Por que devo utilizar Ultralytics YOLO26 para o mapeamento e rastreamento de objetos?

Ultralytics YOLO26 é reconhecido pela sua velocidade, precisão e facilidade de integração, o que faz dele uma excelente escolha para o mapeamento e rastreamento de objetos. As principais vantagens incluem: Desempenho de última geração: Oferece elevada precisão na deteção de objetos em tempo real. Flexibilidade: Suporta deteção, rastreamento e cálculo de distâncias num único pipeline. Comunidade e suporte: Documentação abrangente e uma comunidade ativa no GitHub para resolução de problemas e melhorias. Facilidade de utilização: A API intuitiva simplifica tarefas complexas, permitindo uma implementação e iteração rápidas. Para obteres mais informações sobre aplicações e vantagens, consulta a documentação do Ultralytics YOLO26.

Como posso integrar o VisionEye com outras ferramentas de aprendizagem automática, como Comet ou ClearML?

Ultralytics YOLO26 pode integrar-se facilmente com várias ferramentas de aprendizagem automática, como Comet e ClearML, melhorando o acompanhamento de experiências, a colaboração e a reprodutibilidade. Consulta os guias detalhados sobre como utilizar YOLOv5 com Comet e integrar YOLO26 com ClearML para começares. Para explorares mais exemplos de utilização e integração, consulta o nosso Guia de integrações da Ultralytics.

Mapeamento de Objetos de Visão VisionEye usando Ultralytics YOLO26#

O que é o mapeamento de objetos VisionEye?#

Ultralytics YOLO26 VisionEye oferece a capacidade de os computadores identificarem e localizarem objetos, simulando a precisão do olho humano. Esta funcionalidade permite que os computadores distingam e foquem objetos específicos, tal como o olho humano observa detalhes a partir de um determinado ponto de vista.

VisionEye object mapping with YOLO tracking

Mapeia objetos com YOLO26#

VisionEye fixa um único ponto de observação no fotograma e traça um raio desse ponto até cada objeto rastreado, para que possas visualizar como uma cena é vista a partir de um determinado ponto de vista. Define vision_point como as coordenadas dos píxeis do observador e, em seguida, executa a solução no teu vídeo com a API Python ou a CLI.

Mapeamento VisionEye usando Ultralytics YOLO

# Monitor objects position with visioneye
yolo solutions visioneye show=True

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

# Monitor the specific classes
yolo solutions visioneye classes="[0, 5]"

Argumentos de `VisionEye`#

Eis uma tabela com os argumentos de VisionEye:

Argumento	Tipo	Predefinição	Descrição
`model`	`str`	`None`	Caminho para um ficheiro de modelo YOLO da Ultralytics.
`vision_point`	`tuple[int, int]`	`(20, 20)`	O ponto onde a visão rastreia objetos e desenha trajetórias usando a solução VisionEye.
`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.

Também podes utilizar vários argumentos track na solução VisionEye:

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 compatíveis alguns argumentos de visualização, conforme indicado abaixo:

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.

Como funciona o VisionEye#

O VisionEye funciona estabelecendo um ponto de visão fixo no fotograma e traçando linhas desse ponto até aos objetos detetados. Isto simula a forma como a visão humana foca vários objetos a partir de um único ponto de vista. A solução utiliza o rastreamento de objetos para manter uma identificação consistente dos objetos entre fotogramas, criando uma representação visual da relação espacial entre o observador (ponto de visão) e os objetos na cena.

O método process na classe VisionEye executa várias operações fundamentais:

Extrai as trajetórias (caixas delimitadoras, classes e máscaras) da imagem de entrada
Cria um anotador para desenhar caixas delimitadoras e etiquetas
Para cada objeto detetado, desenha uma etiqueta de caixa e cria uma linha de visão a partir do ponto de visão
Devolve a imagem anotada com estatísticas de rastreamento

Esta abordagem é particularmente útil para aplicações que exigem perceção espacial e visualização das relações entre objetos, como sistemas de vigilância, navegação autónoma e instalações interativas.

Aplicações do VisionEye#

O mapeamento de objetos VisionEye tem inúmeras aplicações práticas em vários setores:

Segurança e vigilância: Monitoriza vários objetos de interesse a partir de uma posição fixa da câmara
Análise de retalho: Rastreia os padrões de movimento dos clientes em relação às exposições da loja
Análise desportiva: Analisa o posicionamento e o movimento dos jogadores a partir da perspetiva de um treinador
Veículos autónomos: Visualiza como um veículo "vê" e prioriza objetos no seu ambiente
Interação homem-computador: Cria interfaces mais intuitivas que respondem às relações espaciais

Ao combinar o VisionEye com outras soluções da Ultralytics, como o cálculo de distâncias ou a estimativa de velocidade, podes criar sistemas abrangentes que não só rastreiam objetos, mas também compreendem as suas relações espaciais e comportamentos.

Perguntas frequentes#

Para começares a utilizar o mapeamento de objetos VisionEye com Ultralytics YOLO26, primeiro tens de instalar o pacote Ultralytics YOLO através do pip. Depois, podes utilizar o código de exemplo fornecido na documentação para configurar a deteção de objetos com o VisionEye. Aqui tens um exemplo simples para começares:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
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("vision-eye-mapping.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init vision eye object
visioneye = solutions.VisionEye(
    show=True,  # display the output
    model="yolo26n.pt",  # use any model that Ultralytics supports, e.g., yolo26s.pt
    classes=[0, 2],  # generate visioneye view for specific classes
)

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

    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = visioneye(im0)

    print(results)  # access the output

    video_writer.write(results.plot_im)  # write the video file

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

Ultralytics YOLO26 é reconhecido pela sua velocidade, precisão e facilidade de integração, o que faz dele uma excelente escolha para o mapeamento e rastreamento de objetos. As principais vantagens incluem:
1. Desempenho de última geração: Oferece elevada precisão na deteção de objetos em tempo real.
2. Flexibilidade: Suporta deteção, rastreamento e cálculo de distâncias num único pipeline.
3. Comunidade e suporte: Documentação abrangente e uma comunidade ativa no GitHub para resolução de problemas e melhorias.
4. Facilidade de utilização: A API intuitiva simplifica tarefas complexas, permitindo uma implementação e iteração rápidas.
Para obteres mais informações sobre aplicações e vantagens, consulta a documentação do Ultralytics YOLO26.
Ultralytics YOLO26 pode integrar-se facilmente com várias ferramentas de aprendizagem automática, como Comet e ClearML, melhorando o acompanhamento de experiências, a colaboração e a reprodutibilidade. Consulta os guias detalhados sobre como utilizar YOLOv5 com Comet e integrar YOLO26 com ClearML para começares.

Para explorares mais exemplos de utilização e integração, consulta o nosso Guia de integrações da Ultralytics.

Contribuidores

GLglenn-jocher²³ RAraimbekovm⁷ RIRizwanMunawar⁵ MAMatthewNoyce¹ IVIvorZhu331¹

Criado 18 de dez. de 2023Atualizado há 3 dias