콘텐츠로 건너뛰기

Ultralytics 솔루션: YOLO11을 활용하여 실제 문제 해결

Ultralytics 솔루션은 YOLO 모델의 최첨단 애플리케이션을 제공하여 객체 계산, 블러 처리 및 보안 시스템과 같은 실제 솔루션을 제공하여 다양한 산업 분야에서 효율성과 정확성을 향상시킵니다. 실용적이고 영향력 있는 구현을 위해 YOLO11의 힘을 발견하십시오.

Ultralytics 솔루션 썸네일



참고: 명령줄(CLI)에서 Ultralytics 솔루션을 실행하는 방법 | Ultralytics YOLO11 🚀

솔루션

멋진 컴퓨터 비전 프로젝트를 만드는 데 사용할 수 있는 Ultralytics 솔루션의 큐레이팅된 목록입니다.

  • 객체 개수 세기: YOLO11을 사용하여 실시간 객체 개수 세기를 수행하는 방법을 알아봅니다. 라이브 비디오 스트림에서 객체 수를 정확하게 세는 전문 지식을 습득하십시오.
  • 객체 자르기: YOLO11을 사용하여 객체 자르기를 마스터하여 이미지와 비디오에서 객체를 정확하게 추출합니다.
  • 객체 블러 처리: YOLO11을 사용하여 객체 블러 처리를 적용하여 이미지 및 비디오 처리에서 개인 정보를 보호합니다.
  • Workouts Monitoring: YOLO11을(를) 사용하여 운동을 모니터링하는 방법을 알아보세요. 다양한 피트니스 루틴을 실시간으로 추적하고 분석하는 방법을 배웁니다.
  • 영역 내 객체 개수 세기: YOLO11을 사용하여 특정 영역에서 객체 수를 세어 다양한 영역에서 정확한 탐지를 수행합니다.
  • 보안 경보 시스템: 새로운 객체 감지 시 경고를 트리거하는 YOLO11을 사용하여 보안 경보 시스템을 만듭니다. 특정 요구 사항에 맞게 시스템을 사용자 정의하십시오.
  • 히트맵: 검출 히트맵을 활용하여 행렬 전체의 데이터 강도를 시각화하여 컴퓨터 비전 작업에서 명확한 통찰력을 제공합니다.
  • 객체 추적을 통한 인스턴스 분할: YOLO11을 사용하여 인스턴스 분할 및 객체 추적을 구현하여 정확한 객체 경계와 지속적인 모니터링을 달성합니다.
  • VisionEye View Objects Mapping: 특정 객체에 대한 인간의 시선 집중을 모방하는 시스템을 개발하여 컴퓨터가 세부 사항을 식별하고 우선 순위를 지정하는 능력을 향상시킵니다.
  • 속도 추정: 자율 주행 차량 및 교통 모니터링과 같은 애플리케이션에 중요한 YOLO11 및 객체 추적 기술을 사용하여 객체 속도를 추정합니다.
  • 거리 계산: 공간 분석에 필수적인 YOLO11의 바운딩 박스 중심점을 사용하여 객체 간 거리를 계산합니다.
  • 대기열 관리: YOLO11을 사용하여 대기 시간을 최소화하고 생산성을 향상시키는 효율적인 대기열 관리 시스템을 구현합니다.
  • 주차 관리: YOLO11을 사용하여 주차 공간에서 차량 흐름을 구성하고 지시하여 공간 활용도와 사용자 경험을 최적화합니다.
  • 분석: YOLO11을 활용하여 설명적, 예측적 및 처방적 분석을 수행하여 포괄적인 데이터 분석을 수행하여 패턴을 발견하고 정보에 입각한 의사 결정을 내립니다.
  • Streamlit을 사용한 라이브 추론: 사용자 친화적인 Streamlit 인터페이스를 통해 웹 브라우저에서 직접 실시간 객체 탐지를 위해 YOLO11의 강력한 기능을 활용하십시오.
  • 영역 내 객체 추적: 정확하고 효율적인 모니터링을 위해 YOLO11을 사용하여 비디오 프레임의 특정 영역 내에서 객체를 추적하는 방법을 알아봅니다.
  • 유사성 검색 🚀 새로운 기능: OpenAI CLIP 임베딩과 Meta FAISS를 결합하여 지능형 이미지 검색을 활성화하여 "가방을 들고 있는 사람" 또는 "움직이는 차량"과 같은 자연어 쿼리를 사용할 수 있습니다.

