Ultralytics YOLOv8 🚀을 사용한 대기열 관리

Q: How can I use Ultralytics YOLOv8 for real-time queue management?

실시간 대기열 관리를 위해 Ultralytics YOLOv8 을 사용하려면 다음 단계를 따르세요: 다음은 최소한의 예입니다: Ultralytics HUB를 활용하면 대기열 관리 솔루션을 배포하고 관리할 수 있는 사용자 친화적인 플랫폼을 제공함으로써 이 프로세스를 간소화할 수 있습니다.

Q: What are the key advantages of using Ultralytics YOLOv8 for queue management?

대기열 관리에 Ultralytics YOLOv8 을 사용하면 여러 가지 이점이 있습니다: 자세한 내용은 대기열 관리 솔루션을 살펴보세요.

Q: Why should I choose Ultralytics YOLOv8 over competitors like TensorFlow or Detectron2 for queue management?

Ultralytics YOLOv8 는 대기열 관리에서 TensorFlow 및 Detectron2에 비해 몇 가지 장점이 있습니다: Ultralytics YOLO 에서 시작하는 방법을 알아보세요.

Q: What are some real-world applications of Ultralytics YOLOv8 in queue management?

Ultralytics YOLOv8 는 대기열 관리를 위해 다양한 실제 애플리케이션에서 사용되고 있습니다: 자세한 내용은 실제 대기열 관리에 대한 블로그를 참조하세요.

대기열 관리란 무엇인가요?

을 사용한 대기열 관리 Ultralytics YOLOv8 는 대기 시간을 줄이고 효율성을 높이기 위해 사람이나 차량의 줄을 구성하고 제어하는 것을 포함합니다. 대기열을 최적화하여 소매점, 은행, 공항, 의료 시설 등 다양한 환경에서 고객 만족도와 시스템 성능을 개선하는 것입니다.

Watch: 대기열 관리를 구현하는 방법 Ultralytics YOLOv8 | 공항 및 지하철역

대기열 관리의 장점은?

대기 시간 단축: 대기열 관리 시스템은 대기열을 효율적으로 구성하여 고객의 대기 시간을 최소화합니다. 이는 고객이 대기 시간을 줄이고 제품이나 서비스에 더 많은 시간을 할애할 수 있어 만족도 향상으로 이어집니다.
효율성 향상: 대기열 관리를 구현하면 기업은 리소스를 보다 효과적으로 할당할 수 있습니다. 대기열 데이터를 분석하고 직원 배치를 최적화함으로써 기업은 운영을 간소화하고 비용을 절감하며 전반적인 생산성을 향상시킬 수 있습니다.

실제 애플리케이션

물류	리테일

공항 발권 카운터에서 대기열 관리 Ultralytics YOLOv8	군중 속 대기열 모니터링 Ultralytics YOLOv8

YOLOv8 예제를 사용한 대기열 관리

대기열 관리자큐 관리자 특정 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))

video_writer = cv2.VideoWriter("queue_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

queue_region = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

queue = solutions.QueueManager(
    names=model.names,
    reg_pts=queue_region,
    line_thickness=3,
    fontsize=1.0,
    region_color=(255, 144, 31),
)

while cap.isOpened():
    success, im0 = cap.read()

    if success:
        tracks = model.track(im0, show=False, persist=True, verbose=False)
        out = queue.process_queue(im0, tracks)

        video_writer.write(im0)
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
        continue

    print("Video frame is empty or video processing has been successfully completed.")
    break

cap.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))

video_writer = cv2.VideoWriter("queue_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

queue_region = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

queue = solutions.QueueManager(
    names=model.names,
    reg_pts=queue_region,
    line_thickness=3,
    fontsize=1.0,
    region_color=(255, 144, 31),
)

while cap.isOpened():
    success, im0 = cap.read()

    if success:
        tracks = model.track(im0, show=False, persist=True, verbose=False, classes=0)  # Only person class
        out = queue.process_queue(im0, tracks)

        video_writer.write(im0)
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
        continue

    print("Video frame is empty or video processing has been successfully completed.")
    break

cap.release()
cv2.destroyAllWindows()

인수 `QueueManager`

이름	유형	기본값	설명
`names`	`dict`	`model.names`	클래스 ID를 클래스 이름에 매핑하는 사전입니다.
`reg_pts`	`list of tuples`	`[(20, 400), (1260, 400)]`	계산 영역 다각형을 정의하는 점입니다. 기본값은 미리 정의된 직사각형입니다.
`line_thickness`	`int`	`2`	주석 선의 두께입니다.
`track_thickness`	`int`	`2`	트랙 선의 두께입니다.
`view_img`	`bool`	`False`	이미지 프레임을 표시할지 여부입니다.
`region_color`	`tuple`	`(255, 0, 255)`	계산 영역 선(BGR)의 색상.
`view_queue_counts`	`bool`	`True`	대기열 수를 표시할지 여부입니다.
`draw_tracks`	`bool`	`False`	오브젝트의 트랙을 그릴지 여부입니다.
`count_txt_color`	`tuple`	`(255, 255, 255)`	카운트 텍스트의 색상(BGR).
`track_color`	`tuple`	`None`	트랙의 색상. 만약 `None`를 클릭하면 트랙마다 다른 색상이 사용됩니다.
`region_thickness`	`int`	`5`	계산 영역 선의 두께입니다.
`fontsize`	`float`	`0.7`	텍스트 주석의 글꼴 크기입니다.

