Estimativa de velocidade usando Ultralytics YOLO26 🚀#
O que é estimativa de velocidade?#
Speed estimation é o processo de cálculo da taxa de movimento de um objeto dentro de um dado contexto, frequentemente empregado em aplicações de computer vision. Usando o Ultralytics YOLO26, agora podes calcular a velocidade de objetos utilizando object tracking juntamente com dados de distância e tempo, cruciais para tarefas como monitorização de tráfego e vigilância. A precisão da estimativa de velocidade influencia diretamente a eficiência e a fiabilidade de várias aplicações, tornando-a um componente-chave no avanço de sistemas inteligentes e processos de tomada de decisão em tempo real.
Watch: Speed Estimation using Ultralytics YOLO26
Para informações mais profundas sobre a estimativa de velocidade, consulta a nossa publicação no blog: Ultralytics YOLO for Speed Estimation in Computer Vision Projects
Vantagens da estimativa de velocidade#
- Controle de Tráfego Eficiente: A estimativa precisa de velocidade ajuda a gerir o fluxo de tráfego, aumentando a segurança e reduzindo congestionamentos nas vias.
- Navegação Autónoma Precisa: Em sistemas autónomos como self-driving cars, uma estimativa de velocidade fiável garante uma navegação de veículos segura e precisa.
- Segurança de Vigilância Aprimorada: A estimativa de velocidade em análises de vigilância ajuda a identificar comportamentos incomuns ou ameaças potenciais, melhorando a eficácia das medidas de segurança.
Aplicações no mundo real#
| Transporte | Transporte |
|---|---|
 |  |
| Estimativa de velocidade na estrada usando Ultralytics YOLO26 | Estimativa de velocidade na ponte usando Ultralytics YOLO26 |
A velocidade é uma estimativa
A velocidade será uma estimativa e pode não ser completamente precisa. Além disso, a estimativa pode variar dependendo das especificações da câmera e fatores relacionados.
Estima a velocidade com o YOLO26#
A solução SpeedEstimator rastreia cada objeto ao longo dos fotogramas e converte o seu deslocamento em píxeis numa velocidade utilizando a taxa de fotogramas do vídeo (fps) e uma escala do mundo real (meter_per_pixel). Ajusta meter_per_pixel à tua configuração de câmara e usa max_speed para limitar valores atípicos de rastreios ruidosos.
# Run a speed example
yolo solutions speed show=True
# Pass a source video
yolo solutions speed source="path/to/video.mp4"
# Adjust meter per pixel value based on camera configuration
yolo solutions speed meter_per_pixel=0.05Argumentos do SpeedEstimator#
Aqui tens uma tabela com os argumentos do SpeedEstimator:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
model | str | None | Caminho para um ficheiro de modelo YOLO da Ultralytics. |
fps | float | 30.0 | Frames por segundo usados para cálculos de velocidade. |
max_hist | int | 5 | Pontos históricos máximos a rastrear por objeto para cálculos de velocidade/direção. |
meter_per_pixel | float | 0.05 | Fator de escala usado para converter a distância em píxeis para unidades do mundo real. |
max_speed | int | 120 | Limite de velocidade máxima em sobreposições visuais (usado em alertas). |
A solução SpeedEstimator permite a utilização dos parâmetros track:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Especifica o algoritmo de rastreamento a utilizar. Opções integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.1 | Define o limiar de confiança para as deteções; valores mais baixos permitem que mais objetos sejam rastreados, mas podem incluir falsos positivos. |
iou | float | 0.7 | Define o limiar de Intersection over Union (IoU) para filtrar deteções sobrepostas. |
classes | list | None | Filtra resultados por índice de classe. Por exemplo, classes=[0, 2, 3] rastreia apenas as classes especificadas. |
verbose | bool | True | Controla a exibição dos resultados de rastreio, fornecendo uma saída visual dos objetos rastreados. |
device | str | None | Especifica o dispositivo para inferência (por exemplo, cpu, cuda:0 ou 0). Permite aos utilizadores selecionar entre CPU, uma GPU específica ou outros dispositivos de computação para a execução do modelo. |
Adicionalmente, as seguintes opções de visualização são suportadas:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
show | bool | False | Se True, exibe as imagens ou vídeos anotados em uma janela. Útil para feedback visual imediato durante o desenvolvimento ou teste. |
line_width | int or None | None | Especifica a largura da linha das caixas delimitadoras. Se None, a largura da linha é ajustada automaticamente com base no tamanho da imagem. Fornece personalização visual para maior clareza. |
show_conf | bool | True | Exibe a pontuação de confiança para cada detecção ao lado do rótulo. Fornece uma visão sobre a certeza do modelo para cada detecção. |
show_labels | bool | True | Exibe rótulos para cada detecção na saída visual. Fornece compreensão imediata dos objetos detectados. |
FAQ#
A estimativa da velocidade de objetos com o Ultralytics YOLO26 combina object detection e rastreio. O modelo deteta objetos em cada fotograma, rastreia-os ao longo dos fotogramas e converte a distância percorrida entre fotogramas numa velocidade utilizando a taxa de fotogramas e a escala
meter_per_pixel. O exemplo em Python acima executa este pipeline completo — passa o teu vídeo e ajustameter_per_pixelà tua câmara. Para mais antecedentes, consulta a nossa publicação oficial no blog.Usar o Ultralytics YOLO26 para estimativa de velocidade oferece vantagens significativas na gestão de tráfego:
- Segurança Aprimorada: Estima com precisão as velocidades dos veículos para detectar excesso de velocidade e melhorar a segurança rodoviária.
- Monitoramento em Tempo Real: Beneficia da capacidade de detecção de objetos em tempo real do YOLO26 para monitorar o fluxo de tráfego e o congestionamento de forma eficaz.
- Escalabilidade: Implementa o modelo em várias configurações de hardware, desde edge devices até servidores, garantindo soluções flexíveis e escaláveis para implementações em grande escala.
Para mais aplicações, consulta advantages of speed estimation.
Sim, o YOLO26 pode ser integrado com outros frameworks de IA como o TensorFlow e o PyTorch. O Ultralytics fornece suporte para exportar modelos YOLO26 para vários formatos como ONNX, TensorRT e CoreML, garantindo uma interoperabilidade fluida com outros frameworks de ML.
Para exportar um modelo YOLO26 para o formato ONNX:
yolo export model=yolo26n.pt format=onnxSabe mais sobre a exportação de modelos no nosso guia sobre exportação.
A precisão da estimativa de velocidade com o Ultralytics YOLO26 depende de vários fatores, incluindo a qualidade do rastreio de objetos, a resolução e a taxa de fotogramas do vídeo, e variáveis ambientais. Embora o estimador de velocidade forneça estimativas fiáveis, pode não ser 100% preciso devido a variações na velocidade de processamento de fotogramas e à oclusão de objetos.
Nota: Considera sempre a margem de erro e valida as estimativas com dados de referência (ground truth) sempre que possível.
Para mais dicas de melhoria de precisão, consulta a secção Arguments
SpeedEstimator.