Ultralytics YOLO26을 활용한 대기열 관리#
대기열 관리란 무엇인가요?#
Ultralytics YOLO26을 활용한 대기열 관리는 대기 시간을 줄이고 효율성을 높이기 위해 사람이나 차량의 줄을 정리하고 관리하는 작업입니다. 소매점, 은행, 공항, 의료 시설 등 다양한 환경에서 고객 만족도와 시스템 성능을 향상하도록 대기열을 최적화하는 것입니다.
시청: Ultralytics YOLO26으로 대기열 관리 시스템을 구축하는 방법 | 실시간 대기열 분석 🚀
대기열 관리의 장점#
- 대기 시간 단축: 대기열 관리 시스템은 줄을 효율적으로 정리하여 고객의 대기 시간을 최소화합니다. 고객이 기다리는 시간은 줄고 제품이나 서비스를 이용하는 시간은 늘어나므로 만족도가 향상됩니다.
- 효율성 향상: 대기열 관리를 도입하면 기업은 리소스를 보다 효과적으로 배분할 수 있습니다. 대기열 데이터를 분석하고 직원 배치를 최적화하면 운영을 간소화하고 비용을 절감하며 전반적인 생산성을 높일 수 있습니다.
- 실시간 인사이트: YOLO26 기반 대기열 관리는 대기열 길이와 대기 시간에 대한 데이터를 즉시 제공하므로 관리자가 신속하게 정보에 입각한 결정을 내릴 수 있습니다.
- 고객 경험 향상: 긴 대기로 인한 불만을 줄이면 기업은 고객 만족도와 충성도를 크게 높일 수 있습니다.
실제 적용 사례#
| 물류 | 소매 |
|---|---|
![]() | ![]() |
| Ultralytics YOLO26을 활용한 공항 매표소 대기열 관리 | Ultralytics YOLO26을 활용한 군중 속 대기열 모니터링 |
YOLO26으로 대기열 관리하기#
QueueManager 솔루션은 각 프레임에서 지정된 영역 안에 남아 있는 객체 수를 세어 출력 동영상에 기록할 수 있는 실시간 대기열 길이를 제공합니다. 대기 공간을 포함하는 다각형 영역을 전달한 다음 Python API 또는 CLI를 사용하여 동영상 소스에 적용하면 됩니다.
# Run a queue example
yolo solutions queue show=True
# Pass a source video
yolo solutions queue source="path/to/video.mp4"
# Pass queue coordinates
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]"QueueManager 인수#
다음은 QueueManager 인수 표입니다:
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
model | str | None | Ultralytics YOLO 모델 파일의 경로입니다. |
region | list 또는 dict | None | 관심 영역을 정의하는 점입니다. (x, y) 튜플 목록 또는 여러 영역에 대해 영역 이름을 점 목록에 매핑하는 사전(RegionCounter만 해당)으로 지정할 수 있습니다. None이면 영역이 필요한 Solutions는 사전 정의된 기본값을 사용합니다. |
line_width | int | 2 | Solution에서 그리는 상자, 키포인트 및 개수 표시의 선 두께입니다. |
verbose | bool | True | 프레임별 입력 형태, 클래스 개수 및 처리 속도 로그를 활성화합니다. 추적 호출 자체는 항상 로그를 출력하지 않습니다. |
QueueManager 솔루션은 track 인수도 지원합니다.
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | 사용할 추적 알고리즘을 지정합니다. 기본 제공 옵션: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | 탐지에 대한 신뢰도 임계값을 설정합니다. 값을 낮추면 추적할 수 있는 객체가 늘어나지만 오탐이 포함될 수 있습니다. |
iou | float | 0.7 | 중복 탐지를 필터링하기 위한 교집합 대비 합집합 (IoU) 임계값을 설정합니다. |
classes | list | None | 클래스 인덱스로 결과를 필터링합니다. 예를 들어 classes=[0, 2, 3]은 지정된 클래스만 추적합니다. |
device | str | None | 추론에 사용할 장치를 지정합니다(예: cpu, cuda:0 또는 0). 사용자는 모델 실행에 사용할 CPU, 특정 GPU 또는 기타 연산 장치를 선택할 수 있습니다. |
imgsz | int or tuple | 640 | 추론 대상 이미지 크기입니다. 정사각형을 나타내는 정수 또는 (height, width) 쌍을 지정합니다. 모델 stride에 맞춰 형태가 조정됩니다. |
max_det | int | 300 | 추적 전에 프레임별로 유지할 최대 탐지 수를 지정하여 밀집된 장면에서 솔루션이 처리하는 객체 수를 제한합니다. |
quantize | int or str | None | 추론 정밀도입니다. PyTorch 및 TorchScript 모델의 경우 16 (FP16) 또는 32/미설정(FP32)을 사용합니다. 다른 형식은 아티팩트와 런타임에서 선택한 정밀도로 계산합니다. 더 이상 사용되지 않는 half 플래그를 대체합니다. |
또한 다음 시각화 매개변수를 사용할 수 있습니다.