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

실시간 대기열 관리를 위해 Ultralytics YOLOv8 을 사용하려면 어떻게 해야 하나요?

실시간 대기열 관리를 위해 Ultralytics YOLOv8 을 사용하려면 다음 단계를 따르세요:

YOLOv8 모델을 다음과 같이 로드합니다. YOLO("yolov8n.pt").
다음을 사용하여 동영상 피드를 캡처합니다. cv2.VideoCapture.
대기열 관리를 위한 관심 영역(ROI)을 정의합니다.
프레임을 처리하여 개체를 감지하고 대기열을 관리합니다.

다음은 최소한의 예입니다:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video.mp4")
queue_region = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

queue = solutions.QueueManager(
    names=model.names,
    reg_pts=queue_region,
    line_thickness=3,
    fontsize=1.0,
    region_color=(255, 144, 31),
)

while cap.isOpened():
    success, im0 = cap.read()
    if success:
        tracks = model.track(im0, show=False, persist=True, verbose=False)
        out = queue.process_queue(im0, tracks)
        cv2.imshow("Queue Management", im0)
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break

cap.release()
cv2.destroyAllWindows()

Ultralytics HUB를 활용하면 대기열 관리 솔루션을 배포하고 관리할 수 있는 사용자 친화적인 플랫폼을 제공함으로써 이 프로세스를 간소화할 수 있습니다.

대기열 관리에 Ultralytics YOLOv8 을 사용하면 어떤 주요 이점이 있나요?

대기열 관리에 Ultralytics YOLOv8 을 사용하면 몇 가지 이점이 있습니다:

대기 시간 단축: 대기열을 효율적으로 정리하여 고객 대기 시간을 줄이고 만족도를 높입니다.
효율성 향상: 대기열 데이터를 분석하여 직원 배치 및 운영을 최적화함으로써 비용을 절감합니다.
실시간 알림: 긴 대기열에 대한 실시간 알림을 제공하여 빠른 개입을 가능하게 합니다.
확장성: 리테일, 공항, 의료 등 다양한 환경에서 쉽게 확장할 수 있습니다.

자세한 내용은 대기열 관리 솔루션을 살펴보세요.

대기열 관리를 위해 TensorFlow 또는 Detectron2와 같은 경쟁사보다 Ultralytics YOLOv8 을 선택해야 하는 이유는 무엇인가요?

Ultralytics YOLOv8 는 대기열 관리 측면에서 TensorFlow 및 Detectron2에 비해 몇 가지 장점이 있습니다:

실시간 성능: YOLOv8 는 실시간 감지 기능으로 더 빠른 처리 속도를 제공하는 것으로 유명합니다.
사용 편의성: Ultralytics Ultralytics HUB를 통해 교육부터 배포까지 사용자 친화적인 경험을 제공합니다.
사전 학습된 모델: 사전 학습된 다양한 모델에 액세스하여 설정에 필요한 시간을 최소화할 수 있습니다.
커뮤니티 지원: 광범위한 문서와 활발한 커뮤니티 지원으로 문제 해결이 쉬워집니다.

시작하는 방법 알아보기 Ultralytics YOLO.

Ultralytics YOLOv8 공항 및 소매점과 같은 여러 유형의 대기열을 처리할 수 있나요?

예, Ultralytics YOLOv8 은 공항 및 리테일 환경을 포함한 다양한 유형의 대기열을 관리할 수 있습니다. 특정 지역 및 설정으로 QueueManager를 구성하면 YOLOv8 다양한 대기열 레이아웃과 밀도에 맞게 조정할 수 있습니다.

공항의 예입니다:

queue_region_airport = [(50, 600), (1200, 600), (1200, 550), (50, 550)]
queue_airport = solutions.QueueManager(
    names=model.names,
    reg_pts=queue_region_airport,
    line_thickness=3,
    fontsize=1.0,
    region_color=(0, 255, 0),
)

다양한 애플리케이션에 대한 자세한 내용은 실제 애플리케이션 섹션을 참조하세요.

대기열 관리에서 Ultralytics YOLOv8 의 실제 적용 사례는 무엇인가요?

Ultralytics YOLOv8 는 대기열 관리를 위해 다양한 실제 애플리케이션에서 사용됩니다:

소매업: 계산대 대기열을 모니터링하여 대기 시간을 줄이고 고객 만족도를 높입니다.
공항: 보다 원활한 승객 경험을 위해 발권 카운터와 보안 검색대의 대기열을 관리합니다.
헬스케어: 클리닉과 병원에서 환자 흐름을 최적화합니다.
은행: 은행에서 대기열을 효율적으로 관리하여 고객 서비스를 개선합니다.

실제 대기열 관리에 대한 블로그에서 자세한 내용을 확인하세요.

생성 2024-04-02, 업데이트 2024-07-14
작성자: RizwanMunawar (1), glenn-jocher (5), IvorZhu331 (1), Burhan-Q (1)