Оценка скорости с помощью Ultralytics YOLO26#
Что такое оценка скорости?#
Оценка скорости — это процесс вычисления скорости перемещения объекта в заданном контексте, который часто используется в приложениях компьютерного зрения. С помощью Ultralytics YOLO26 теперь можно вычислять скорость объектов, используя отслеживание объектов вместе с данными о расстоянии и времени. Это особенно важно для таких задач, как мониторинг дорожного движения и видеонаблюдение. Точность оценки скорости напрямую влияет на эффективность и надёжность различных приложений, поэтому она играет ключевую роль в развитии интеллектуальных систем и принятии решений в реальном времени.
Смотри: Оценка скорости с помощью Ultralytics YOLO26
Подробнее об оценке скорости читай в нашей статье: Ultralytics YOLO для оценки скорости в проектах компьютерного зрения
Преимущества оценки скорости#
- Эффективное управление дорожным движением: Точная оценка скорости помогает регулировать транспортные потоки, повышать безопасность и уменьшать заторы на дорогах.
- Точная автономная навигация: В автономных системах, таких как беспилотные автомобили, надёжная оценка скорости обеспечивает безопасное и точное управление движением автомобиля.
- Повышение безопасности видеонаблюдения: Оценка скорости при анализе видеонаблюдения помогает выявлять необычное поведение и потенциальные угрозы, повышая эффективность мер безопасности.
Применение в реальном мире#
| Транспорт | Транспорт |
|---|---|
 |  |
| Оценка скорости на дороге с помощью Ultralytics YOLO26 | Оценка скорости на мосту с помощью Ultralytics YOLO26 |
Скорость — это оценочное значение
Скорость является оценочным значением и может быть не совсем точной. Кроме того, результат оценки может зависеть от характеристик камеры и других факторов.
Оценка скорости с YOLO26#
Решение SpeedEstimator отслеживает каждый объект на протяжении нескольких кадров и преобразует его смещение в пикселях в скорость, используя частоту кадров видео (fps) и масштаб реального мира (meter_per_pixel). Настрой meter_per_pixel с учётом параметров камеры и используй max_speed, чтобы отсекать выбросы, возникающие из-за зашумлённых траекторий.
# Run a speed example
yolo solutions speed show=True
# Pass a source video
yolo solutions speed source="path/to/video.mp4"
# Adjust meter per pixel value based on camera configuration
yolo solutions speed meter_per_pixel=0.05Аргументы SpeedEstimator#
Вот таблица с аргументами SpeedEstimator:
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
model | str | None | Путь к файлу модели Ultralytics YOLO. |
fps | float | 30.0 | Количество кадров в секунду, используемое для расчёта скорости. |
max_hist | int | 5 | Максимальное количество исторических точек на объект для расчёта скорости и направления. |
meter_per_pixel | float | 0.05 | Коэффициент масштабирования для преобразования расстояния в пикселях в единицы реального мира. |
max_speed | int | 120 | Максимальная скорость в км/ч; более высокие расчётные значения ограничиваются этим пределом. |
line_width | int | 2 | Толщина линий рамок, ключевых точек и счётчиков, которые рисует решение. |
verbose | bool | True | Включает журнал решения для каждого кадра с указанием формы входных данных, количества объектов по классам и скорости обработки. Сам вызов отслеживания всегда выполняется без вывода сообщений. |
Решение SpeedEstimator позволяет использовать параметры track:
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Задаёт алгоритм отслеживания. Встроенные варианты: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Задаёт порог уверенности для обнаружений: при более низких значениях можно отслеживать больше объектов, но возрастает вероятность ложноположительных срабатываний. |
iou | float | 0.7 | Задаёт порог пересечения над объединением (IoU) для фильтрации перекрывающихся обнаружений. |
classes | list | None | Фильтрует результаты по индексу класса. Например, classes=[0, 2, 3] отслеживает только указанные классы. |
device | str | None | Задаёт устройство для инференса (например, cpu, cuda:0 или 0). Позволяет выбрать CPU, определённый GPU или другое вычислительное устройство для выполнения модели. |
imgsz | int or tuple | 640 | Целевой размер изображения для инференса: целое число для квадратного изображения или пара (height, width). Размеры корректируются с учётом шага модели. |
max_det | int | 300 | Максимальное количество обнаружений, сохраняемых в каждом кадре перед отслеживанием; ограничивает число объектов, обрабатываемых решением в насыщенных сценах. |
quantize | int or str | None | Точность инференса: 16 (FP16) или 32/unset (FP32) для моделей PyTorch и TorchScript не на CPU; для других форматов точность определяется артефактом модели и средой выполнения. Заменяет устаревший аргумент half. |
Также поддерживаются следующие параметры визуализации:
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
show | bool | False | Если True, показывает аннотированные изображения или видео в окне. Полезно для мгновенной визуальной проверки во время разработки или тестирования. |
show_labels | bool | True | Показывает метки каждой детекции на визуализации. Помогает сразу понять, какие объекты обнаружены. |
Часто задаваемые вопросы#
Оценка скорости объектов с помощью Ultralytics YOLO26 сочетает обнаружение объектов и отслеживание. Модель обнаруживает объекты в каждом кадре, отслеживает их между кадрами и преобразует пройденное расстояние в скорость, используя частоту кадров и масштаб
meter_per_pixel. Пример на Python выше запускает весь этот конвейер — передай видео и настройmeter_per_pixelс учётом параметров камеры. Подробнее читай в официальной статье в блоге.Использование Ultralytics YOLO26 для оценки скорости даёт значительные преимущества при управлении дорожным движением:
- Повышение безопасности: Точно оценивай скорость автомобилей, чтобы выявлять превышение скорости и повышать безопасность дорожного движения.
- Мониторинг в реальном времени: Используй возможности YOLO26 по обнаружению объектов в реальном времени для эффективного мониторинга транспортных потоков и заторов.
- Масштабируемость: Развёртывай модель на оборудовании разных типов — от периферийных устройств до серверов — и создавай гибкие масштабируемые решения для крупных проектов.
Больше вариантов применения смотри в разделе преимущества оценки скорости.
Да, YOLO26 можно интегрировать с другими фреймворками для ИИ, например TensorFlow и PyTorch. Ultralytics поддерживает экспорт моделей YOLO26 в различные форматы, такие как ONNX, TensorRT и CoreML, обеспечивая лёгкую совместимость с другими фреймворками машинного обучения.
Чтобы экспортировать модель YOLO26 в формат ONNX:
yolo export model=yolo26n.pt format=onnxПодробнее об экспорте моделей читай в нашем руководстве по экспорту.
Точность оценки скорости с помощью Ultralytics YOLO26 зависит от нескольких факторов, включая качество отслеживания объектов, разрешение и частоту кадров видео, а также условия окружающей среды. Оценщик скорости выдаёт надёжные результаты, но они могут быть не на 100% точными из-за различий в скорости обработки кадров и перекрытия объектов.
Примечание: Всегда учитывай погрешность и, по возможности, сверяй результаты с эталонными данными.
Советы по повышению точности смотри в разделе Аргументы
SpeedEstimator.