Speed Estimation using Ultralytics YOLO11 🚀
O que é a estimativa de velocidade?
Speed estimation is the process of calculating the rate of movement of an object within a given context, often employed in computer vision applications. Using Ultralytics YOLO11 you can now calculate the speed of object using object tracking alongside distance and time data, crucial for tasks like traffic and surveillance. The accuracy of speed estimation directly influences the efficiency and reliability of various applications, making it a key component in the advancement of intelligent systems and real-time decision-making processes.
Observa: Speed Estimation using Ultralytics YOLO11
Consulta o nosso blogue
For deeper insights into speed estimation, check out our blog post: Ultralytics YOLO11 for Speed Estimation in Computer Vision Projects
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 carros 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 |
---|---|
Speed Estimation on Road using Ultralytics YOLO11 | Speed Estimation on Bridge using Ultralytics YOLO11 |
Speed Estimation using YOLO11 Example
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 = cv2.VideoWriter("speed_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
speed_region = [(20, 400), (1080, 404), (1080, 360), (20, 360)]
speed = solutions.SpeedEstimator(model="yolo11n.pt", region=speed_region, show=True)
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()
A velocidade é estimada
A velocidade será uma estimativa e pode não ser totalmente exacta. Além disso, a estimativa pode variar consoante a velocidade do GPU .
Argumentos SpeedEstimator
Nome | Tipo | Predefinição | Descrição |
---|---|---|---|
model | str | None | Path to Ultralytics YOLO Model File |
region | list | [(20, 400), (1260, 400)] | Lista de pontos que definem a região de contagem. |
line_width | int | 2 | Espessura da linha para caixas delimitadoras. |
show | bool | False | Sinalizador para controlar se o fluxo de vídeo deve ser apresentado. |
Argumentos model.track
Argumenta | Tipo | Predefinição | Descrição |
---|---|---|---|
source | str | None | Specifies the source directory for images or videos. Supports file paths and URLs. |
persist | bool | False | Enables persistent tracking of objects between frames, maintaining IDs across video sequences. |
tracker | str | botsort.yaml | Specifies the tracking algorithm to use, e.g., bytetrack.yaml ou botsort.yaml . |
conf | float | 0.3 | Sets the confidence threshold for detections; lower values allow more objects to be tracked but may include false positives. |
iou | float | 0.5 | Sets the Intersection over Union (IoU) threshold for filtering overlapping detections. |
classes | list | None | Filters results by class index. For example, classes=[0, 2, 3] only tracks the specified classes. |
verbose | bool | True | Controls the display of tracking results, providing a visual output of tracked objects. |
FAQ
How do I estimate object speed using Ultralytics YOLO11?
Estimating object speed with Ultralytics YOLO11 involves combining object detection and tracking techniques. First, you need to detect objects in each frame using the YOLO11 model. Then, track these objects across frames to calculate their movement over time. Finally, use the distance traveled by the object between frames and the frame rate to estimate its speed.
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, consulta a nossa publicação oficial no blogue.
What are the benefits of using Ultralytics YOLO11 for speed estimation in traffic management?
Using Ultralytics YOLO11 for speed estimation offers significant advantages in traffic management:
- Segurança melhorada: Calcula com precisão as velocidades dos veículos para detetar o excesso de velocidade e melhorar a segurança rodoviária.
- Real-Time Monitoring: Benefit from YOLO11's real-time object detection capability to monitor traffic flow and congestion effectively.
- Escalabilidade: Implementa 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, vê as vantagens da estimativa de velocidade.
Can YOLO11 be integrated with other AI frameworks like TensorFlow or PyTorch?
Yes, YOLO11 can be integrated with other AI frameworks like TensorFlow and PyTorch. Ultralytics provides support for exporting YOLO11 models to various formats like ONNX, TensorRT, and CoreML, ensuring smooth interoperability with other ML frameworks.
To export a YOLO11 model to ONNX format:
Sabe mais sobre a exportação de modelos no nosso guia sobre exportação.
How accurate is the speed estimation using Ultralytics YOLO11?
The accuracy of speed estimation using Ultralytics YOLO11 depends on several factors, including the quality of the object tracking, the resolution and frame rate of the video, and environmental variables. While the speed estimator provides reliable estimates, it may not be 100% accurate due to variances in frame processing speed and object occlusion.
Nota: Tem sempre em conta a margem de erro e valida as estimativas com dados verídicos no terreno, sempre que possível.
Para mais sugestões de melhoria da precisão, consulta a Argumentos SpeedEstimator
secção.
Why choose Ultralytics YOLO11 over other object detection models like TensorFlow Object Detection API?
Ultralytics YOLO11 offers several advantages over other object detection models, such as the TensorFlow Object Detection API:
- Real-Time Performance: YOLO11 is optimized for real-time detection, providing high speed and accuracy.
- Ease of Use: Designed with a user-friendly interface, YOLO11 simplifies model training and deployment.
- Versatilidade: Suporta várias tarefas, incluindo deteção de objectos, segmentação e estimativa de pose.
- Community and Support: YOLO11 is backed by an active community and extensive documentation, ensuring developers have the resources they need.
For more information on the benefits of YOLO11, explore our detailed model page.