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.

Преимущества подсчета объектов?

• Оптимизация ресурсов: Подсчет объектов способствует эффективному управлению ресурсами, обеспечивая точные подсчеты и 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/file.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/file.mp4")
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))

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

# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init Object Counter
counter = solutions.ObjectCounter(
    show=True,  # Display the output
    region=region_points,  # Pass region points
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object counting using YOLO11 OBB model.
    # classes=[0, 2],  # If you want to count specific classes i.e person and car with COCO pretrained model.
    # show_in=True,  # Display in counts
    # show_out=True,  # Display out counts
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

# 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
    im0 = counter.count(im0)
    video_writer.write(im0)

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

Аргумент ObjectCounter

Вот таблица с данными ObjectCounter аргументы:

Аргументы model.track

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 video processing has been successfully completed.")
            break
        im0 = counter.count(im0)
        video_writer.write(im0)

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


count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolo11n.pt")

Дополнительные конфигурации и опции описаны в разделе Подсчет объектов.

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: Он повышает уровень безопасности и наблюдения, точно отслеживая и подсчитывая объекты, что способствует проактивному обнаружению угроз.
3. Обоснованное принятие решений: Предлагает ценные сведения для принятия решений, оптимизируя процессы в таких областях, как розничная торговля, управление дорожным движением и др.

Реальные приложения и примеры кода можно найти в разделе Преимущества подсчета объектов.

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 video processing has been successfully completed.")
            break
        im0 = counter.count(im0)
        video_writer.write(im0)

    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]что означает, что он считает объекты класса 0 и 2 (например, человек и автомобиль).

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

Ultralytics YOLO11 обеспечивает ряд 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 наблюдение 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 граничные 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 скоплениями людей, обеспечивая безопасность и оптимизируя потоки людей.
• Управление дорожным движением: Отслеживайте и подсчитывайте количество автомобилей, анализируйте схемы движения и управляйте заторами в режиме реального времени.

Более подробную информацию и детали реализации см. в руководстве по применению подсчета объектов в реальных условиях с помощью YOLO11.

📅 Создано 1 год назад ✏️ Обновлено 17 дней назад

Комментарии