솔루션 인수

인수 유형 기본값 설명
model str None Ultralytics YOLO 모델 파일의 경로입니다.
region list '[(20, 400), (1260, 400)]' 계수 영역을 정의하는 점 목록입니다.
show_in bool True 비디오 스트림에 내부 개수를 표시할지 여부를 제어하는 플래그입니다.
show_out bool True 비디오 스트림에 외부 개수를 표시할지 여부를 제어하는 플래그입니다.
analytics_type str line 그래프 유형 (예: line, bar, area또는 pie.
colormap int cv2.COLORMAP_JET 히트맵에 사용할 컬러맵입니다.
json_file str None 모든 주차 좌표 데이터가 포함된 JSON 파일의 경로입니다.
up_angle float 145.0 '위' 자세에 대한 각도 임계값입니다.
kpts list[int, int, int] '[6, 8, 10]' 운동 모니터링에 사용되는 키포인트 목록입니다. 이러한 키포인트는 팔굽혀펴기, 턱걸이, 스쿼트, 복근 운동과 같은 운동을 위한 어깨, 팔꿈치, 손목과 같은 신체 관절 또는 부위에 해당합니다.
down_angle float 90.0 '아래' 자세에 대한 각도 임계값입니다.
blur_ratio float 0.5 흐림 강도 비율을 조정하며, 값의 범위는 다음과 같습니다. 0.1 - 1.0.
crop_dir str 'cropped-detections' 잘린 탐지 결과를 저장할 디렉토리 이름.
records int 5 보안 경보 시스템으로 이메일을 트리거하는 총 감지 횟수입니다.
vision_point tuple[int, int] (20, 20) VisionEye 솔루션을 사용하여 비전이 객체를 추적하고 경로를 그리는 지점입니다.
source str None 입력 소스(비디오, RTSP 등)의 경로입니다. Solutions CLI(명령줄 인터페이스)에서만 사용할 수 있습니다.
figsize tuple[int, int] (12.8, 7.2) 히트맵 또는 그래프와 같은 분석 차트의 그림 크기입니다.
fps float 30.0 속도 계산에 사용되는 초당 프레임 수입니다.
max_hist int 5 속도/방향 계산을 위해 객체당 추적할 최대 과거 포인트 수입니다.
meter_per_pixel float 0.05 픽셀 거리를 실제 단위로 변환하는 데 사용되는 스케일링 요소입니다.
max_speed int 120 시각적 오버레이의 최대 속도 제한(경고에 사용)입니다.
data str 'images' 유사성 검색에 사용되는 이미지 디렉토리 경로입니다.

인수 추적

솔루션은 또한 다음의 일부 인수를 지원합니다. track, 다음과 같은 파라미터를 포함합니다. conf, line_width, tracker, model, show, verboseclasses.

인수 유형 기본값 설명
tracker str 'botsort.yaml' 사용할 추적 알고리즘을 지정합니다 (예: bytetrack.yaml 또는 botsort.yaml.
conf float 0.3 검출에 대한 신뢰도 임계값을 설정합니다. 값이 낮을수록 더 많은 객체를 추적할 수 있지만 오탐지가 포함될 수 있습니다.
iou float 0.5 겹치는 검출을 필터링하기 위한 IoU (Intersection over Union) 임계값을 설정합니다.
classes list None 클래스 인덱스별로 결과를 필터링합니다. 예를 들어, classes=[0, 2, 3] 지정된 클래스만 추적합니다.
verbose bool True 추적 결과 표시를 제어하여 추적된 객체의 시각적 출력을 제공합니다.
device str None 추론을 위한 장치를 지정합니다 (예: cpu, cuda:0 또는 0). 사용자는 모델 실행을 위해 CPU, 특정 GPU 또는 기타 컴퓨팅 장치 중에서 선택할 수 있습니다.

시각화 인수

다음을 사용할 수 있습니다. show_conf, show_labels, 시각화를 사용자 정의하기 위해 언급된 다른 인수들을 사용합니다.

