Подсчет объектов с помощью Ultralytics YOLOv8

Что такое подсчет объектов?

Подсчет объектов с помощью Ultralytics YOLOv8 включает в себя точную идентификацию и подсчет конкретных объектов в видео и потоках с камер. YOLOv8 отлично подходит для приложений 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 точный подсчет и оптимизируя распределение ресурсов в таких приложениях, как управление запасами.
• Повышенная безопасность: Подсчет объектов повышает уровень безопасности и наблюдения, поскольку позволяет точно отслеживать и подсчитывать объекты, что способствует проактивному обнаружению угроз.
• Принятие обоснованных решений: Подсчет объектов дает ценные знания для принятия решений, оптимизации процессов в розничной торговле, управлении трафиком и различных других сферах.

Применение в реальном мире

Логистика	Аквакультура
Подсчет пакетов на конвейерной ленте с помощью Ultralytics YOLOv8	Подсчет рыбы в море с помощью Ultralytics YOLOv8

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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, 404), (1080, 360), (20, 360)]

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

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=region_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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 as a polygon with 5 points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360), (20, 400)]

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

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=region_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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 line points
line_points = [(20, 400), (1080, 400)]

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

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=line_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

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

line_points = [(20, 400), (1080, 400)]  # line or region points
classes_to_count = [0, 2]  # person and car classes for count

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

# Init Object Counter
counter = solutions.ObjectCounter(
    view_img=True,
    reg_pts=line_points,
    names=model.names,
    draw_tracks=True,
    line_thickness=2,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False, classes=classes_to_count)

    im0 = counter.start_counting(im0, tracks)
    video_writer.write(im0)

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

Аргумент ObjectCounter

Вот таблица с ObjectCounter аргументы:

Аргументы model.track

ВОПРОСЫ И ОТВЕТЫ

Как считать объекты в видео с помощью Ultralytics YOLOv8 ?

Чтобы посчитать объекты на видео с помощью Ultralytics YOLOv8 , выполни следующие шаги:

1. Импортируй необходимые библиотеки (cv2, ultralytics).
2. Загрузи предварительно обученную модель YOLOv8 .
3. Определи область подсчета (например, многоугольник, линия и т.д.).
4. Настрой видеозахват и инициализируй счетчик объектов.
5. Обрабатывай каждый кадр, чтобы отследить объекты и сосчитать их в пределах заданной области.

Вот простой пример для подсчета в регионе:

import cv2

from ultralytics import YOLO, solutions


def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    model = YOLO(model_path)
    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))
    region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
    counter = solutions.ObjectCounter(
        view_img=True, reg_pts=region_points, names=model.names, draw_tracks=True, line_thickness=2
    )

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        tracks = model.track(im0, persist=True, show=False)
        im0 = counter.start_counting(im0, tracks)
        video_writer.write(im0)

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


count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolov8n.pt")

Изучи больше настроек и опций в разделе " Подсчет объектов ".

В чем преимущества использования Ultralytics YOLOv8 для подсчета объектов?

Использование Ultralytics YOLOv8 для подсчета объектов дает несколько 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 помогает в проактивном обнаружении угроз.
3. Осознанное принятие решений: Он предлагает ценные сведения для принятия решений, оптимизируя процессы в таких областях, как розничная торговля, управление дорожным движением и многое другое.

О реальных приложениях и примерах кода читай в разделе " Преимущества подсчета объектов ".

Как подсчитать определенные классы объектов с помощью Ultralytics YOLOv8 ?

Чтобы подсчитать конкретные классы объектов с помощью Ultralytics YOLOv8 , тебе нужно указать интересующие тебя классы на этапе отслеживания. Ниже приведен пример Python :

import cv2

from ultralytics import YOLO, solutions


def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    model = YOLO(model_path)
    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))
    line_points = [(20, 400), (1080, 400)]
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
    counter = solutions.ObjectCounter(
        view_img=True, reg_pts=line_points, names=model.names, draw_tracks=True, line_thickness=2
    )

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or video processing has been successfully completed.")
            break
        tracks = model.track(im0, persist=True, show=False, classes=classes_to_count)
        im0 = counter.start_counting(im0, tracks)
        video_writer.write(im0)

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


count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolov8n.pt", [0, 2])

В этом примере, classes_to_count=[0, 2]что означает, что он считает объекты класса 0 и 2 (например, человек и машина).

Почему я должен использовать YOLOv8 вместо других моделей обнаружения объектов для приложений реального времени?

Ultralytics YOLOv8 обеспечивает несколько преимуществ по сравнению с другими моделями обнаружения объектов, такими как Faster R-CNN, SSD и предыдущими версиями YOLO :

1. Скорость и эффективность: YOLOv8 предлагает возможности обработки данных в реальном времени, что делает его идеальным для приложений, требующих высокоскоростных выводов, таких как наблюдение и автономное вождение.
2. Точность: Она обеспечивает современную точность при выполнении задач по обнаружению и отслеживанию объектов, снижая количество ложных срабатываний и повышая общую надежность системы.
3. Простота интеграции: YOLOv8 предлагает бесшовную интеграцию с различными платформами и устройствами, включая мобильные и edge-устройства, что крайне важно для современных AI-приложений.
4. Гибкость: Поддерживает различные задачи, такие как обнаружение, сегментация и отслеживание объектов, с помощью настраиваемых моделей для удовлетворения конкретных требований к использованию.

Загляни на Ultralytics YOLOv8 Documentation, чтобы глубже погрузиться в его возможности и сравнить производительность.

Можно ли использовать YOLOv8 для продвинутых приложений вроде анализа толпы и управления трафиком?

Да, Ultralytics YOLOv8 отлично подходит для таких продвинутых приложений, как анализ толпы и управление трафиком, благодаря возможностям обнаружения в реальном времени, масштабируемости и гибкости интеграции. Его продвинутые функции позволяют с высокой точностью отслеживать, подсчитывать и классифицировать объекты в динамичных средах. Примеры использования включают:

• Анализ толпы: Контролируй и управляй большими скоплениями людей, обеспечивая безопасность и оптимизируя поток толпы.
• Управление дорожным движением: Отслеживай и считай автомобили, анализируй схемы движения и управляй заторами в режиме реального времени.

За дополнительной информацией и деталями реализации обращайся к руководству по применению подсчета объектов в реальном мире с помощью YOLOv8.

Комментарии