Estimativa de Velocidade usando o Ultralytics YOLO26#
O que é a 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, pode agora calcular a velocidade dos objetos usando rastreamento de objetos em conjunto com dados de distância e tempo, essenciais 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 essencial para o avanço de sistemas inteligentes e de processos de tomada de decisão em tempo real.
Watch: Speed Estimation using Ultralytics YOLO26
Para obter informações mais aprofundadas sobre a estimativa de velocidade, consulte a publicação do nosso blogue: Ultralytics YOLO para estimativa de velocidade em projetos de visão computacional
Vantagens da estimativa de velocidade#
- Controlo eficiente do tráfego: A estimativa precisa da velocidade ajuda a gerir o fluxo de tráfego, a aumentar a segurança e a reduzir o congestionamento nas estradas.
- Navegação autónoma precisa: Em sistemas autónomos, como carros autónomos, uma estimativa de velocidade fiável garante uma navegação segura e precisa dos veículos.
- Maior segurança na vigilância: A estimativa de velocidade na análise de vigilância ajuda a identificar comportamentos invulgares ou potenciais ameaças, melhorando a eficácia das medidas de segurança.
Aplicações no mundo real#
| Transportes | Transportes |
|---|---|
 |  |
| Estimativa de velocidade numa estrada usando Ultralytics YOLO26 | Estimativa de velocidade numa ponte usando Ultralytics YOLO26 |
A velocidade é uma estimativa
A velocidade será uma estimativa e poderá não ser completamente precisa. Além disso, a estimativa pode variar consoante as especificações da câmara e outros fatores relacionados.
Estimar a velocidade com YOLO26#
A solução SpeedEstimator rastreia cada objeto ao longo dos frames e converte o seu deslocamento em píxeis numa velocidade usando a taxa de frames do vídeo (fps) e uma escala do mundo real (meter_per_pixel). Ajuste meter_per_pixel à configuração da sua câmara e use max_speed para limitar 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#
Eis uma tabela com os argumentos de SpeedEstimator:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
model | str | None | Caminho para um ficheiro de modelo YOLO da Ultralytics. |
fps | float | 30.0 | Fotogramas por segundo usados nos cálculos de velocidade. |
max_hist | int | 5 | Número máximo de pontos históricos 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 em unidades do mundo real. |
max_speed | int | 120 | Limite máximo de velocidade nas sobreposições visuais (usado nos alertas). |
line_width | int | 2 | Espessura das linhas das caixas, dos pontos-chave e das contagens desenhados pela solução. |
verbose | bool | True | Ativa o registo por fotograma da solução, incluindo a forma da entrada, as contagens por classe e a velocidade de processamento. A chamada de rastreamento permanece sempre silenciosa. |
A solução SpeedEstimator permite utilizar os parâmetros track:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
tracker | str | 'botsort.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 para as deteções; valores mais baixos permitem rastrear mais objetos, mas podem incluir falsos positivos. |
iou | float | 0.7 | Define o limiar de Interseção sobre a 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 selecionar entre CPU, uma GPU específica ou outros dispositivos de computação para executar o modelo. |
imgsz | int or tuple | 640 | Tamanho da imagem de inferência alvo: um inteiro para um quadrado ou um par (height, width). As formas são ajustadas para o passo do modelo. |
max_det | int | 300 | Número máximo de detecções mantidas por quadro 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/não definido (FP32) para modelos PyTorch e TorchScript; outros formatos computam na precisão que o artefato e o tempo de execução selecionam. Substitui a flag obsoleta half. |
Além disso, são suportadas as seguintes opções de visualização:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
show | bool | False | Se True, apresenta as imagens ou vídeos anotados numa janela. É útil para obter feedback visual imediato durante o desenvolvimento ou os testes. |
show_conf | bool | True | Apresenta a pontuação de confiança de cada deteção junto à etiqueta. Permite compreender o grau de certeza do modelo em cada deteção. |
show_labels | bool | True | Apresenta etiquetas para cada deteção no resultado visual. Permite compreender imediatamente os objetos detetados. |
Perguntas frequentes#
A estimativa da velocidade dos objetos com o Ultralytics YOLO26 combina deteção de objetos e rastreamento. O modelo deteta objetos em cada frame, rastreia-os ao longo dos frames e converte a distância percorrida entre frames numa velocidade usando a taxa de frames e a escala
meter_per_pixel. O exemplo em Python acima executa todo este fluxo — forneça o seu vídeo e ajustemeter_per_pixelà sua câmara. Para obter mais contexto, consulte a nossa publicação oficial no blogue.A utilização do Ultralytics YOLO26 para a estimativa de velocidade oferece vantagens significativas na gestão do tráfego:
- Maior segurança: Estime com precisão as velocidades dos veículos para detetar excesso de velocidade e melhorar a segurança rodoviária.
- Monitorização em tempo real: Tire partido da capacidade de deteção de objetos em tempo real do YOLO26 para monitorizar eficazmente o fluxo de tráfego e o congestionamento.
- Escalabilidade: Implemente o modelo em várias configurações de hardware, desde dispositivos periféricos até servidores, garantindo soluções flexíveis e escaláveis para implementações de grande escala.
Para consultar mais aplicações, veja as vantagens da estimativa de velocidade.
Sim, o YOLO26 pode ser integrado com outras frameworks de IA, como TensorFlow e PyTorch. A Ultralytics oferece suporte para exportar modelos YOLO26 para vários formatos, como ONNX, TensorRT e CoreML, garantindo uma interoperabilidade fluida com outras frameworks de ML.
Para exportar um modelo YOLO26 para o formato ONNX:
yolo export model=yolo26n.pt format=onnxSaiba mais sobre a exportação de modelos no nosso guia de exportação.
A precisão da estimativa de velocidade usando o Ultralytics YOLO26 depende de vários fatores, incluindo a qualidade do rastreamento de objetos, a resolução e a taxa de frames do vídeo e 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 frames e à oclusão de objetos.
Nota: Tenha sempre em consideração a margem de erro e valide as estimativas com dados de referência, quando possível.
Para obter mais sugestões sobre como melhorar a precisão, consulte a secção Argumentos
SpeedEstimator.