Contagem de objetos usando Ultralytics YOLO26#

Para contar objetos em um vídeo usando Ultralytics YOLO26, podes seguir estes passos:

1. Importa as bibliotecas necessárias (cv2, ultralytics).
2. Define a região de contagem (por exemplo, um polígono, linha, etc.).
3. Configura a captura de vídeo e inicializa o contador de objetos.
4. Processa cada quadro para rastrear objetos e contá-los dentro da região definida.

Aqui está um exemplo simples para contagem em uma região:

import cv2

from ultralytics import solutions

def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    cap = cv2.VideoCapture(video_path)
    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(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
    counter = solutions.ObjectCounter(show=True, region=region_points, model=model_path)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = counter(im0)
        video_writer.write(results.plot_im)

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

count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolo26n.pt")

Para configurações e opções mais avançadas, consulta a solução RegionCounter solution para contar objetos em várias regiões simultaneamente.

Usar o Ultralytics YOLO26 para contagem de objetos oferece várias vantagens:

1. Otimização de Recursos: Facilita a gestão eficiente de recursos ao fornecer contagens precisas, ajudando a otimizar a alocação de recursos em indústrias como gestão de inventário.
2. Segurança Aprimorada: Melhora a segurança e a vigilância ao rastrear e contar entidades com precisão, auxiliando na detecção proativa de ameaças e em sistemas de segurança.
3. Tomada de decisão informada: Oferece insights valiosos para a tomada de decisão, otimizando processos em domínios como varejo, gestão de tráfego e mais.
4. Processamento em Tempo Real: A arquitetura do YOLO26 permite inferência em tempo real, tornando-o adequado para fluxos de vídeo ao vivo e aplicações sensíveis ao tempo.

Para exemplos de implementação e aplicações práticas, explora a solução TrackZone solution para rastrear objetos em zonas específicas.

Para contar classes específicas de objetos usando o Ultralytics YOLO26, precisas especificar as classes nas quais tens interesse durante a fase de rastreamento. Abaixo está um exemplo em Python:

import cv2

from ultralytics import solutions

def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    cap = cv2.VideoCapture(video_path)
    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(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    line_points = [(20, 400), (1080, 400)]
    counter = solutions.ObjectCounter(show=True, region=line_points, model=model_path, classes=classes_to_count)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = counter(im0)
        video_writer.write(results.plot_im)

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

count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolo26n.pt", [0, 2])

Neste exemplo, classes_to_count=[0, 2] significa que conta objetos das classes 0 e 2 (por exemplo, pessoa e carro no dataset COCO). Podes encontrar mais informações sobre índices de classes na documentação do dataset COCO.

O Ultralytics YOLO26 oferece várias vantagens sobre outros modelos de detecção de objetos como Faster R-CNN, SSD e versões anteriores do YOLO:

1. Velocidade e Eficiência: O YOLO26 oferece capacidades de processamento em tempo real, tornando-o ideal para aplicações que exigem inferência de alta velocidade, como vigilância e condução autônoma.
2. Accuracy: Fornece precisão de deteção e rastreamento de última geração, reduzindo falsos positivos e melhorando a confiabilidade geral do sistema.
3. Facilidade de Integração: O YOLO26 oferece integração perfeita com várias plataformas e dispositivos, incluindo dispositivos móveis e edge devices, o que é crucial para aplicações modernas de IA.
4. Flexibilidade: Suporta tarefas de detection e segmentation com o track mode em cima, e modelos configuráveis para atender aos requisitos específicos de cada caso de uso.

Consulta a Documentação do YOLO26 da Ultralytics para uma análise mais profunda das suas funcionalidades e comparações de desempenho.

Sim, o Ultralytics YOLO26 é perfeitamente adequado para aplicações avançadas como análise de multidões e gestão de tráfego devido às suas capacidades de detecção em tempo real, escalabilidade e flexibilidade de integração. Seus recursos avançados permitem rastreamento, contagem e classificação de objetos de alta precisão em ambientes dinâmicos. Exemplos de casos de uso incluem:

• Análise de Multidões: Monitoriza e gerencia grandes aglomerações, garantindo a segurança e otimizando o fluxo de pessoas com contagem baseada em regiões.
• Gestão de Tráfego: Rastreia e conta veículos, analisa padrões de tráfego e gerencia congestionamentos em tempo real com capacidades de estimação de velocidade.
• Análise de Varejo: Analise padrões de movimento de clientes e interações com produtos para otimizar layouts de lojas e melhorar a experiência do cliente.
• Automação Industrial: Conte produtos em esteiras e monitore linhas de produção para controle de qualidade e melhorias de eficiência.

Para aplicações mais especializadas, explora as Ultralytics Solutions para um conjunto abrangente de ferramentas concebidas para desafios de visão computacional do mundo real.