Contagem de objectos utilizando Ultralytics YOLO11

O que é a contagem de objectos?

A contagem de objectos com Ultralytics YOLO11 envolve a identificação e contagem precisas de objectos específicos em vídeos e fluxos de câmaras. O YOLO11 destaca-se em aplicações em tempo real, fornecendo uma contagem de objectos eficiente e precisa para vários cenários, como a análise de multidões e a vigilância, graças aos seus algoritmos de ponta e capacidades de aprendizagem profunda.

Vantagens da contagem de objectos?

• Otimização de recursos: A contagem de objectos facilita a gestão eficiente de recursos, fornecendo contagens precisas e optimizando a atribuição de recursos em aplicações como a gestão de inventário.
• Segurança melhorada: A contagem de objectos melhora a segurança e a vigilância ao seguir e contar entidades com precisão, ajudando na deteção proactiva de ameaças.
• Tomada de decisões informada: A contagem de objectos oferece informações valiosas para a tomada de decisões, optimizando os processos no comércio a retalho, na gestão do tráfego e em vários outros domínios.

Aplicações no mundo real

Logística	Aquacultura
Contagem de pacotes de correia transportadora usando Ultralytics YOLO11	Contagem de peixes no mar usando Ultralytics YOLO11

# Run a counting example
yolo solutions count show=True

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

# Pass region coordinates
yolo solutions count 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))

# Define region points
# region_points = [(20, 400), (1080, 400)]  # For line counting
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]  # For rectangle region counting
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)]  # For polygon region counting

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    show=True,  # Display the output
    region=region_points,  # Pass region points
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object counting using YOLO11 OBB model.
    # classes=[0, 2],  # If you want to count specific classes i.e person and car with COCO pretrained model.
    # show_in=True,  # Display in counts
    # show_out=True,  # Display out counts
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    im0 = counter.count(im0)
    video_writer.write(im0)

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

Argumento ObjectCounter

Aqui está uma tabela com os ObjectCounter argumentos:

Argumentos model.track

FAQ

Como contar objectos num vídeo utilizando Ultralytics YOLO11 ?

Para contar objectos num vídeo utilizando Ultralytics YOLO11 , pode seguir estes passos:

1. Importar as bibliotecas necessárias (cv2, ultralytics).
2. Definir a região de contagem (por exemplo, um polígono, uma linha, etc.).
3. Configurar a captura de vídeo e inicializar o contador de objectos.
4. Processar cada fotograma para localizar objectos e contá-los dentro da região definida.

Eis um exemplo simples de contagem numa 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 video processing has been successfully completed.")
            break
        im0 = counter.count(im0)
        video_writer.write(im0)

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


count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolo11n.pt")

Explore mais configurações e opções na secção Contagem de objectos.

Quais são as vantagens de utilizar Ultralytics YOLO11 para a contagem de objectos?

A utilização de Ultralytics YOLO11 para a contagem de objectos oferece várias vantagens:

1. Otimização de recursos: Facilita a gestão eficiente de recursos ao fornecer contagens precisas, ajudando a otimizar a atribuição de recursos em indústrias como a gestão de inventário.
2. Segurança melhorada: Melhora a segurança e a vigilância através do rastreio e contagem precisos de entidades, ajudando na deteção proactiva de ameaças.
3. Tomada de decisões informada: Oferece informações valiosas para a tomada de decisões, optimizando os processos em domínios como o retalho, a gestão do tráfego e muito mais.

Para aplicações reais e exemplos de código, visite a secção Vantagens da contagem de objectos.

Como é que posso contar classes específicas de objectos utilizando Ultralytics YOLO11 ?

Para contar classes específicas de objectos utilizando Ultralytics YOLO11 , é necessário especificar as classes em que está interessado durante a fase de rastreio. Abaixo está um exemplo de 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 video processing has been successfully completed.")
            break
        im0 = counter.count(im0)
        video_writer.write(im0)

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


count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolo11n.pt", [0, 2])

Neste exemplo, classes_to_count=[0, 2], o que significa que conta os objectos da classe 0 e 2 (por exemplo, pessoa e carro).

Por que razão devo utilizar YOLO11 em vez de outros modelos de deteção de objectos para aplicações em tempo real?

Ultralytics YOLO11 oferece várias vantagens em relação a outros modelos de deteção de objectos, como o Faster R-CNN, o SSD e as versões anteriores do YOLO :

1. Velocidade e eficiência: YOLO11 oferece capacidades de processamento em tempo real, tornando-o ideal para aplicações que requerem inferência a alta velocidade, como a vigilância e a condução autónoma.
2. Precisão: Proporciona uma precisão de ponta para tarefas de deteção e seguimento de objectos, reduzindo o número de falsos positivos e melhorando a fiabilidade geral do sistema.
3. Facilidade de integração: YOLO11 oferece uma integração perfeita com várias plataformas e dispositivos, incluindo dispositivos móveis e de ponta, o que é crucial para aplicações modernas de IA.
4. Flexibilidade: Suporta várias tarefas como a deteção de objectos, a segmentação e o seguimento com modelos configuráveis para satisfazer requisitos específicos de casos de utilização.

Consulte Ultralytics YOLO11 Documentation para obter uma análise mais aprofundada das suas funcionalidades e comparações de desempenho.

Posso utilizar o YOLO11 para aplicações avançadas como a análise de multidões e a gestão do tráfego?

Sim, o Ultralytics YOLO11 é perfeitamente adequado para aplicações avançadas, como a análise de multidões e a gestão de tráfego, devido às suas capacidades de deteção em tempo real, escalabilidade e flexibilidade de integração. As suas funcionalidades avançadas permitem o seguimento, contagem e classificação de objectos com elevada precisão em ambientes dinâmicos. Exemplos de casos de utilização incluem:

• Análise de multidões: Monitorizar e gerir grandes aglomerações, garantindo a segurança e optimizando o fluxo de pessoas.
• Gestão de tráfego: Seguir e contar veículos, analisar padrões de tráfego e gerir o congestionamento em tempo real.

Para mais informações e detalhes de implementação, consulte o guia sobre Aplicações do mundo real da contagem de objectos com YOLO11.

📅C riado há 1 ano ✏️ Atualizado há 17 dias

Comentários