다음을 사용하여 개체 수 계산 Ultralytics YOLOv8

Q: How do I count objects in a video using Ultralytics YOLOv8?

Ultralytics YOLOv8 을 사용하여 동영상에서 개체를 세려면 다음 단계를 따르세요: 다음은 영역에서 개수를 세는 간단한 예시입니다: 객체 카운트 섹션에서 더 많은 구성 및 옵션을 살펴보세요.

Q: What are the advantages of using Ultralytics YOLOv8 for object counting?

객체 카운팅에 Ultralytics YOLOv8 을 사용하면 몇 가지 장점이 있습니다: 실제 애플리케이션과 코드 예제는 객체 카운팅의 장점 섹션을 참조하세요.

오브젝트 카운팅이란 무엇인가요?

를 사용한 객체 카운팅 Ultralytics YOLOv8 는 동영상과 카메라 스트림에서 특정 객체를 정확하게 식별하고 카운팅하는 기능을 제공합니다. YOLOv8 는 최첨단 알고리즘과 딥러닝 기능 덕분에 군중 분석 및 감시와 같은 다양한 시나리오에서 효율적이고 정확한 객체 카운팅을 제공하는 실시간 애플리케이션에 탁월합니다.

Watch: 다음을 사용하여 개체 수 계산 Ultralytics YOLOv8

Watch: 클래스별 오브젝트 카운팅을 사용하여 Ultralytics YOLOv8

오브젝트 카운팅의 장점은?

리소스 최적화: 개체 카운팅은 정확한 개수를 제공하고 재고 관리와 같은 애플리케이션에서 리소스 할당을 최적화하여 효율적인 리소스 관리를 용이하게 합니다.
보안 강화: 개체 카운팅은 개체를 정확하게 추적하고 계산하여 사전 위협 탐지를 지원함으로써 보안과 감시를 강화합니다.
정보에 기반한 의사 결정: 객체 카운팅은 의사 결정, 소매업, 교통 관리 및 기타 다양한 영역의 프로세스 최적화를 위한 귀중한 인사이트를 제공합니다.

실제 애플리케이션

물류	양식업

컨베이어 벨트 패킷 계수 사용 Ultralytics YOLOv8	바다에서 물고기 수 세기 Ultralytics YOLOv8

YOLOv8 예제를 사용한 개체 수 계산

지역 내 카운트다각형으로 계산줄서서 계산특정 클래스

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Define region points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=region_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Define region points as a polygon with 5 points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360), (20, 400)]

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=region_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Define line points
line_points = [(20, 400), (1080, 400)]

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=line_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

line_points = [(20, 400), (1080, 400)]  # line or region points
classes_to_count = [0, 2]  # person and car classes for count

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=line_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False, classes=classes_to_count)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

지역 이동 가능

프레임의 가장자리를 클릭하여 영역을 원하는 곳으로 이동할 수 있습니다.

인수 `ObjectCounter`

다음은 표입니다. ObjectCounter 인수를 사용합니다:

이름	유형	기본값	설명
`names`	`dict`	`None`	클래스 이름 사전.
`reg_pts`	`list`	`[(20, 400), (1260, 400)]`	계산 영역을 정의하는 포인트 목록입니다.
`count_reg_color`	`tuple`	`(255, 0, 255)`	카운팅 영역의 RGB 색상입니다.
`count_txt_color`	`tuple`	`(0, 0, 0)`	카운트 텍스트의 RGB 색상입니다.
`count_bg_color`	`tuple`	`(255, 255, 255)`	카운트 텍스트 배경의 RGB 색상입니다.
`line_thickness`	`int`	`2`	경계 상자의 선 두께입니다.
`track_thickness`	`int`	`2`	트랙 선의 두께입니다.
`view_img`	`bool`	`False`	비디오 스트림 표시 여부를 제어하는 플래그입니다.
`view_in_counts`	`bool`	`True`	비디오 스트림에 인 카운트를 표시할지 여부를 제어하는 플래그입니다.
`view_out_counts`	`bool`	`True`	비디오 스트림에 아웃 카운트를 표시할지 여부를 제어하는 플래그입니다.
`draw_tracks`	`bool`	`False`	플래그 - 개체 트랙을 그릴지 여부를 제어합니다.
`track_color`	`tuple`	`None`	트랙의 RGB 색상.
`region_thickness`	`int`	`5`	객체 계산 영역의 두께입니다.
`line_dist_thresh`	`int`	`15`	라인 카운터의 유클리드 거리 임계값입니다.
`cls_txtdisplay_gap`	`int`	`50`	각 클래스 수 사이의 간격을 표시합니다.

인수 `model.track`

이름	유형	기본값	설명
`source`	`im0`	`None`	이미지 또는 비디오의 소스 디렉토리
`persist`	`bool`	`False`	프레임 간 트랙 지속
`tracker`	`str`	`botsort.yaml`	추적 방법 '바이트트랙' 또는 '봇소트'
`conf`	`float`	`0.3`	신뢰 임계값
`iou`	`float`	`0.5`	IOU 임계값
`classes`	`list`	`None`	클래스별로 결과를 필터링합니다(예: classes=0 또는 classes=[0,2,3]).
`verbose`	`bool`	`True`	개체 추적 결과 표시

자주 묻는 질문

Ultralytics YOLOv8 을 사용하여 동영상에서 객체를 계산하려면 어떻게 하나요?

