します。
`draw_specific_kpts()`	`np.ndarray`	画像上に特定のキーポイントを描画します。
`plot_workout_information()`	`int`	画像上にラベル付きの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、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`	バウンディングボックスにオブジェクト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可視化します。
`visioneye()`	`None`	オブジェクトの重心を視覚的な「アイ」ポイントにマッピングして接続します。
`adaptive_label()`	`None`	BBoxの中央に円形または長方形の背景ラベルを描画します。

Link to this sectionSolutionResultsの操作#

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

オブジェクトカウントの場合、結果には in_count、out_count、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です。
`in_count`	`int`	ビデオストリーム内で定義されたゾーンに入ると検出されたオブジェクトの合計数です。
`out_count`	`int`	ビデオストリーム内で定義されたゾーンから出ると検出されたオブジェクトの合計数です。
`classwise_count`	`Dict[str, int]`	高度な分析のためにクラスごとの入/出オブジェクト数を記録する辞書です。
`queue_count`	`int`	あらかじめ定義されたキューまたは待機エリア内に現在存在するオブジェクト数です（キュー管理に適しています）。
`workout_count`	`int`	エクササイズ追跡中に完了したワークアウトの繰り返し回数の合計です。
`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です。
`workout_stage`	`str`	現在のワークアウトステージまたは動作フェーズ（例: 'up'、'down'）です。
`pixels_distance`	`float`	2つのオブジェクトまたは点（例: バウンディングボックス）間のピクセルベースの距離です。（距離計算に適しています）
`available_slots`	`int`	監視エリア内の空きスロット数です（駐車場管理に適しています）。
`filled_slots`	`int`	監視エリア内の占有スロット数です。（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`	ビデオ分析中に観測されたユニークなオブジェクトトラックの合計数です。
`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です。
`speed_dict`	`Dict[str, float]`	速度分析に役立つ、トラックごとの計算されたオブジェクト速度の辞書です。
`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オブジェクト画像の合計数です。
`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指標を含む辞書です。

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。

Link to this sectionCLIによるSolutionsの使用#

コマンド情報

ほとんどのSolutionsは、以下を含むコマンドラインインターフェースを介し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、['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye', 'region', 'security', 'parking'] のいずれかです。
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

Link to this sectionSolutionsへの貢献#

コミュニティからの貢献を歓迎します！まだ私たちのソリューションでカバーされていないUltralytics YOLOの特定の側面を習得された場合は、ぜひ専門知識を共有してください。ガイドを書くことは、コミュニティに還元し、ドキュメントをより包括的かつ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。

始めるには、プルリクエスト（PR）を作成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 🛠️。皆様の貢献をお待ちしております！

一緒にUltralytics YOLOエコシステムをより強力で多用途なものにしていきましょう 🙏！

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics YOLOを使用してリアルタイムでオブジェクトをカウントするにはどうすればよいですか？#

Ultralytics YOLO26は、その高度なオブジェクト検出機能を活用することで、リアルタイムのオブジェクトカウントに使用できます。ライブビデオストリーム分析用にYOLO26をセットアップするには、詳細な Object Counting ガイドに従ってください。YOLO26をインストールし、モデルをロードして、ビデオフレームを処理するだけでオブジェクトを動的にカウントできます。

Link to this section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、リアルタイムのオブジェクト検出と警告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、監視エリア内で新しいオブジェクト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アラーム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を使用して Security Alarm System を設定する方法を学びましょう。

Link to this sectionUltralytics 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、行列内の人々を正確にカウントおよび追跡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を支援します。効果的なキュー監視および分析のためにYOLO26を実装する方法については、詳細な Queue Management ガイドに従ってください。

Link to this sectionUltralytics YOLOは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分析することにより、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を使用してAI駆動の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、Workouts Monitoring ガイドをご覧ください。

Link to this sectionUltralytics 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、特定の領域全体のデータの強度を視覚化し、アクティビティや関心が高い領域を強調するヒートマップを生成できます。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傾向を理解するのに特に役立ちます。包括的なデータ分析と可視化のためにYOLO26を使用して Heatmaps を作成および使用する方法について詳しく学びましょう。

貢献者

RIRizwanMunawar¹⁴ GLglenn-jocher¹³ RAraimbekovm¹RORonald Eddy Jr¹LALaughing-q¹

作成日 2024年5月30日更新日 4 日前