인수 유형 기본값 설명
show bool False 만약 True, 어노테이션이 적용된 이미지나 비디오를 창에 표시합니다. 개발 또는 테스트 중 즉각적인 시각적 피드백에 유용합니다.
line_width None or int None 경계 상자의 선 너비를 지정합니다. 만약 None, 선 너비는 이미지 크기에 따라 자동으로 조정됩니다. 명확성을 위해 시각적 사용자 정의를 제공합니다.
show_conf bool True 레이블과 함께 각 감지에 대한 신뢰도 점수를 표시합니다. 각 감지에 대한 모델의 확신에 대한 통찰력을 제공합니다.
show_labels bool True 시각적 출력에서 각 감지에 대한 레이블을 표시합니다. 감지된 객체에 대한 즉각적인 이해를 제공합니다.

SolutionAnnotator 사용

모든 Ultralytics Solutions는 별도의 클래스를 사용합니다. SolutionAnnotator, 메인을 확장하는 Annotator 클래스이며, 다음과 같은 메서드가 있습니다.

메서드 반환 유형 설명
draw_region() None 지정된 점, 색상 및 두께를 사용하여 영역을 그립니다.
queue_counts_display() None 지정된 영역의 대기열 수를 표시합니다.
display_analytics() None 주차장 관리에 대한 전체 통계를 표시합니다.
estimate_pose_angle() float 객체 자세에서 세 점 사이의 각도를 계산합니다.
draw_specific_points() None 이미지에 특정 키포인트를 그립니다.
plot_workout_information() None 이미지에 레이블이 지정된 텍스트 상자를 그립니다.
plot_angle_and_count_and_stage() None 운동 모니터링을 위한 각도, 걸음 수 및 단계를 시각화합니다.
plot_distance_and_line() None 중심점 사이의 거리를 표시하고 선으로 연결합니다.
display_objects_labels() None 객체 클래스 레이블로 경계 상자에 주석을 답니다.
sweep_annotator() None 수직 스위프 라인 및 선택적 레이블을 시각화합니다.
visioneye() None 객체 중심을 시각적인 '눈' 지점에 매핑하고 연결합니다.
adaptive_label() None 바운딩 박스 중앙에 원형 또는 사각형 배경 모양 레이블을 그립니다.

SolutionResults 작업

제외하고 Similarity Search, 각 Solution 호출은 다음의 목록을 반환합니다. SolutionResults 객체.

  • 객체 수를 셀 때 결과에는 다음이 포함됩니다. in_count, out_countclasswise_count.

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="yolo11n.pt",  # model="yolo11n-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 객체는 다음과 같은 속성을 가집니다.

속성 유형 설명
plot_im np.ndarray 개수, 흐림 효과 또는 솔루션별 개선 사항과 같은 시각적 오버레이가 있는 이미지입니다.
in_count int 비디오 스트림에서 정의된 영역에 진입하는 것으로 감지된 총 객체 수입니다.
out_count int 비디오 스트림에서 정의된 영역에서 나가는 것으로 감지된 총 객체 수입니다.
classwise_count Dict[str, int] 고급 분석을 위해 클래스별 객체 수의 증감을 기록하는 사전입니다.
queue_count int 미리 정의된 대기열 또는 대기 영역 내에 현재 있는 객체 수(대기열 관리에 적합).
workout_count int 운동 추적 중에 완료된 총 운동 반복 횟수입니다.
workout_angle float 자세 평가를 위해 운동 중 계산된 관절 또는 자세 각도입니다.
workout_stage str 현재 운동 단계 또는 움직임 단계 (예: '위로', '아래로').
pixels_distance float 두 객체 또는 점(예: 경계 상자) 사이의 픽셀 기반 거리입니다. (거리 계산에 적합).
available_slots int 모니터링되는 영역에서 비어 있는 슬롯 수(주차 관리에 적합).
filled_slots int 모니터링되는 영역에서 점유된 슬롯 수입니다. (주차 관리에 적합)
email_sent bool 알림 또는 경고 이메일이 성공적으로 전송되었는지 여부를 나타냅니다(보안 경보에 적합).
total_tracks int 비디오 분석 중에 관찰된 고유한 객체 추적의 총 수입니다.
region_counts Dict[str, int] 사용자 정의 영역 또는 구역 내의 객체 수입니다.
speed_dict Dict[str, float] 속도 분석에 유용한 계산된 객체 속도의 트랙별 사전입니다.
total_crop_objects int ObjectCropper 솔루션에 의해 생성된 총 잘린 객체 이미지 수입니다.
speed Dict[str, float] 추적 및 솔루션 처리를 위한 성능 메트릭이 포함된 사전입니다.

