Ultralytics Soluções: Aproveite o YOLO11 para resolver problemas do mundo real

Ultralytics As soluções fornecem aplicações de ponta de modelos YOLO , oferecendo soluções reais como contagem de objectos, desfocagem e sistemas de segurança, melhorando a eficiência e a precisão em diversas indústrias. Descubra o poder do YOLO11 para implementações práticas e impactantes.

Ver: Como executar as soluções Ultralytics a partir da linha de comando (CLI) | Ultralytics YOLO11 🚀

Soluções

Aqui está a nossa lista de soluções Ultralytics que podem ser utilizadas para criar projectos fantásticos de visão computacional.

Contagem de objectos: Aprenda a efetuar a contagem de objectos em tempo real com o YOLO11. Obtenha os conhecimentos necessários para contar com precisão objectos em transmissões de vídeo em direto.
Recorte de objectos: Domine o recorte de objectos com o YOLO11 para uma extração precisa de objectos de imagens e vídeos.
Desfocagem de objectos: Aplicar a desfocagem de objectos utilizando YOLO11 para proteger a privacidade no processamento de imagens e vídeos.
Monitorização dos treinos: Descubra como monitorizar os treinos com o YOLO11. Aprenda a acompanhar e analisar várias rotinas de fitness em tempo real.
Contagem de objectos em regiões: Contar objectos em regiões específicas utilizando YOLO11 para uma deteção precisa em áreas variadas.
Sistema de alarme de segurança: Crie um sistema de alarme de segurança com o YOLO11 que dispara alertas ao detetar novos objectos. Personalize o sistema de acordo com as suas necessidades específicas.
Mapas de calor: Utilize mapas de calor de deteção para visualizar a intensidade dos dados numa matriz, fornecendo informações claras em tarefas de visão computacional.
Segmentação de instâncias com rastreamento de objetos: Implemente a segmentação de instâncias e o seguimento de objectos com o YOLO11 para obter limites precisos de objectos e monitorização contínua.
Mapeamento de objectos de visualização VisionEye: Desenvolver sistemas que imitem a focagem do olho humano em objectos específicos, melhorando a capacidade do computador para discernir e dar prioridade aos detalhes.
Estimativa de velocidade: Estimativa da velocidade do objeto utilizando YOLO11 e técnicas de localização de objectos, crucial para aplicações como veículos autónomos e monitorização do tráfego.
Cálculo de distâncias: Calcular distâncias entre objectos utilizando centróides de caixas delimitadoras no YOLO11, essencial para a análise espacial.
Gestão de filas de espera: Implementar sistemas eficientes de gestão de filas de espera para minimizar os tempos de espera e melhorar a produtividade utilizando o YOLO11.
Gestão de estacionamento: Organize e direccione o fluxo de veículos nas áreas de estacionamento com o YOLO11, optimizando a utilização do espaço e a experiência do utilizador.
Análises: Efetuar análises de dados abrangentes para descobrir padrões e tomar decisões informadas, tirando partido do YOLO11 para análises descritivas, preditivas e prescritivas.
Inferência em direto com Streamlit: Tire partido do poder do YOLO11 para a deteção de objectos em tempo real diretamente através do seu navegador Web com uma interface Streamlit de fácil utilização.
Rastrear objectos na zona 🚀 NOVO: Aprenda a rastrear objectos em zonas específicas de fotogramas de vídeo utilizando YOLO11 para uma monitorização precisa e eficiente.

