Mapeamento de Objetos com VisionEye usando Ultralytics YOLO26 🚀#
O que é o Mapeamento de Objetos VisionEye?#
Ultralytics YOLO26 VisionEye oferece a capacidade para computadores identificarem e localizarem objetos com precisão, simulando a precisão de observação do olho humano. Essa funcionalidade permite que computadores discernam e se concentrem em objetos específicos, de forma muito parecida com a maneira que o olho humano observa detalhes a partir de um ponto de vista particular.
Mapeia objetos com YOLO26#
O VisionEye fixa um único ponto de observação no quadro e traça um raio dele para cada objeto rastreado, para que possas visualizar como uma cena se parece a partir de um ponto de vista. Define vision_point para as coordenadas de pixel do observador, depois executa a solução sobre o teu vídeo com a Python API ou a CLI.
# 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 do VisionEye#
Aqui tens uma tabela com os argumentos do 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 irá rastrear objetos e desenhar caminhos usando a VisionEye Solution. |
line_width | int | 2 | Espessura da linha para as caixas, pontos-chave e contagens que a solução desenha. |
verbose | bool | True | Ativa o registro por quadro da solução contendo formato de entrada, contagens de classes e velocidade de processamento. A chamada de rastreamento em si é sempre silenciosa. |
Também podes utilizar vários argumentos de track dentro da 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 que mais objetos sejam rastreados, mas podem incluir falsos positivos. |
iou | float | 0.7 | Define o limiar de Intersection over Union (IoU) para filtrar deteções sobrepostas. |
classes | list | None | Filtra resultados por índice de classe. Por exemplo, classes=[0, 2, 3] rastreia apenas as classes especificadas. |
device | str | None | Especifica o dispositivo para inferência (por exemplo, cpu, cuda:0 ou 0). Permite aos utilizadores selecionar entre CPU, uma GPU específica ou outros dispositivos de computação para a execução do modelo. |
Além disso, alguns argumentos de visualização são suportados, conforme listado abaixo:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
show | bool | False | Se True, exibe as imagens ou vídeos anotados em uma janela. Útil para feedback visual imediato durante o desenvolvimento ou teste. |
show_conf | bool | True | Exibe a pontuação de confiança para cada detecção ao lado do rótulo. Fornece uma visão sobre a certeza do modelo para cada detecção. |
show_labels | bool | True | Exibe rótulos para cada detecção na saída visual. Fornece compreensão imediata dos objetos detectados. |
Como o VisionEye funciona#
O VisionEye funciona estabelecendo um ponto de visão fixo no quadro e desenhando linhas a partir deste ponto para os objetos detectados. Isto simula como a visão humana foca em múltiplos objetos a partir de um único ponto de vista. A solução usa o object tracking para manter a identificação consistente de objetos entre quadros, criando uma representação visual da relação espacial entre o observador (ponto de visão) e os objetos na cena.
O método process na classe VisionEye realiza várias operações principais:
- Extrai rastreamentos (caixas delimitadoras, classes e máscaras) da imagem de entrada
- Cria um anotador para desenhar caixas delimitadoras e rótulos
- Para cada objeto detectado, desenha um rótulo de caixa e cria uma linha de visão a partir do ponto de visão
- Retorna a imagem anotada com estatísticas de rastreamento
Essa abordagem é particularmente útil para aplicações que exigem consciência espacial e visualização de relações entre objetos, como sistemas de vigilância, navegação autônoma e instalações interativas.
Aplicações do VisionEye#
O mapeamento de objetos VisionEye possui inúmeras aplicações práticas em vários setores:
- Segurança e Vigilância: Monitore múltiplos objetos de interesse a partir de uma posição fixa de câmera
- Análise de Varejo: Rastreie padrões de movimentação de clientes em relação a displays de loja
- Análise Esportiva: Analise o posicionamento e a movimentação dos jogadores a partir da perspectiva de um treinador
- Veículos Autônomos: Visualize como um veículo "enxerga" e prioriza objetos em seu ambiente
- Interação Humano-Computador: Crie interfaces mais intuitivas que respondem às relações espaciais
Ao combinar o VisionEye com outras soluções da Ultralytics como distance calculation ou speed estimation, podes construir sistemas abrangentes que não apenas rastreiam objetos mas também entendem as suas relações espaciais e comportamentos.
FAQ#
Para começar a usar o VisionEye Object Mapping com Ultralytics YOLO26, primeiro, precisarás de instalar o pacote Ultralytics YOLO via pip. Depois, podes usar o código de exemplo fornecido na documentação para configurar o object detection com o VisionEye. Eis um exemplo simples para te ajudar a começar:
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., YOLOv10 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 windowsO Ultralytics YOLO26 é conhecido pela sua velocidade, accuracy e facilidade de integração, tornando-o uma escolha de topo para mapeamento e rastreio de objetos. As principais vantagens incluem:
- Desempenho de Ponta: Oferece alta precisão na detecção de objetos em tempo real.
- Flexibilidade: Suporta deteção, rastreio e cálculo de distância num único pipeline.
- Comunidade e Suporte: Documentação extensa e comunidade ativa no GitHub para solução de problemas e melhorias.
- Facilidade de Uso: A API intuitiva simplifica tarefas complexas, permitindo implementação e iteração rápidas.
Para mais informações sobre aplicações e benefícios, consulta a Ultralytics YOLO26 documentation.
O Ultralytics YOLO26 pode integrar-se perfeitamente com várias ferramentas de machine learning como Comet e ClearML, melhorando o rastreio de experiências, a colaboração e a reprodutibilidade. Segue os guias detalhados sobre how to use YOLOv5 with Comet e integrate YOLO26 with ClearML para começar.
Para maior exploração e exemplos de integração, consulta o nosso Ultralytics Integrations Guide.