Descrição geral dos conjuntos de dados de rastreio de vários objectos

Formato do conjunto de dados (em breve)

O Multi-Object Detetor não necessita de formação autónoma e suporta diretamente modelos pré-treinados de deteção, segmentação ou Pose. O suporte para o treino de rastreadores isolados está a chegar

Utilização

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3, iou=0.5 show

FAQ

Como utilizar o rastreio de vários objectos com Ultralytics YOLO ?

Para utilizar o Multi-Object Tracking com Ultralytics YOLO , pode começar por utilizar os exemplos Python ou CLI fornecidos. Eis como pode começar:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load the YOLO11 model
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3 iou=0.5 show

Estes comandos carregam o modelo YOLO11 e utilizam-no para seguir objectos na fonte de vídeo dada com uma confiança específica (conf) e Intersecção sobre Union (iou). Para mais pormenores, consultar o documentação do modo de pista.

Quais são as próximas funcionalidades dos monitores de treino em Ultralytics?

Ultralytics está a melhorar continuamente os seus modelos de IA. Uma funcionalidade futura permitirá a formação de rastreadores autónomos. Até lá, o Multi-Object Detetor utiliza modelos pré-treinados de deteção, segmentação ou Pose para rastreio sem necessitar de formação autónoma. Mantenha-se atualizado seguindo o nosso blogue ou consultando as próximas funcionalidades.

Por que razão devo utilizar Ultralytics YOLO para o seguimento de vários objectos?

Ultralytics YOLO é um modelo de deteção de objectos de última geração conhecido pelo seu desempenho em tempo real e elevada precisão. A utilização do YOLO para o seguimento de vários objectos oferece várias vantagens:

• Seguimento em tempo real: Obtenha um seguimento eficiente e de alta velocidade, ideal para ambientes dinâmicos.
• Flexibilidade com modelos pré-treinados: Não é necessário treinar de raiz; basta utilizar modelos pré-treinados de deteção, segmentação ou Pose.
• Facilidade de utilização: A integração simples da API com Python e CLI facilita a configuração de pipelines de rastreamento.
• Documentação extensa e apoio da comunidade: Ultralytics fornece documentação abrangente e um fórum ativo da comunidade para resolver problemas e melhorar os seus modelos de seguimento.

Para obter mais informações sobre como configurar e utilizar YOLO para rastreio, visite o nosso guia de utilização do rastreio.

Posso utilizar conjuntos de dados personalizados para o seguimento de vários objectos com Ultralytics YOLO ?

Sim, você pode usar conjuntos de dados personalizados para rastreamento de vários objetos com Ultralytics YOLO . Embora o suporte para treinamento de rastreador autônomo seja um recurso futuro, você já pode usar modelos pré-treinados em seus conjuntos de dados personalizados. Prepare os seus conjuntos de dados no formato adequado compatível com YOLO e siga a documentação para os integrar.

Como é que interpreto os resultados do modelo de monitorização Ultralytics YOLO ?

Depois de executar uma tarefa de seguimento com Ultralytics YOLO , os resultados incluem vários pontos de dados, tais como IDs de objectos seguidos, as respectivas caixas delimitadoras e as pontuações de confiança. Aqui está uma breve visão geral de como interpretar esses resultados:

• IDs rastreados: A cada objeto é atribuído um ID único, o que ajuda a localizá-lo através dos fotogramas.
• Caixas de delimitação: Estas indicam a localização dos objectos seguidos dentro da imagem.
• Pontuações de confiança: Estas reflectem a confiança do modelo na deteção do objeto seguido.

Para obter orientações pormenorizadas sobre a interpretação e visualização destes resultados, consulte o guia de tratamento de resultados.

📅C riado há 1 ano ✏️ Atualizado há 2 meses

Comentários