Soluções Argumentos

Argumento	Tipo	Predefinição	Descrição
`model`	`str`	`None`	Caminho para o ficheiro do modelo Ultralytics YOLO .
`region`	`list`	`[(20, 400), (1260, 400)]`	Lista de pontos que definem a região de contagem.
`show_in`	`bool`	`True`	Sinalizador para controlar se as contagens de entrada devem ser apresentadas no fluxo de vídeo.
`show_out`	`bool`	`True`	Sinalizador para controlar se as contagens de saída devem ser apresentadas no fluxo de vídeo.
`analytics_type`	`str`	`line`	Tipo de gráfico, ou seja `line`, `bar`, `area`, ou `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	Mapa de cores a utilizar para o mapa de calor.
`json_file`	`str`	`None`	Caminho para o ficheiro JSON que contém todos os dados das coordenadas de estacionamento.
`up_angle`	`float`	`145.0`	Limiar de ângulo para a pose "para cima".
`kpts`	`list[int, int, int]`	`[6, 8, 10]`	Lista de pontos-chave utilizados para monitorizar os exercícios. Estes pontos-chave correspondem a articulações ou partes do corpo, como ombros, cotovelos e pulsos, para exercícios como flexões, flexões, agachamentos e exercícios abdominais.
`down_angle`	`float`	`90.0`	Limiar de ângulo para a pose "para baixo".
`blur_ratio`	`float`	`0.5`	Ajusta a percentagem da intensidade da desfocagem, com valores no intervalo `0.1 - 1.0`.
`crop_dir`	`str`	`"cropped-detections"`	Nome do diretório para armazenar as detecções cortadas.
`records`	`int`	`5`	Contagem total de detecções para acionar um e-mail com o sistema de alarme de segurança.
`vision_point`	`tuple[int, int]`	`(50, 50)`	O ponto em que a visão irá rastrear objectos e desenhar caminhos utilizando a solução VisionEye.
`tracker`	`str`	`'botsort.yaml'`	Especifica o algoritmo de seguimento a utilizar, por exemplo, `bytetrack.yaml` ou `botsort.yaml`.
`conf`	`float`	`0.3`	Define o limiar de confiança para as detecções; valores mais baixos permitem o seguimento de mais objectos, mas podem incluir falsos positivos.
`iou`	`float`	`0.5`	Define o limiar de Intersecção sobre União (IoU) para filtrar detecções sobrepostas.
`classes`	`list`	`None`	Filtra os resultados por índice de classe. Por exemplo, `classes=[0, 2, 3]` só rastreia as classes especificadas.
`verbose`	`bool`	`True`	Controla a apresentação dos resultados do seguimento, fornecendo uma saída visual dos objectos seguidos.
`device`	`str`	`None`	Especifica o dispositivo para inferência (por exemplo, `cpu`, `cuda:0` ou `0`). Permite aos utilizadores selecionar entre CPU, um GPU específico, ou outros dispositivos de computação para a execução do modelo.
`show`	`bool`	`False`	Se `True`apresenta as imagens ou vídeos anotados numa janela. Útil para feedback visual imediato durante o desenvolvimento ou teste.
`line_width`	`None or int`	`None`	Especifica a largura da linha das caixas delimitadoras. Se `None`A largura da linha é ajustada automaticamente com base no tamanho da imagem. Proporciona uma personalização visual para maior clareza.

Rastrear args

As soluções também apoiam alguns dos argumentos de trackincluindo parâmetros como conf, line_width, tracker, model, show, verbose e classes.

Argumento	Tipo	Predefinição	Descrição
`tracker`	`str`	`'botsort.yaml'`	Especifica o algoritmo de seguimento a utilizar, por exemplo, `bytetrack.yaml` ou `botsort.yaml`.
`conf`	`float`	`0.3`	Define o limiar de confiança para as detecções; valores mais baixos permitem o seguimento de mais objectos, mas podem incluir falsos positivos.
`iou`	`float`	`0.5`	Define o limiar de Intersecção sobre União (IoU) para filtrar detecções sobrepostas.
`classes`	`list`	`None`	Filtra os resultados por índice de classe. Por exemplo, `classes=[0, 2, 3]` só rastreia as classes especificadas.
`verbose`	`bool`	`True`	Controla a apresentação dos resultados do seguimento, fornecendo uma saída visual dos objectos seguidos.
`device`	`str`	`None`	Especifica o dispositivo para inferência (por exemplo, `cpu`, `cuda:0` ou `0`). Permite aos utilizadores selecionar entre CPU, um GPU específico, ou outros dispositivos de computação para a execução do modelo.

Utilização do SolutionAnnotator

Todas as soluções Ultralytics utilizam a classe separada SolutionAnnotator, que estende o principal Annotator e têm os seguintes métodos:

Método	Tipo de retorno	Descrição
`draw_region()`	`None`	Desenha uma região usando pontos, cores e espessura especificados.
`queue_counts_display()`	`None`	Apresenta as contagens de filas de espera na região especificada.
`display_analytics()`	`None`	Apresenta as estatísticas gerais da gestão do parque de estacionamento.
`estimate_pose_angle()`	`float`	Calcula o ângulo entre três pontos numa pose de objeto.
`draw_specific_points()`	`None`	Desenha pontos-chave específicos na imagem.
`plot_workout_information()`	`None`	Desenha uma caixa de texto rotulada na imagem.
`plot_angle_and_count_and_stage()`	`None`	Visualiza o ângulo, a contagem de passos e a etapa para monitorizar o treino.
`plot_distance_and_line()`	`None`	Apresenta a distância entre os centróides e liga-os com uma linha.
`display_objects_labels()`	`None`	Anota as caixas delimitadoras com etiquetas de classe de objeto.
`seg_bbox()`	`None`	Desenha contornos para objectos segmentados e, opcionalmente, rotula-os.
`sweep_annotator()`	`None`	Visualiza uma linha de varrimento vertical e uma etiqueta opcional.
`visioneye()`	`None`	Mapeia e liga os centróides dos objectos a um ponto visual "ocular".
`circle_label()`	`None`	Desenha um rótulo circular no lugar de uma caixa delimitadora.
`text_label()`	`None`	Desenha uma etiqueta retangular no lugar de uma caixa delimitadora.

