Estimativa de velocidade com Ultralytics YOLO26#
O que é estimativa de velocidade?#
A estimativa de velocidade é o processo de calcular a taxa de movimento de um objeto num determinado contexto, frequentemente utilizado em aplicações de visão computacional. Com o Ultralytics YOLO26, agora podes calcular a velocidade dos objetos usando o rastreamento de objetos, juntamente com dados de distância e tempo, essenciais para tarefas como a monitorização do trânsito e a vigilância. A precisão da estimativa de velocidade influencia diretamente a eficiência e a fiabilidade de várias aplicações, tornando-a um componente fundamental para o avanço de sistemas inteligentes e de processos de tomada de decisão em tempo real.
Assista: Estimativa de velocidade usando Ultralytics YOLO26
Para saberes mais sobre a estimativa de velocidade, consulta a publicação do nosso blogue: Ultralytics YOLO para estimativa de velocidade em projetos de visão computacional
Vantagens da estimativa de velocidade#
- Gestão eficiente do trânsito: A estimativa precisa da velocidade ajuda a gerir o fluxo do trânsito, a aumentar a segurança e a reduzir os congestionamentos nas estradas.
- Navegação autónoma precisa: Em sistemas autónomos como os carros autónomos, uma estimativa de velocidade fiável garante uma navegação segura e precisa dos veículos.
- Maior segurança na vigilância: A estimativa de velocidade em análises de vigilância ajuda a identificar comportamentos invulgares ou potenciais ameaças, aumentando a eficácia das medidas de segurança.
Aplicações no mundo real#
| Transportes | Transportes |
|---|---|
 |  |
| Estimativa de velocidade numa estrada com Ultralytics YOLO26 | Estimativa de velocidade numa ponte com Ultralytics YOLO26 |
A velocidade é uma estimativa
A velocidade é uma estimativa e pode não ser totalmente precisa. Além disso, a estimativa pode variar consoante as especificações da câmara e outros fatores relacionados.
Estima a velocidade com YOLO26#
A solução SpeedEstimator acompanha cada objeto ao longo dos fotogramas e converte o seu deslocamento em píxeis numa velocidade, usando a taxa de fotogramas do vídeo (fps) e uma escala do mundo real (meter_per_pixel). Ajusta meter_per_pixel à configuração da tua câmara e usa max_speed para limitar os valores atípicos provenientes de rastreamentos 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 de SpeedEstimator#
Aqui está uma tabela com os argumentos de SpeedEstimator:
| Argumento | Tipo | Padrão | Descrição |
|---|---|---|---|
model | str | None | Caminho para um arquivo de modelo Ultralytics YOLO. |
fps | float | 30.0 | Fotogramas por segundo usados nos cálculos de velocidade. |
max_hist | int | 5 | Número máximo de pontos históricos a acompanhar por objeto para calcular a velocidade/direção. |
meter_per_pixel | float | 0.05 | Fator de escala usado para converter a distância em píxeis em unidades do mundo real. |
max_speed | int | 120 | Velocidade máxima em km/h; as velocidades estimadas superiores são limitadas a este valor. |
line_width | int | 2 | Espessura das linhas das caixas, dos pontos-chave e das contagens desenhados pela solução. |
verbose | bool | True | Ativa o registro por quadro da solução, com o formato da entrada, as contagens por classe e a velocidade de processamento. A chamada de rastreamento em si é sempre silenciosa. |
A solução SpeedEstimator permite usar os parâmetros track:
| Argumento | Tipo | Padrão | 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 | 0.25 | Define o limiar de confiança das deteções; valores mais baixos permitem rastrear mais objetos, mas podem incluir falsos positivos. |
iou | float | 0.7 | Define o limiar de interseção sobre união (IoU) para filtrar deteções sobrepostas. |
classes | list | None | Filtra os resultados pelo índice da classe. Por exemplo, classes=[0, 2, 3] rastreia apenas as classes especificadas. |
device | str | None | Especifica o dispositivo para a inferência (por exemplo, cpu, cuda:0 ou 0). Permite escolher entre CPU, uma GPU específica ou outros dispositivos de computação para executar o modelo. |
imgsz | int or tuple | 640 | Tamanho da imagem de destino para a inferência: um número inteiro para uma imagem quadrada ou um par (height, width). As dimensões são ajustadas ao stride do modelo. |
max_det | int | 300 | Número máximo de deteções mantidas por fotograma antes do rastreamento, limitando os objetos que uma solução processa em cenas densas. |
quantize | int or str | None | Precisão de inferência: 16 (FP16) ou 32/unset (FP32) para modelos PyTorch e TorchScript fora da CPU; os outros formatos usam a precisão selecionada pelo artefato e pelo ambiente de execução. Substitui o argumento obsoleto half. |
Além disso, são suportadas as seguintes opções de visualização:
| Argumento | Tipo | Padrão | Descrição |
|---|---|---|---|
show | bool | False | Se True, exibe as imagens ou os vídeos anotados em uma janela. Útil para obter feedback visual imediato durante o desenvolvimento ou os testes. |
show_labels | bool | True | Exibe os rótulos de cada detecção na saída visual. Permite identificar imediatamente os objetos detectados. |
Perguntas frequentes#
A estimativa da velocidade dos objetos com o Ultralytics YOLO26 combina a deteção de objetos e o rastreamento. O modelo deteta objetos em cada fotograma, acompanha-os ao longo dos fotogramas e converte a distância percorrida entre fotogramas numa velocidade, usando a taxa de fotogramas e a escala
meter_per_pixel. O exemplo de Python acima executa todo este fluxo de processamento — indica o teu vídeo e ajustameter_per_pixelà tua câmara. Para mais informações, consulta a publicação oficial do nosso blogue.Usar o Ultralytics YOLO26 para estimar a velocidade oferece vantagens significativas na gestão do trânsito:
- Maior segurança: estima com precisão as velocidades dos veículos para detetar excessos de velocidade e melhorar a segurança rodoviária.
- Monitorização em tempo real: tira partido da capacidade de deteção de objetos em tempo real do YOLO26 para monitorizar eficazmente o fluxo do trânsito e os congestionamentos.
- Escalabilidade: implementa o modelo em várias configurações de hardware, desde dispositivos de ponta até servidores, garantindo soluções flexíveis e escaláveis para implementações de grande escala.
Para ver mais aplicações, consulta as vantagens da estimativa de velocidade.
Sim, o YOLO26 pode ser integrado com outras estruturas de IA, como TensorFlow e PyTorch. A Ultralytics permite exportar modelos YOLO26 para vários formatos, como ONNX, TensorRT e CoreML, garantindo uma interoperabilidade fluida com outras estruturas 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 de exportação.
A precisão da estimativa de velocidade com o Ultralytics YOLO26 depende de vários fatores, incluindo a qualidade do rastreamento de objetos, a resolução e a taxa de fotogramas do vídeo, bem como as variáveis ambientais. Embora o estimador de velocidade forneça estimativas fiáveis, estas podem não ser 100% precisas devido a variações na velocidade de processamento dos fotogramas e à oclusão dos objetos.
Nota: considera sempre a margem de erro e, quando possível, valida as estimativas com dados de referência.
Para mais dicas sobre como melhorar a precisão, consulta a secção de argumentos
SpeedEstimator.