Estimativa da velocidade utilizando Ultralytics YOLOv8 🚀
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 o Ultralytics YOLOv8 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 de velocidade influencia diretamente a eficiência e a fiabilidade de várias aplicações, tornando-a um componente essencial para o avanço de sistemas inteligentes e processos de tomada de decisões em tempo real.
Observa: Estimativa de velocidade utilizando Ultralytics YOLOv8
Consulta o nosso blogue
Para obteres mais informações sobre a estimativa de velocidade, consulta a nossa publicação no blogue: Ultralytics YOLOv8 para estimativa de velocidade em projectos de visão computacional
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 |
---|---|
Estimativa da velocidade na estrada utilizando Ultralytics YOLOv8 | Estimativa de velocidade em pontes utilizando Ultralytics YOLOv8 |
Estimativa de velocidade utilizando YOLOv8 Exemplo
import cv2
from ultralytics import YOLO, solutions
model = YOLO("yolov8n.pt")
names = model.model.names
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_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
line_pts = [(0, 360), (1280, 360)]
# Init speed-estimation obj
speed_obj = solutions.SpeedEstimator(
reg_pts=line_pts,
names=names,
view_img=True,
)
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or video processing has been successfully completed.")
break
tracks = model.track(im0, persist=True, show=False)
im0 = speed_obj.estimate_speed(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.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 |
---|---|---|---|
names |
dict |
None |
Dicionário de nomes de classes. |
reg_pts |
list |
[(20, 400), (1260, 400)] |
Lista dos pontos da região para a estimativa da velocidade. |
view_img |
bool |
False |
Se pretende apresentar a imagem com anotações. |
line_thickness |
int |
2 |
Espessura das linhas para desenhar caixas e pistas. |
region_thickness |
int |
5 |
Espessura das linhas da região. |
spdl_dist_thresh |
int |
10 |
Limite de distância para o cálculo da velocidade. |
Argumentos model.track
Nome | Tipo | Predefinição | Descrição |
---|---|---|---|
source |
im0 |
None |
diretório de origem para imagens ou vídeos |
persist |
bool |
False |
persistência de faixas entre fotogramas |
tracker |
str |
botsort.yaml |
Método de rastreio 'bytetrack' ou 'botsort' |
conf |
float |
0.3 |
Limiar de confiança |
iou |
float |
0.5 |
Limiar IOU |
classes |
list |
None |
filtra os resultados por classe, ou seja, classes=0, ou classes=[0,2,3] |
verbose |
bool |
True |
Apresenta os resultados do rastreio de objectos |
FAQ
Como posso estimar a velocidade de um objeto utilizando Ultralytics YOLOv8 ?
Estimar a velocidade do objeto com Ultralytics YOLOv8 envolve a combinação de técnicas de deteção e seguimento de objectos. Primeiro, tens de detetar objectos em cada fotograma utilizando o modelo YOLOv8 . Em seguida, rastreia esses objectos através dos fotogramas para calcular o seu movimento ao longo do tempo. Finalmente, utiliza a distância percorrida pelo objeto entre fotogramas e a taxa de fotogramas para estimar a sua velocidade.
Exemplo:
import cv2
from ultralytics import YOLO, solutions
model = YOLO("yolov8n.pt")
names = model.model.names
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(
reg_pts=[(0, 360), (1280, 360)],
names=names,
view_img=True,
)
while cap.isOpened():
success, im0 = cap.read()
if not success:
break
tracks = model.track(im0, persist=True, show=False)
im0 = speed_obj.estimate_speed(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
Para mais informações, consulta a nossa publicação oficial no blogue.
Quais são as vantagens de utilizar o Ultralytics YOLOv8 para estimar a velocidade na gestão do tráfego?
A utilização do Ultralytics YOLOv8 para estimar a velocidade oferece vantagens significativas na gestão do tráfego:
- Segurança melhorada: Calcula com precisão as velocidades dos veículos para detetar o excesso de velocidade e melhorar a segurança rodoviária.
- Monitorização em tempo real: Beneficia da capacidade de deteção de objectos em tempo real do YOLOv8 para monitorizar eficazmente o fluxo de tráfego e o congestionamento.
- 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.
O YOLOv8 pode ser integrado noutras estruturas de IA, como o TensorFlow ou o PyTorch?
Sim, YOLOv8 pode ser integrado noutras estruturas de IA, como TensorFlow e PyTorch. Ultralytics suporta a exportação de modelos YOLOv8 para vários formatos, como ONNX, TensorRT e CoreML, assegurando uma interoperabilidade sem problemas com outras estruturas de ML.
Para exportar um modelo YOLOv8 para o formato ONNX :
Sabe mais sobre a exportação de modelos no nosso guia sobre exportação.
Qual é a precisão da estimativa de velocidade utilizando Ultralytics YOLOv8 ?
A precisão da estimativa de velocidade utilizando Ultralytics YOLOv8 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: 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.
Porquê escolher Ultralytics YOLOv8 em vez de outros modelos de deteção de objectos como TensorFlow Object Detection API?
Ultralytics YOLOv8 oferece várias vantagens em relação a outros modelos de deteção de objectos, como a API de deteção de objectos TensorFlow :
- Desempenho em tempo real: YOLOv8 está optimizado para deteção em tempo real, proporcionando elevada velocidade e precisão.
- Facilidade de utilização: Concebido com uma interface fácil de utilizar, o YOLOv8 simplifica a formação e a implementação do modelo.
- Versatilidade: Suporta várias tarefas, incluindo deteção de objectos, segmentação e estimativa de pose.
- Comunidade e suporte: YOLOv8 é apoiado por uma comunidade ativa e uma extensa documentação, garantindo que os programadores têm os recursos de que necessitam.
Para mais informações sobre os benefícios de YOLOv8, explora a nossa página de modelos detalhados.
Criado em 2024-01-05, Atualizado em 2024-07-05
Autores: glenn-jocher (7), IvorZhu331 (1), RizwanMunawar (2), Burhan-Q (1), AyushExel (1)