자세한 내용은 다음을 참조하십시오. SolutionResults 클래스 문서.

CLI를 통한 솔루션 사용법

명령 정보

대부분의 솔루션은 다음을 포함하여 명령줄 인터페이스를 통해 직접 사용할 수 있습니다.

Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference

구문

yolo SOLUTIONS SOLUTION_NAME ARGS
  • SOLUTIONS는 필수 키워드입니다.
  • SOLUTION_NAME 다음 중 하나입니다: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
  • ARGS (선택 사항)은 사용자 정의입니다. arg=value 예: 쌍 show_in=True, 기본 설정을 재정의합니다.
yolo solutions count show=True # for object counting

yolo solutions source="path/to/video.mp4" # specify video file path

솔루션에 기여하기

커뮤니티의 기여를 환영합니다! Ultralytics YOLO의 특정 측면을 숙달했지만 아직 솔루션에서 다루지 않은 경우 전문 지식을 공유해 주시기 바랍니다. 가이드를 작성하는 것은 커뮤니티에 환원하고 문서가 더욱 포괄적이고 사용자 친화적이 되도록 돕는 좋은 방법입니다.

시작하려면 기여 가이드를 읽고 풀 리퀘스트(PR)를 여는 방법에 대한 지침을 확인하세요 🛠️. 여러분의 기여를 기대합니다!

Ultralytics YOLO 생태계를 더욱 강력하고 다재다능하게 만들기 위해 함께 노력합시다 🙏!

FAQ

실시간 객체 계산을 위해 Ultralytics YOLO를 어떻게 사용할 수 있습니까?

Ultralytics YOLO11은 고급 객체 탐지 기능을 활용하여 실시간 객체 수를 계산하는 데 사용할 수 있습니다. 객체 수 세기에 대한 자세한 가이드를 따라 라이브 비디오 스트림 분석을 위해 YOLO11을 설정할 수 있습니다. 간단히 YOLO11을 설치하고 모델을 로드한 다음 비디오 프레임을 처리하여 객체 수를 동적으로 계산합니다.

보안 시스템에 Ultralytics YOLO를 사용하면 어떤 이점이 있습니까?

Ultralytics YOLO11은 실시간 객체 탐지 및 경고 메커니즘을 제공하여 보안 시스템을 향상시킵니다. YOLO11을 사용하면 감시 영역에서 새로운 객체가 감지될 때 경고를 트리거하는 보안 경보 시스템을 구축할 수 있습니다. 강력한 보안 모니터링을 위해 YOLO11로 보안 경보 시스템을 설정하는 방법을 알아보세요.

Ultralytics YOLO는 대기열 관리 시스템을 어떻게 개선할 수 있습니까?

Ultralytics YOLO11은 대기열에서 사람을 정확하게 계산하고 추적하여 대기 시간을 줄이고 서비스 효율성을 최적화함으로써 대기열 관리 시스템을 크게 개선할 수 있습니다. 효과적인 대기열 모니터링 및 분석을 위해 YOLO11을 구현하는 방법을 알아보려면 대기열 관리에 대한 자세한 가이드를 따르세요.

Ultralytics YOLO를 운동 모니터링에 사용할 수 있습니까?

예, Ultralytics YOLO11은 피트니스 루틴을 실시간으로 추적하고 분석하여 운동을 모니터링하는 데 효과적으로 사용할 수 있습니다. 이를 통해 운동 자세와 성능을 정확하게 평가할 수 있습니다. YOLO11을 사용하여 AI 기반 운동 모니터링 시스템을 설정하는 방법을 알아보려면 운동 모니터링에 대한 가이드를 살펴보세요.

Ultralytics YOLO는 데이터 시각화를 위한 히트맵 생성에 어떻게 도움이 되나요?

Ultralytics YOLO11은 주어진 영역에서 데이터 강도를 시각화하는 히트맵을 생성하여 활동 또는 관심이 높은 영역을 강조 표시할 수 있습니다. 이 기능은 다양한 컴퓨터 비전 작업에서 패턴과 추세를 이해하는 데 특히 유용합니다. 포괄적인 데이터 분석 및 시각화를 위해 YOLO11을 사용하여 히트맵을 만들고 사용하는 방법에 대해 자세히 알아보세요.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글