Ultralytics YOLO11 🚀을 사용한 속도 추정

속도 추정이란 무엇인가요?

속도 추정이란 주어진 상황 내에서 물체의 이동 속도를 계산하는 프로세스로, 컴퓨터 비전 애플리케이션에서 자주 사용됩니다. 이제 Ultralytics YOLO11 을 사용하면 거리 및 시간 데이터와 함께 물체 추적을 사용하여 물체의 속도를 계산할 수 있으며, 이는 교통 및 감시와 같은 작업에 매우 중요합니다. 속도 추정의 정확성은 다양한 애플리케이션의 효율성과 신뢰성에 직접적인 영향을 미치므로 지능형 시스템과 실시간 의사 결정 프로세스의 발전에 핵심적인 요소입니다.

Watch: 다음을 사용하여 속도 추정 Ultralytics YOLO11

속도 예측의 장점은?

• 효율적인 교통 통제: 정확한 속도 예측은 교통 흐름을 관리하고 안전을 강화하며 도로의 혼잡을 줄이는 데 도움이 됩니다.
• 정밀한 자율주행 내비게이션: 자율주행차와 같은 자율 주행 시스템에서는 신뢰할 수 있는 속도 예측을 통해 안전하고 정확한 차량 내비게이션을 보장합니다.
• 강화된 보안 감시: 감시 분석의 속도 추정 기능은 비정상적인 행동이나 잠재적 위협을 식별하여 보안 조치의 효과를 개선하는 데 도움이 됩니다.

실제 애플리케이션

교통편	교통편
다음을 사용하여 도로에서 속도 추정 Ultralytics YOLO11	다음을 사용하여 브리지에서 속도 추정 Ultralytics YOLO11

# Run a speed example
yolo solutions speed show=True

# Pass a source video
yolo solutions speed source="path/to/video/file.mp4"

# Pass region coordinates
yolo solutions speed region=[(20, 400), (1080, 400), (1080, 360), (20, 360)]

import cv2

from ultralytics import solutions

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

# Define speed region points
speed_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)]

speed = solutions.SpeedEstimator(
    show=True,  # Display the output
    model="yolo11n-pose.pt",  # Path to the YOLO11 model file.
    region=speed_region,  # Pass region points
    # classes=[0, 2],  # If you want to estimate speed of specific classes.
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

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

    if success:
        out = speed.estimate_speed(im0)
        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 SpeedEstimator

인수 model.track

자주 묻는 질문

Ultralytics YOLO11 을 사용하여 객체 속도를 추정하려면 어떻게 하나요?

Ultralytics YOLO11 으로 물체 속도를 추정하려면 물체 감지 및 추적 기술을 결합해야 합니다. 먼저 YOLO11 모델을 사용하여 각 프레임에서 물체를 감지해야 합니다. 그런 다음 여러 프레임에 걸쳐 이러한 객체를 추적하여 시간 경과에 따른 객체의 움직임을 계산합니다. 마지막으로 프레임 간에 물체가 이동한 거리와 프레임 속도를 사용하여 물체의 속도를 추정합니다.

예시:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
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("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize SpeedEstimator
speed_obj = solutions.SpeedEstimator(
    region=[(0, 360), (1280, 360)],
    model="yolo11n.pt",
    show=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = speed_obj.estimate_speed(im0)
    video_writer.write(im0)

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

자세한 내용은 공식 블로그 게시물을 참조하세요.

트래픽 관리에서 속도 예측을 위해 Ultralytics YOLO11 을 사용하면 어떤 이점이 있나요?

속도 예측에 Ultralytics YOLO11 을 사용하면 트래픽 관리에 상당한 이점이 있습니다:

• 향상된 안전성: 차량 속도를 정확하게 예측하여 과속을 감지하고 도로 안전을 개선합니다.
• 실시간 모니터링: YOLO11 의 실시간 물체 감지 기능을 활용하여 교통 흐름과 혼잡을 효과적으로 모니터링하세요.
• 확장성: 엣지 디바이스에서 서버에 이르기까지 다양한 하드웨어 설정에 모델을 배포하여 대규모 구현을 위한 유연하고 확장 가능한 솔루션을 보장합니다.

더 많은 애플리케이션에 대한 자세한 내용은 속도 추정의 장점을 참조하세요.

YOLO11 를 다음과 같은 다른 AI 프레임워크와 통합할 수 있습니까? TensorFlow 또는 PyTorch?

예, YOLO11 은 TensorFlow 및 PyTorch 과 같은 다른 AI 프레임워크와 통합할 수 있으며 Ultralytics 은 YOLO11 모델을 ONNX, TensorRT, CoreML 과 같은 다양한 형식으로 내보낼 수 있도록 지원하여 다른 ML 프레임워크와의 원활한 상호 운용성을 보장합니다.

YOLO11 모델을 ONNX 형식으로 내보내려면 다음과 같이 하세요:

yolo export --weights yolo11n.pt --include onnx

내보내기 가이드에서 모델 내보내기에 대해 자세히 알아보세요.

Ultralytics YOLO11 을 사용한 속도 예측은 얼마나 정확합니까?

Ultralytics YOLO11 을 사용한 속도 추정 정확도는 객체 추적의 품질, 동영상의 해상도 및 프레임 속도, 환경 변수 등 여러 요인에 따라 달라집니다. 속도 추정기는 신뢰할 수 있는 추정치를 제공하지만 프레임 처리 속도와 오브젝트 오클루전의 차이로 인해 100% 정확하지 않을 수 있습니다.

참고: 항상 오차 범위를 고려하고 가능하면 실측 데이터로 추정치를 검증하세요.

추가 정확도 향상 팁을 확인하려면 인수 SpeedEstimator 섹션.

TensorFlow 객체 감지 API와 같은 다른 객체 감지 모델 대신 Ultralytics YOLO11 을 선택하는 이유는 무엇인가요?

Ultralytics YOLO11 는 TensorFlow 객체 감지 API와 같은 다른 객체 감지 모델에 비해 몇 가지 장점을 제공합니다:

• 실시간 성능: YOLO11 은 실시간 감지에 최적화되어 빠른 속도와 정확성을 제공합니다.
• 사용 편의성: 사용자 친화적인 인터페이스로 설계된 YOLO11 는 모델 교육 및 배포를 간소화합니다.
• 다목적성: 물체 감지, 세분화, 포즈 추정 등 다양한 작업을 지원합니다.
• 커뮤니티 및 지원: YOLO11 은 활발한 커뮤니티와 광범위한 문서로 개발자가 필요한 리소스를 확보할 수 있도록 지원합니다.

YOLO11 의 혜택에 대한 자세한 내용은 자세한 모델 페이지를 참조하세요.

📅 Created 11 months ago ✏️ Updated 17 days ago

댓글