Salta para o conteúdo

Mapeamento de objectos VisionEye View utilizando Ultralytics YOLOv8 🚀

O que é o mapeamento de objectos VisionEye?

Ultralytics YOLOv8 O VisionEye oferece a capacidade de os computadores identificarem e localizarem objectos, simulando a precisão de observação do olho humano. Esta funcionalidade permite aos computadores discernir e focar objectos específicos, de forma muito semelhante à forma como o olho humano observa os detalhes de um determinado ponto de vista.

Amostras

VisionEye View VisionEye View com seguimento de objectos VisionEye View com cálculo de distância
VisionEye Ver mapeamento de objectos utilizando Ultralytics YOLOv8 VisionEye View Object Mapping com Object Tracking usando Ultralytics YOLOv8 VisionEye View com cálculo de distância utilizando Ultralytics YOLOv8
VisionEye Ver mapeamento de objectos utilizando Ultralytics YOLOv8 VisionEye View Object Mapping com Object Tracking usando Ultralytics YOLOv8 VisionEye View com cálculo de distância utilizando Ultralytics YOLOv8

Mapeamento de objectos VisionEye utilizando YOLOv8

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

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))

out = cv2.VideoWriter("visioneye-pinpoint.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

center_point = (-10, h)

while True:
    ret, im0 = cap.read()
    if not ret:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = model.predict(im0)
    boxes = results[0].boxes.xyxy.cpu()
    clss = results[0].boxes.cls.cpu().tolist()

    annotator = Annotator(im0, line_width=2)

    for box, cls in zip(boxes, clss):
        annotator.box_label(box, label=names[int(cls)], color=colors(int(cls)))
        annotator.visioneye(box, center_point)

    out.write(im0)
    cv2.imshow("visioneye-pinpoint", im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolov8n.pt")
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))

out = cv2.VideoWriter("visioneye-pinpoint.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

center_point = (-10, h)

while True:
    ret, im0 = cap.read()
    if not ret:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    annotator = Annotator(im0, line_width=2)

    results = model.track(im0, persist=True)
    boxes = results[0].boxes.xyxy.cpu()

    if results[0].boxes.id is not None:
        track_ids = results[0].boxes.id.int().cpu().tolist()

        for box, track_id in zip(boxes, track_ids):
            annotator.box_label(box, label=str(track_id), color=colors(int(track_id)))
            annotator.visioneye(box, center_point)

    out.write(im0)
    cv2.imshow("visioneye-pinpoint", im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

import math

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator

model = YOLO("yolov8s.pt")
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))

out = cv2.VideoWriter("visioneye-distance-calculation.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

center_point = (0, h)
pixel_per_meter = 10

txt_color, txt_background, bbox_clr = ((0, 0, 0), (255, 255, 255), (255, 0, 255))

while True:
    ret, im0 = cap.read()
    if not ret:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    annotator = Annotator(im0, line_width=2)

    results = model.track(im0, persist=True)
    boxes = results[0].boxes.xyxy.cpu()

    if results[0].boxes.id is not None:
        track_ids = results[0].boxes.id.int().cpu().tolist()

        for box, track_id in zip(boxes, track_ids):
            annotator.box_label(box, label=str(track_id), color=bbox_clr)
            annotator.visioneye(box, center_point)

            x1, y1 = int((box[0] + box[2]) // 2), int((box[1] + box[3]) // 2)  # Bounding box centroid

            distance = (math.sqrt((x1 - center_point[0]) ** 2 + (y1 - center_point[1]) ** 2)) / pixel_per_meter

            text_size, _ = cv2.getTextSize(f"Distance: {distance:.2f} m", cv2.FONT_HERSHEY_SIMPLEX, 1.2, 3)
            cv2.rectangle(im0, (x1, y1 - text_size[1] - 10), (x1 + text_size[0] + 10, y1), txt_background, -1)
            cv2.putText(im0, f"Distance: {distance:.2f} m", (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 1.2, txt_color, 3)

    out.write(im0)
    cv2.imshow("visioneye-distance-calculation", im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

visioneye Argumentos

Nome Tipo Predefinição Descrição
color tuple (235, 219, 11) Cor do centróide da linha e do objeto
pin_color tuple (255, 0, 255) VisionEye cor exacta

Nota

Se tiveres dúvidas, não hesites em colocar as tuas questões na secçãoUltralytics ou na secção de discussão mencionada abaixo.