Trabalho com SolutionResults

Todas as chamadas de soluções devolvem uma lista de SolutionResults que contêm informações completas sobre as soluções.

Para a contagem de objectos, os resultados incluem incounts, outcountse classwise_counts.

Resultados da solução

counter = solutions.ObjectCounter(
    show=True,  # display the output
    region=region_points,  # pass region points
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object counting with OBB model.
    # classes=[0, 2],           # count specific classes i.e. person and car with COCO pretrained model.
    # tracker="botsort.yaml"    # Choose trackers i.e "bytetrack.yaml"
)
results = counter.count(im0)
print(results.in_counts)  # display in_counts
print(results.out_counts)  # display out_counts

Para mais pormenores, consultar o SolutionResults documentação da classe.

Utilização de soluções via CLI

Informações de comando

A maioria das soluções pode ser utilizada diretamente através da interface de linha de comandos, incluindo:

Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference

Sintaxe

yolo SOLUTIONS SOLUTION_NAME ARGS

SOLUTIONS é uma palavra-chave obrigatória.
NOME_DA_SOLUÇÃO é um dos: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS (opcional) são personalizados arg=value pares, tais como show_in=True, para anular as predefinições.

yolo solutions count show=True # for object counting

yolo solutions source="path/to/video.mp4" # specify video file path

Contribuir para as nossas soluções

As contribuições da comunidade são bem-vindas! Se domina um aspeto específico de Ultralytics YOLO que ainda não foi abordado nas nossas soluções, encorajamo-lo a partilhar os seus conhecimentos. Escrever um guia é uma excelente forma de retribuir à comunidade e ajudar-nos a tornar a nossa documentação mais abrangente e fácil de utilizar.

Para começar, leia o nosso Guia de Contribuição para obter orientações sobre como abrir um Pull Request (PR) 🛠️. Esperamos ansiosamente pelas suas contribuições!

Vamos trabalhar juntos para tornar o ecossistema Ultralytics YOLO mais robusto e versátil 🙏!

FAQ

Como posso utilizar Ultralytics YOLO para a contagem de objectos em tempo real?

Ultralytics YOLO11 pode ser utilizado para a contagem de objectos em tempo real, tirando partido das suas capacidades avançadas de deteção de objectos. Pode seguir o nosso guia detalhado sobre Contagem de Objectos para configurar o YOLO11 para análise de fluxos de vídeo em direto. Basta instalar o YOLO11, carregar o seu modelo e processar os fotogramas de vídeo para contar objectos de forma dinâmica.

Quais são as vantagens de utilizar o Ultralytics YOLO para sistemas de segurança?

Ultralytics YOLO11 melhora os sistemas de segurança, oferecendo mecanismos de alerta e deteção de objectos em tempo real. Ao utilizar o YOLO11, é possível criar um sistema de alarme de segurança que dispara alertas quando são detectados novos objectos na área de vigilância. Saiba como configurar um sistema de alarme de segurança com YOLO11 para uma monitorização de segurança robusta.

Como é que Ultralytics YOLO pode melhorar os sistemas de gestão de filas de espera?

Ultralytics YOLO11 pode melhorar significativamente os sistemas de gestão de filas, contando e acompanhando com precisão as pessoas nas filas, ajudando assim a reduzir os tempos de espera e a otimizar a eficiência do serviço. Siga o nosso guia detalhado sobre gestão de filas de espera para saber como implementar o YOLO11 para uma monitorização e análise eficazes das filas de espera.

O site Ultralytics YOLO pode ser utilizado para monitorizar os exercícios?

Sim, o Ultralytics YOLO11 pode ser utilizado eficazmente para monitorizar os treinos, acompanhando e analisando as rotinas de fitness em tempo real. Isto permite uma avaliação precisa da forma e do desempenho do exercício. Explore o nosso guia sobre Monitorização de Treinos para saber como configurar um sistema de monitorização de treinos alimentado por IA utilizando YOLO11.

Como é que Ultralytics YOLO ajuda na criação de mapas de calor para a visualização de dados?

Ultralytics YOLO11 pode gerar mapas de calor para visualizar a intensidade dos dados numa determinada área, destacando regiões de elevada atividade ou interesse. Esse recurso é particularmente útil para entender padrões e tendências em várias tarefas de visão computacional. Saiba mais sobre como criar e usar mapas de calor com YOLO11 para análise e visualização de dados abrangentes.

📅C riado há 9 meses ✏️ Atualizado há 3 dias