Estimativa da velocidade utilizando Ultralytics YOLO11 🚀

O que é a estimativa de velocidade?

A estimativa da velocidade é o processo de cálculo da taxa de movimento de um objeto num determinado contexto, frequentemente utilizado em aplicações de visão por computador. Utilizando Ultralytics YOLO11 pode agora calcular a velocidade de um objeto utilizando o seguimento de objectos juntamente com dados de distância e tempo, cruciais para tarefas como o tráfego e a vigilância. A precisão da estimativa da velocidade influencia diretamente a eficiência e a fiabilidade de várias aplicações, tornando-a um componente essencial para o avanço dos sistemas inteligentes e dos processos de tomada de decisões em tempo real.

Ver: Estimativa de velocidade utilizando Ultralytics YOLO11

Vantagens da estimativa de velocidade?

• Controlo eficiente do tráfego: A estimativa exacta da velocidade ajuda a gerir o fluxo de tráfego, a aumentar a segurança e a reduzir o congestionamento nas estradas.
• Navegação autónoma precisa: Nos sistemas autónomos, como os automóveis autónomos, uma estimativa fiável da velocidade garante uma navegação segura e precisa do veículo.
• Segurança de vigilância melhorada: 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

Transporte	Transporte
Estimativa da velocidade na estrada utilizando Ultralytics YOLO11	Estimativa da velocidade numa ponte utilizando Ultralytics YOLO11

# Run a speed example
yolo solutions speed show=True

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

# Pass region coordinates
yolo solutions speed 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))

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

# Define speed region points
speed_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)]

speed = solutions.SpeedEstimator(
    show=True,  # Display the output
    model="yolo11n-pose.pt",  # Path to the YOLO11 model file.
    region=speed_region,  # Pass region points
    # classes=[0, 2],  # If you want to estimate speed of specific classes.
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if success:
        out = speed.estimate_speed(im0)
        video_writer.write(im0)
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
        continue

    print("Video frame is empty or video processing has been successfully completed.")
    break

cap.release()
cv2.destroyAllWindows()

Argumentos SpeedEstimator

Argumentos model.track

FAQ

Como posso estimar a velocidade de um objeto utilizando Ultralytics YOLO11 ?

Estimar a velocidade do objeto com Ultralytics YOLO11 envolve a combinação de técnicas de deteção e seguimento de objectos. Primeiro, é necessário detetar objectos em cada fotograma utilizando o modelo YOLO11 . Em seguida, rastreie esses objectos através dos fotogramas para calcular o seu movimento ao longo do tempo. Por fim, utilize a distância percorrida pelo objeto entre fotogramas e a taxa de fotogramas para estimar a sua velocidade.

Exemplo:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
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("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize SpeedEstimator
speed_obj = solutions.SpeedEstimator(
    region=[(0, 360), (1280, 360)],
    model="yolo11n.pt",
    show=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = speed_obj.estimate_speed(im0)
    video_writer.write(im0)

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

Para mais informações, consulte a nossa publicação oficial no blogue.

Quais são as vantagens da utilização do Ultralytics YOLO11 para a estimativa da velocidade na gestão do tráfego?

A utilização de Ultralytics YOLO11 para a estimativa da velocidade oferece vantagens significativas na gestão do tráfego:

• Segurança melhorada: Estimativa exacta das velocidades dos veículos para detetar o excesso de velocidade e melhorar a segurança rodoviária.
• Monitorização em tempo real: Beneficie da capacidade de deteção de objectos em tempo real do YOLO11 para monitorizar eficazmente o fluxo de tráfego e o congestionamento.
• Escalabilidade: Implementar o modelo em várias configurações de hardware, desde dispositivos de ponta a servidores, garantindo soluções flexíveis e escaláveis para implementações em grande escala.

Para mais aplicações, ver vantagens da estimativa de velocidade.

O YOLO11 pode ser integrado com outras estruturas de IA como TensorFlow ou PyTorch?

Sim, YOLO11 pode ser integrado noutras estruturas de IA, como TensorFlow e PyTorch. Ultralytics suporta a exportação de modelos YOLO11 para vários formatos, como ONNX, TensorRT e CoreML, assegurando uma interoperabilidade harmoniosa com outras estruturas de ML.

Para exportar um modelo YOLO11 para o formato ONNX :

yolo export --weights yolo11n.pt --include onnx

Saiba mais sobre a exportação de modelos no nosso guia sobre exportação.

Qual é a precisão da estimativa de velocidade utilizando Ultralytics YOLO11 ?

A precisão da estimativa de velocidade utilizando Ultralytics YOLO11 depende de vários factores, incluindo a qualidade do seguimento de objectos, a resolução e a taxa de fotogramas do vídeo e as variáveis ambientais. Embora o estimador de velocidade forneça estimativas fiáveis, pode não ser 100% exato devido a variações na velocidade de processamento dos fotogramas e à oclusão de objectos.

Nota: Ter sempre em conta a margem de erro e validar as estimativas com dados verídicos no terreno, sempre que possível.

Para mais sugestões de melhoria da precisão, consulte o Argumentos SpeedEstimator secção.

Porquê escolher Ultralytics YOLO11 em vez de outros modelos de deteção de objectos como TensorFlow Object Detection API?

Ultralytics YOLO11 oferece várias vantagens em relação a outros modelos de deteção de objectos, como a API de deteção de objectos TensorFlow :

• Desempenho em tempo real: YOLO11 está optimizado para deteção em tempo real, proporcionando elevada velocidade e precisão.
• Facilidade de utilização: Concebido com uma interface fácil de utilizar, o YOLO11 simplifica a formação e a implementação do modelo.
• Versatilidade: Suporta múltiplas tarefas, incluindo deteção de objectos, segmentação e estimativa de pose.
• Comunidade e suporte: YOLO11 é apoiado por uma comunidade ativa e uma extensa documentação, garantindo que os programadores têm os recursos de que necessitam.

Para mais informações sobre as vantagens de YOLO11, explore a nossa página de modelos pormenorizados.

📅C riado há 11 meses ✏️ Atualizado há 20 dias

Comentários