Подсчет объектов с помощью Ultralytics YOLO11

Что такое подсчет объектов?

Подсчет объектов с помощью Ultralytics YOLO11 включает в себя точную идентификацию и подсчет конкретных объектов в видео и потоках с камер. YOLO11 превосходит приложения реального времени, обеспечивая эффективный и точный подсчет объектов для различных сценариев, таких как анализ толпы и наблюдение, благодаря своим современным алгоритмам и возможностям глубокого обучения.

Смотреть: Подсчет объектов по классам с помощью Ultralytics YOLOv8

Преимущества подсчета объектов

• Оптимизация ресурсов: Подсчет объектов способствует эффективному управлению ресурсами, обеспечивая точный подсчет, оптимизируя распределение ресурсов в таких приложениях, как управление запасами.
• Повышенная безопасность: Подсчет объектов повышает уровень безопасности и наблюдения благодаря точному отслеживанию и подсчету объектов, что помогает в проактивном обнаружении угроз.
• Принятие обоснованных решений: Подсчет объектов дает ценные сведения для принятия решений, оптимизации процессов в розничной торговле, управлении дорожным движением и других сферах.

Применение в реальном мире

Логистика	Аквакультура
Подсчет пакетов на конвейерной ленте с использованием Ultralytics YOLO11	Подсчет рыбы в море с помощью Ultralytics YOLO11

# 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)]"

import cv2

from ultralytics import solutions

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

# region_points = [(20, 400), (1080, 400)]                                      # line counting
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]  # rectangle region
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)]   # polygon region

# 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("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize object counter object
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"
)

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

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = counter(im0)

    # print(results)  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

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

ObjectCounter Аргументы

Вот таблица с данными ObjectCounter аргументы:

Сайт ObjectCounter Решение позволяет использовать несколько track аргументы:

Кроме того, поддерживаются перечисленные ниже аргументы визуализации:

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как подсчитать объекты в видео с помощью Ultralytics YOLO11 ?

Чтобы подсчитать объекты на видео с помощью Ultralytics YOLO11 , выполните следующие действия:

1. Импортируйте необходимые библиотеки (cv2, ultralytics).
2. Определите область подсчета (например, многоугольник, линия и т.д.).
3. Настройте захват видео и инициализируйте счетчик объектов.
4. Обработка каждого кадра для отслеживания объектов и их подсчета в заданной области.

Вот простой пример для подсчета в регионе:

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", "yolo11n.pt")

Для более продвинутых конфигураций и опций обратите внимание на решение RegionCounter для подсчета объектов в нескольких регионах одновременно.

В чем преимущества использования Ultralytics YOLO11 для подсчета объектов?

Использование сайта Ultralytics YOLO11 для подсчета объектов имеет ряд преимуществ:

1. Оптимизация ресурсов: Он способствует эффективному управлению ресурсами, обеспечивая точные подсчеты, что помогает оптимизировать распределение ресурсов в таких отраслях, как управление запасами.
2. Повышенная безопасность: Она повышает уровень безопасности и наблюдения, точно отслеживая и подсчитывая объекты, помогая в проактивном обнаружении угроз и создании систем безопасности.
3. Обоснованное принятие решений: Предлагает ценные сведения для принятия решений, оптимизируя процессы в таких областях, как розничная торговля, управление дорожным движением и др.
4. Обработка в реальном времени: Архитектура YOLO11 позволяет делать выводы в режиме реального времени, что делает ее подходящей для работы с потоковым видео и чувствительными к времени приложениями.

В качестве примеров реализации и практического применения изучите решение TrackZone для отслеживания объектов в определенных зонах.

Как подсчитать определенные классы объектов с помощью Ultralytics YOLO11 ?

Чтобы подсчитать определенные классы объектов с помощью Ultralytics YOLO11 , необходимо указать интересующие вас классы на этапе отслеживания. Ниже приведен пример 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", "yolo11n.pt", [0, 2])

В данном примере, classes_to_count=[0, 2] означает, что он подсчитывает объекты класса 0 и 2 (например, человек и автомобиль в наборе данных COCO). Более подробную информацию об индексах классов вы можете найти в разделе Документация по набору данных COCO.

Почему для приложений реального времени следует использовать YOLO11 , а не другие модели обнаружения объектов?

Ultralytics YOLO11 обладает рядом преимуществ по сравнению с другими моделями обнаружения объектов, такими как Faster R-CNN, SSD и предыдущими версиями YOLO :

1. Скорость и эффективность: YOLO11 предлагает возможности обработки данных в режиме реального времени, что делает его идеальным для приложений, требующих высокоскоростных выводов, таких как видеонаблюдение и автономное вождение.
2. Точность: Обеспечивает высочайшую точность при решении задач обнаружения и отслеживания объектов, снижая количество ложных срабатываний и повышая общую надежность системы.
3. Простота интеграции: YOLO11 предлагает бесшовную интеграцию с различными платформами и устройствами, включая мобильные и пограничные устройства, что крайне важно для современных приложений искусственного интеллекта.
4. Гибкость: Поддержка различных задач, таких как обнаружение, сегментация и отслеживание объектов, с настраиваемыми моделями для удовлетворения конкретных требований к использованию.

Ознакомьтесь сдокументацией Ultralytics YOLO11 для более глубокого изучения его возможностей и сравнения производительности.

Можно ли использовать YOLO11 для таких продвинутых приложений, как анализ толпы и управление дорожным движением?

Да, Ultralytics YOLO11 идеально подходит для таких передовых приложений, как анализ толпы и управление дорожным движением, благодаря возможностям обнаружения в режиме реального времени, масштабируемости и гибкости интеграции. Его расширенные возможности позволяют с высокой точностью отслеживать, подсчитывать и классифицировать объекты в динамичных средах. Примеры использования включают:

• Анализ толпы: Контролируйте и управляйте большими собраниями, обеспечивая безопасность и оптимизируя потоки людей с помощью подсчета по регионам.
• Управление дорожным движением: Отслеживайте и подсчитывайте транспортные средства, анализируйте схемы движения и управляйте заторами в режиме реального времени с помощью функции оценки скорости.
• Аналитика розничной торговли: Анализ моделей движения покупателей и взаимодействия с товарами для оптимизации планировки магазинов и повышения качества обслуживания клиентов.
• Промышленная автоматизация: Учет продукции на конвейерных лентах и мониторинг производственных линий для контроля качества и повышения эффективности.

Для более специализированных приложений изучите решенияUltralytics Solutions - это полный набор инструментов, предназначенных для решения реальных задач компьютерного зрения.

📅 Создано 1 год назад ✏️ Обновлено 5 дней назад

Комментарии