Meet YOLO26: next-gen vision AI.

Link to this sectionПодсчет объектов с помощью Ultralytics YOLO26#

Link to this sectionЧто такое подсчет объектов?#

Open Object Counting In Colab

Подсчет объектов с помощью Ultralytics YOLO26 включает точное определение и подсчет конкретных объектов на видео и в потоках с камер. Благодаря современным алгоритмам и возможностям глубинного обучения, YOLO26 отлично подходит для приложений реального времени, обеспечивая эффективный и точный подсчет объектов в различных сценариях, таких как анализ толпы и видеонаблюдение.



Watch: How to Perform Real-Time Object Counting with Ultralytics YOLO26 🚀

Link to this sectionПреимущества подсчета объектов#

  • Оптимизация ресурсов: Подсчет объектов способствует эффективному управлению ресурсами за счет предоставления точных данных, что помогает оптимизировать их распределение в таких приложениях, как управление запасами.
  • Повышенная безопасность: Подсчет объектов улучшает безопасность и видеонаблюдение за счет точного отслеживания и учета сущностей, помогая в проактивном обнаружении угроз.
  • Принятие обоснованных решений: Подсчет объектов предоставляет ценную аналитику для принятия решений, оптимизируя процессы в ритейле, управлении дорожным движением и многих других областях.

Link to this sectionРеальные сценарии применения#

ЛогистикаАквакультура
Подсчет пакетов на конвейерной ленте с помощью Ultralytics YOLO26Подсчет рыбы в море с помощью Ultralytics YOLO26
Подсчет пакетов на конвейерной ленте с помощью Ultralytics YOLO26Подсчет рыбы в море с помощью Ultralytics YOLO26
Подсчет объектов с помощью Ultralytics YOLO
# Run a counting example
yolo solutions count show=True

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

# Pass region coordinates
yolo solutions count region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]"

Аргумент region принимает либо две точки (для линии), либо многоугольник с тремя и более точками. Определи координаты в том порядке, в котором они должны быть соединены, чтобы счетчик точно знал, где происходят входы и выходы.

Link to this sectionАргументы ObjectCounter#

Ниже представлена таблица с аргументами ObjectCounter:

АргументТипПо умолчаниюОписание
modelstrNoneПуть к файлу модели Ultralytics YOLO.
show_inboolTrueФлаг для управления отображением входящих объектов в потоке видео.
show_outboolTrueФлаг для управления отображением выходящих объектов в потоке видео.
regionlist'[(20, 400), (1260, 400)]'Список точек, определяющих область подсчета.

Решение ObjectCounter позволяет использовать несколько аргументов track:

АргументТипПо умолчаниюОписание
trackerstr'botsort.yaml'Указывает алгоритм отслеживания, который следует использовать, например, bytetrack.yaml или botsort.yaml.
conffloat0.1Устанавливает порог уверенности для обнаружений; более низкие значения позволяют отслеживать больше объектов, но могут включать ложные срабатывания.
ioufloat0.7Устанавливает порог Intersection over Union (IoU) для фильтрации перекрывающихся обнаружений.
classeslistNoneФильтрует результаты по индексу класса. Например, classes=[0, 2, 3] отслеживает только указанные классы.
verboseboolTrueКонтролирует отображение результатов отслеживания, предоставляя визуальный вывод отслеживаемых объектов.
devicestrNoneУказывает устройство для вывода (например, cpu, cuda:0 или 0). Позволяет выбирать между CPU, конкретным GPU или другими вычислительными устройствами для выполнения модели.

Кроме того, поддерживаются указанные ниже аргументы визуализации:

АргументТипПо умолчаниюОписание
showboolFalseЕсли True, отображает аннотированные изображения или видео в окне. Полезно для немедленной визуальной обратной связи во время разработки или тестирования.
line_widthint or NoneNoneУказывает ширину линии ограничивающих рамок. Если None, ширина линии автоматически подстраивается под размер изображения. Обеспечивает визуальную настройку для ясности.
show_confboolTrueОтображает показатель уверенности для каждого обнаружения рядом с меткой. Дает представление об уверенности модели в каждом обнаружении.
show_labelsboolTrueОтображает метки для каждого обнаружения в визуальном выводе. Обеспечивает быстрое понимание того, какие объекты были обнаружены.

Link to this sectionFAQ#

Link to this sectionКак мне подсчитать объекты на видео с помощью Ultralytics YOLO26?#

Чтобы подсчитать объекты на видео с помощью Ultralytics YOLO26, выполни следующие действия:

  1. Импортируй необходимые библиотеки (cv2, ultralytics).
  2. Определи область подсчета (например, многоугольник, линию и т. д.).
  3. Настрой захват видео и инициализируй счетчик объектов.
  4. Обрабатывай каждый кадр для отслеживания объектов и их подсчета в пределах определенной области.