FAQ

Como é que começo a utilizar o mapeamento de objectos do VisionEye com Ultralytics YOLOv8 ?

Para começar a usar o mapeamento de objetos do VisionEye com Ultralytics YOLOv8 , primeiro, é necessário instalar o pacote Ultralytics YOLO via pip. Em seguida, podes utilizar o código de exemplo fornecido na documentação para configurar a deteção de objectos com o VisionEye. Aqui está um exemplo simples para começares:

import cv2

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model.predict(frame)
    for result in results:
        # Perform custom logic with result
        pass

    cv2.imshow("visioneye", frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Quais são as principais características da capacidade de localização de objectos da VisionEye utilizando Ultralytics YOLOv8 ?

O rastreio de objectos do VisionEye com Ultralytics YOLOv8 permite aos utilizadores seguir o movimento de objectos dentro de um quadro de vídeo. As principais características incluem:

  1. Seguimento de objectos em tempo real: Acompanha os objectos à medida que se movem.
  2. Identificação de objectos: Utiliza os poderosos algoritmos de deteção do YOLOv8.
  3. Cálculo de distâncias: Calcula as distâncias entre os objectos e os pontos especificados.
  4. Anotação e visualização: Fornece marcadores visuais para objetos rastreados.

Segue-se um breve excerto de código que demonstra o rastreio com o VisionEye:

import cv2

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model.track(frame, persist=True)
    for result in results:
        # Annotate and visualize tracking
        pass

    cv2.imshow("visioneye-tracking", frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Para obter um guia completo, visita o VisionEye Object Mapping with Object Tracking.

Como é que posso calcular distâncias com o modelo YOLOv8 do VisionEye?

O cálculo da distância com o VisionEye e Ultralytics YOLOv8 envolve a determinação da distância de objectos detectados a partir de um ponto especificado na imagem. Melhora as capacidades de análise espacial, úteis em aplicações como a condução autónoma e a vigilância.

Segue um exemplo simplificado:

import math

import cv2

from ultralytics import YOLO

model = YOLO("yolov8s.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
center_point = (0, 480)  # Example center point
pixel_per_meter = 10

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model.track(frame, persist=True)
    for result in results:
        # Calculate distance logic
        distances = [
            (math.sqrt((box[0] - center_point[0]) ** 2 + (box[1] - center_point[1]) ** 2)) / pixel_per_meter
            for box in results
        ]

    cv2.imshow("visioneye-distance", frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Para obter instruções detalhadas, consulta o VisionEye com cálculo de distância.

Por que razão devo utilizar Ultralytics YOLOv8 para mapeamento e localização de objectos?

Ultralytics YOLOv8 é conhecido pela sua velocidade, precisão e facilidade de integração, tornando-o uma escolha de topo para o mapeamento e localização de objectos. As principais vantagens incluem:

  1. Desempenho de última geração: Oferece uma elevada precisão na deteção de objectos em tempo real.
  2. Flexibilidade: Suporta várias tarefas, como a deteção, o seguimento e o cálculo da distância.
  3. Comunidade e suporte: Documentação extensa e comunidade GitHub ativa para resolução de problemas e melhorias.
  4. Facilidade de utilização: A API intuitiva simplifica tarefas complexas, permitindo uma rápida implementação e iteração.

Para mais informações sobre aplicações e benefícios, consulta a documentaçãoUltralytics YOLOv8 .

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

Ultralytics YOLOv8 pode integrar-se perfeitamente com várias ferramentas de aprendizagem automática, como Comet e ClearML, melhorando o acompanhamento de experiências, a colaboração e a reprodutibilidade. Segue os guias detalhados sobre como utilizar YOLOv5 com Comet e integrar YOLOv8 com ClearML para começar.

Para mais explorações e exemplos de integração, consulta o nosso Ultralytics Integrations Guide.



Criado em 2023-12-18, Atualizado em 2024-07-05
Autores: glenn-jocher (13), IvorZhu331 (1), RizwanMunawar (1)

Comentários