Contagem de objetos usando Ultralytics YOLO26#

Para contar objetos em um vídeo usando Ultralytics YOLO26, siga estas etapas:

1. Importe as bibliotecas necessárias (cv2, ultralytics).
2. Defina a região de contagem (por exemplo, um polígono, uma linha etc.).
3. Configure a captura de vídeo e inicialize o contador de objetos.
4. Processe cada quadro para rastrear os objetos e contá-los na região definida.

Veja um exemplo simples de 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, confira a solução RegionCounter para contar objetos simultaneamente em várias regiões.

Usar Ultralytics YOLO26 para contagem de objetos oferece várias vantagens:

1. Otimização de recursos: A solução facilita a gestão eficiente de recursos ao fornecer contagens precisas, ajudando a otimizar a alocação de recursos em setores como gestão de inventário.
2. Segurança aprimorada: A solução aprimora a segurança e a vigilância ao rastrear e contar entidades com precisão, contribuindo para a detecção proativa de ameaças e os sistemas de segurança.
3. Tomada de decisões informada: A solução oferece informações valiosas para a tomada de decisões e otimiza processos em domínios como varejo, gestão de tráfego e outros.
4. Processamento em tempo real: A arquitetura do YOLO26 permite a inferência em tempo real, tornando-o adequado para fluxos de vídeo ao vivo e aplicações sensíveis ao tempo.

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

Para contar classes específicas de objetos usando Ultralytics YOLO26, especifique as classes desejadas durante a etapa de rastreamento. Veja abaixo 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 a solução conta objetos das classes 0 e 2 (por exemplo, pessoa e carro no conjunto de dados COCO). Você encontra mais informações sobre os índices das classes na documentação do conjunto de dados COCO.

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

1. Velocidade e eficiência: YOLO26 oferece processamento em tempo real, sendo ideal para aplicações que exigem inferência em alta velocidade, como vigilância e condução autônoma.
2. Precisão: Oferece precisão de detecção e rastreamento de última geração, reduzindo falsos positivos e melhorando a confiabilidade geral do sistema.
3. Facilidade de integração: YOLO26 oferece integração perfeita com várias plataformas e dispositivos, incluindo dispositivos móveis e dispositivos de borda, algo crucial para as aplicações modernas de IA.
4. Flexibilidade: Oferece suporte às tarefas de detecção e segmentação, com o modo de rastreamento integrado e modelos configuráveis para atender a requisitos de casos de uso específicos.

Confira a documentação do YOLO26 da Ultralytics para conhecer melhor seus recursos e comparações de desempenho.

Sim, Ultralytics YOLO26 é ideal para aplicações avançadas, como análise de multidões e gestão de tráfego, graças aos recursos de detecção em tempo real, à escalabilidade e à flexibilidade de integração. Seus recursos avançados permitem rastrear, contar e classificar objetos com alta precisão em ambientes dinâmicos. Alguns exemplos de casos de uso:

• Análise de multidões: Monitore e gerencie grandes aglomerações, garantindo a segurança e otimizando o fluxo de pessoas com a contagem baseada em regiões.
• Gestão de tráfego: Rastreie e conte veículos, analise padrões de tráfego e gerencie congestionamentos em tempo real com os recursos de estimativa de velocidade.
• Análise de varejo: Analise os padrões de movimentação dos clientes e suas interações com os produtos para otimizar o layout das lojas e melhorar a experiência do cliente.
• Automação industrial: Conte produtos em esteiras e monitore linhas de produção para controlar a qualidade e melhorar a eficiência.

Para aplicações mais especializadas, explore as soluções da Ultralytics, um conjunto abrangente de ferramentas criado para desafios de visão computacional do mundo real.