Ultralytics YOLOv8 을 사용하여 동영상에서 개체를 카운트하려면 다음 단계를 따르세요:

필요한 라이브러리 가져오기(cv2, ultralytics).
사전 학습된 YOLOv8 모델을 로드합니다.
카운팅 영역(예: 다각형, 선 등)을 정의합니다.
동영상 캡처를 설정하고 개체 카운터를 초기화합니다.
각 프레임을 처리하여 객체를 추적하고 정의된 영역 내에서 객체를 계산합니다.

다음은 한 지역에서 계산하는 간단한 예입니다:

import cv2

from ultralytics import YOLO, solutions


def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    model = YOLO(model_path)
    cap = cv2.VideoCapture(video_path)
    assert cap.isOpened(), "Error reading video file"
    w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
    region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
    counter = solutions.ObjectCounter(
        view_img=True, reg_pts=region_points, names=model.names, draw_tracks=True, line_thickness=2
    )

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        tracks = model.track(im0, persist=True, show=False)
        im0 = counter.start_counting(im0, tracks)
        video_writer.write(im0)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()


count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolov8n.pt")

개체 수 계산 섹션에서 더 많은 구성 및 옵션을 살펴보세요.

객체 카운팅에 Ultralytics YOLOv8 을 사용하면 어떤 이점이 있나요?

객체 카운팅에 Ultralytics YOLOv8 을 사용하면 몇 가지 장점이 있습니다:

리소스 최적화: 정확한 카운트를 제공하여 효율적인 리소스 관리를 용이하게 하고, 재고 관리와 같은 산업에서 리소스 할당을 최적화하는 데 도움을 줍니다.
보안 강화: 엔티티를 정확하게 추적하고 계산하여 보안 및 감시를 강화하여 선제적인 위협 탐지를 지원합니다.
정보에 기반한 의사 결정: 리테일, 트래픽 관리 등의 영역에서 의사 결정을 위한 귀중한 인사이트를 제공하여 프로세스를 최적화합니다.

실제 애플리케이션과 코드 예제를 보려면 객체 카운팅의 장점 섹션을 참조하세요.

Ultralytics YOLOv8 을 사용하여 특정 클래스 오브젝트를 계산하려면 어떻게 해야 하나요?

Ultralytics YOLOv8 을 사용하여 특정 클래스 오브젝트를 카운트하려면 추적 단계에서 관심 있는 클래스를 지정해야 합니다. 아래는 Python 예시입니다:

import cv2

from ultralytics import YOLO, solutions


def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    model = YOLO(model_path)
    cap = cv2.VideoCapture(video_path)
    assert cap.isOpened(), "Error reading video file"
    w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
    line_points = [(20, 400), (1080, 400)]
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
    counter = solutions.ObjectCounter(
        view_img=True, reg_pts=line_points, names=model.names, draw_tracks=True, line_thickness=2
    )

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        tracks = model.track(im0, persist=True, show=False, classes=classes_to_count)
        im0 = counter.start_counting(im0, tracks)
        video_writer.write(im0)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()


count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolov8n.pt", [0, 2])

이 예제에서는 classes_to_count=[0, 2]클래스의 객체를 계산한다는 의미입니다. 0 그리고 2 (예: 사람 및 자동차).

실시간 애플리케이션에 다른 객체 감지 모델 대신 YOLOv8 을 사용해야 하는 이유는 무엇인가요?

Ultralytics YOLOv8 는 Faster R-CNN, SSD 및 이전 YOLO 버전과 같은 다른 객체 감지 모델에 비해 몇 가지 이점을 제공합니다:

속도와 효율성: YOLOv8 은 실시간 처리 기능을 제공하므로 감시 및 자율 주행과 같이 고속 추론이 필요한 애플리케이션에 이상적입니다.
정확도: 물체 감지 및 추적 작업에 최첨단 정확도를 제공하여 오탐지 횟수를 줄이고 전반적인 시스템 안정성을 향상시킵니다.
통합 용이성: YOLOv8 은 모바일 및 엣지 디바이스를 비롯한 다양한 플랫폼 및 디바이스와 원활하게 통합할 수 있으며, 이는 최신 AI 애플리케이션에 매우 중요합니다.
유연성: 특정 사용 사례 요구 사항을 충족하도록 구성 가능한 모델을 통해 객체 감지, 세분화, 추적과 같은 다양한 작업을 지원합니다.

기능 및 성능 비교에 대한 자세한 내용은 Ultralytics YOLOv8 설명서를 참조하세요.

군중 분석 및 트래픽 관리와 같은 고급 애플리케이션에 YOLOv8 을 사용할 수 있나요?

예, Ultralytics YOLOv8 은 실시간 감지 기능, 확장성 및 통합 유연성으로 인해 군중 분석 및 트래픽 관리와 같은 고급 애플리케이션에 완벽하게 적합합니다. 고급 기능을 통해 동적인 환경에서 고정밀 객체 추적, 카운팅 및 분류가 가능합니다. 사용 사례의 예는 다음과 같습니다:

군중 분석: 대규모 모임을 모니터링하고 관리하여 안전을 보장하고 군중의 흐름을 최적화합니다.
교통 관리: 차량을 추적 및 집계하고, 교통 패턴을 분석하고, 실시간으로 교통 혼잡을 관리하세요.

자세한 정보 및 구현 세부 사항은 객체 카운팅의 실제 적용 가이드( YOLOv8)를 참조하세요.

2023-12-02 생성, 2024-07-14 업데이트
작성자: RizwanMunawar (6), glenn-jocher (15), IvorZhu331 (1), AyushExel (1)