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
show | bool | False | True이면 주석이 추가된 이미지나 비디오를 창에 표시합니다. 개발 또는 테스트 중 즉각적인 시각적 피드백을 얻는 데 유용합니다. |
show_conf | bool | True | 각 감지 결과의 레이블 옆에 신뢰도 점수를 표시합니다. 각 감지 결과에 대한 모델의 확신도를 파악할 수 있습니다. |
show_labels | bool | True | 시각화 출력에 각 감지 결과의 레이블을 표시합니다. 감지된 객체를 즉시 파악할 수 있습니다. |
구현 전략#
YOLO26으로 대기열 관리를 구현할 때는 다음 모범 사례를 고려하세요.
- 전략적인 카메라 배치: 장애물 없이 대기열 영역 전체를 촬영할 수 있도록 카메라를 배치합니다.
- 적절한 대기열 영역 정의: 공간의 물리적 구조를 바탕으로 대기열 경계를 신중하게 설정합니다.
- 감지 신뢰도 조정: 조명 조건과 군중 밀도에 따라 신뢰도 임계값을 미세 조정합니다.
- 기존 시스템과 통합: 자동 응답을 위해 대기열 관리 솔루션을 디지털 사이니지 또는 직원 알림 시스템과 연결합니다.
자주 묻는 질문#
실시간 대기열 관리에 Ultralytics YOLO26을 사용하려면 다음 단계를 따르세요.
cv2.VideoCapture을 사용하여 동영상 피드를 캡처합니다.- 대기열 관리를 위한 관심 영역(ROI)을 정의합니다.
solutions.QueueManager을yolo26n.pt과 같은 YOLO26 모델 및 영역으로 초기화합니다.- 프레임을 처리하여 객체를 감지하고 대기열을 관리합니다.
다음은 최소 예제입니다.
import cv2 from ultralytics import solutions cap = cv2.VideoCapture("path/to/video.mp4") queue_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)] queuemanager = solutions.QueueManager( model="yolo26n.pt", region=queue_region, line_width=3, show=True, ) while cap.isOpened(): success, im0 = cap.read() if not success: break results = queuemanager(im0) cap.release() cv2.destroyAllWindows()Ultralytics Platform을 활용하면 대기열 관리 솔루션의 기반이 되는 모델을 학습하고 배포하기 위한 사용자 친화적인 플랫폼을 제공하여 이 프로세스를 간소화할 수 있습니다.
대기열 관리에 Ultralytics YOLO26을 사용하면 다음과 같은 여러 이점을 얻을 수 있습니다.
- 대기 시간 대폭 단축: 대기열을 효율적으로 정리하여 고객 대기 시간을 줄이고 만족도를 높입니다.
- 효율성 향상: 대기열 데이터를 분석하여 직원 배치와 운영을 최적화하고 비용을 절감합니다.
- 실시간 인사이트: 모든 프레임의 실시간 대기열 수를 제공하여 줄이 길어질 때 신속하게 대응할 수 있습니다.
- 확장성: 소매점, 공항, 의료 시설 등 다양한 환경에서 쉽게 확장할 수 있습니다.
자세한 내용은 대기열 관리 솔루션을 살펴보세요.
대기열 관리에서 Ultralytics YOLO26은 TensorFlow 및 Detectron2에 비해 다음과 같은 여러 이점을 제공합니다.
- 실시간 성능: YOLO26은 실시간 감지 기능으로 잘 알려져 있으며 더 빠른 처리 속도를 제공합니다.
- 사용 편의성: Ultralytics는 학습부터 배포까지 Ultralytics Platform을 통해 사용하기 쉬운 환경을 제공합니다.
- 사전 학습 모델: 다양한 사전 학습 모델을 이용할 수 있어 설정에 필요한 시간을 최소화합니다.
- 커뮤니티 지원: 폭넓은 문서와 활발한 커뮤니티 지원으로 문제를 더 쉽게 해결할 수 있습니다.
Ultralytics YOLO 시작 방법을 알아보세요.
예. Ultralytics YOLO26은 공항과 소매점 환경을 비롯한 다양한 유형의 대기열을 관리할 수 있습니다. QueueManager를 특정 영역과 설정에 맞게 구성하면 YOLO26이 다양한 대기열 배치와 밀도에 대응할 수 있습니다.
공항용 예제:
queue_region_airport = [(50, 600), (1200, 600), (1200, 550), (50, 550)] queue_airport = solutions.QueueManager( model="yolo26n.pt", region=queue_region_airport, line_width=3, )다양한 응용 분야에 대한 자세한 내용은 실제 응용 분야 섹션을 확인하세요.
Ultralytics YOLO26은 대기열 관리의 다양한 실제 응용 분야에서 사용됩니다.
- 소매점: 계산대 줄을 모니터링하여 대기 시간을 줄이고 고객 만족도를 높입니다.
- 공항: 매표소와 보안 검색대의 대기열을 관리하여 승객이 더 원활하게 이동하도록 지원합니다.
- 의료: 클리닉과 병원의 환자 흐름을 최적화합니다.
- 은행: 은행의 대기열을 효율적으로 관리하여 고객 서비스를 향상합니다.
컴퓨터 비전이 다양한 산업 분야의 대기열 모니터링을 어떻게 혁신하는지 자세히 알아보려면 실제 대기열 관리에 관한 블로그를 확인하세요.