Вот простой пример подсчета в области:

import cv2

from ultralytics import solutions

def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    cap = cv2.VideoCapture(video_path)
    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 = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
    counter = solutions.ObjectCounter(show=True, region=region_points, model=model_path)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = counter(im0)
        video_writer.write(results.plot_im)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()

count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolo26n.pt")

Для более сложных конфигураций и опций ознакомься с решением RegionCounter для подсчета объектов в нескольких областях одновременно.

Link to this sectionКаковы преимущества использования Ultralytics YOLO26 для подсчета объектов?#

Использование Ultralytics YOLO26 для подсчета объектов дает несколько преимуществ:

  1. Оптимизация ресурсов: Это способствует эффективному управлению ресурсами за счет предоставления точных данных, помогая оптимизировать их распределение в таких отраслях, как управление запасами.
  2. Повышенная безопасность: Это улучшает безопасность и видеонаблюдение за счет точного отслеживания и учета сущностей, помогая в проактивном обнаружении угроз и работе систем безопасности.
  3. Принятие обоснованных решений: Это предоставляет ценную аналитику для принятия решений, оптимизируя процессы в таких областях, как ритейл, управление дорожным движением и других.
  4. Обработка в реальном времени: Архитектура YOLO26 обеспечивает инференс в реальном времени, что делает ее подходящей для потокового видео и приложений, критичных ко времени.

Для примеров реализации и практического применения изучи решение TrackZone для отслеживания объектов в конкретных зонах.

Link to this sectionКак я могу подсчитать конкретные классы объектов с помощью Ultralytics YOLO26?#

Чтобы подсчитать конкретные классы объектов с помощью Ultralytics YOLO26, тебе нужно указать интересующие тебя классы на этапе отслеживания. Ниже приведен пример на Python:

import cv2

from ultralytics import solutions

def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    cap = cv2.VideoCapture(video_path)
    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 = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    line_points = [(20, 400), (1080, 400)]
    counter = solutions.ObjectCounter(show=True, region=line_points, model=model_path, classes=classes_to_count)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = counter(im0)
        video_writer.write(results.plot_im)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()

count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolo26n.pt", [0, 2])

В этом примере classes_to_count=[0, 2] означает, что подсчитываются объекты классов 0 и 2 (например, человек и автомобиль в наборе данных COCO). Больше информации об индексах классов ты можешь найти в документации к набору данных COCO.

Link to this sectionПочему стоит использовать YOLO26, а не другие модели обнаружения объектов для приложений реального времени?#

Ultralytics YOLO26 предоставляет несколько преимуществ перед другими моделями обнаружения объектов, такими как Faster R-CNN, SSD и предыдущими версиями YOLO:

  1. Скорость и эффективность: YOLO26 предлагает возможности обработки в реальном времени, что делает его идеальным для приложений, требующих высокоскоростного инференса, таких как видеонаблюдение и автономное вождение.
  2. Точность: Он обеспечивает передовую точность в задачах обнаружения и отслеживания объектов, уменьшая количество ложных срабатываний и повышая общую надежность системы.
  3. Простота интеграции: YOLO26 предлагает бесшовную интеграцию с различными платформами и устройствами, включая мобильные и периферийные устройства, что критически важно для современных AI-приложений.
  4. Гибкость: Поддерживает различные задачи, такие как обнаружение объектов, сегментация и отслеживание с конфигурируемыми моделями для соответствия конкретным требованиям сценария использования.

Ознакомься с документацией Ultralytics YOLO26 для более глубокого изучения его функций и сравнения производительности.

Link to this sectionМогу ли я использовать YOLO26 для продвинутых задач, таких как анализ толпы и управление дорожным движением?#

Да, Ultralytics YOLO26 идеально подходит для продвинутых приложений, таких как анализ толпы и управление дорожным движением, благодаря своим возможностям обнаружения в реальном времени, масштабируемости и гибкости интеграции. Его расширенные функции позволяют выполнять высокоточное отслеживание, подсчет и классификацию объектов в динамических средах. Примеры вариантов использования:

  • Анализ толпы: Отслеживай и управляй большими скоплениями людей, обеспечивая безопасность и оптимизируя потоки людей с помощью регионального подсчета.
  • Управление дорожным движением: Отслеживай и подсчитывай транспортные средства, анализируй структуру трафика и управляй заторами в реальном времени с возможностями оценки скорости.
  • Ритейл-аналитика: Анализируй паттерны перемещения покупателей и взаимодействия с товарами для оптимизации планировки магазинов и улучшения клиентского опыта.
  • Промышленная автоматизация: Подсчитывай продукцию на конвейерных лентах и контролируй производственные линии для контроля качества и улучшения эффективности.

Для более специализированных применений изучи решения Ultralytics, представляющие собой комплексный набор инструментов, разработанных для решения реальных задач компьютерного зрения.

Комментарии