Оценка скорости с использованием Ultralytics YOLO26#
Что такое оценка скорости?#
Оценка скорости — это процесс вычисления скорости движения объекта в заданном контексте, который часто применяется в задачах компьютерного зрения. С помощью Ultralytics YOLO26 теперь можно вычислять скорость объектов, используя отслеживание объектов вместе с данными о расстоянии и времени, что крайне важно для таких задач, как мониторинг дорожного движения и видеонаблюдение. Точность оценки скорости напрямую влияет на эффективность и надёжность различных приложений, делая её ключевым компонентом развития интеллектуальных систем и принятия решений в реальном времени.
Watch: Speed Estimation using Ultralytics YOLO26
Чтобы глубже разобраться в оценке скорости, ознакомься с нашей публикацией в блоге: Ultralytics YOLO для оценки скорости в проектах компьютерного зрения
Преимущества оценки скорости#
- Эффективное управление дорожным движением: точная оценка скорости помогает управлять транспортным потоком, повышать безопасность и уменьшать заторы на дорогах.
- Точная автономная навигация: в автономных системах, таких как беспилотные автомобили, надёжная оценка скорости обеспечивает безопасную и точную навигацию транспортных средств.
- Повышение безопасности видеонаблюдения: оценка скорости в аналитике видеонаблюдения помогает выявлять необычное поведение или потенциальные угрозы, повышая эффективность мер безопасности.
Примеры использования в реальном мире#
| Транспорт | Транспорт |
|---|---|
 |  |
| Оценка скорости на дороге с использованием Ultralytics YOLO26 | Оценка скорости на мосту с использованием Ultralytics YOLO26 |
Скорость является оценочным значением
Скорость является оценочным значением и может быть не полностью точной. Кроме того, оценка может зависеть от характеристик камеры и других связанных факторов.
Оценка скорости с помощью YOLO26#
Решение SpeedEstimator отслеживает каждый объект между кадрами и преобразует его перемещение в пикселях в скорость, используя частоту кадров видео (fps) и масштаб реального мира (meter_per_pixel). Настрой meter_per_pixel под параметры своей камеры и используй max_speed, чтобы ограничить выбросы в зашумленных траекториях.
# 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 для каждого объекта, используемое при расчёте скорости и направления. |
meter_per_pixel | float | 0.05 | Масштабный коэффициент для преобразования расстояния в пикселях в единицы реального мира. |
max_speed | int | 120 | Максимальное ограничение скорости на визуальных наложениях (используется в оповещениях). |
line_width | int | 2 | Толщина линий для рамок, ключевых точек и счётчиков, которые рисует решение. |
verbose | bool | True | Включает покадровый журнал решения с указанием формы входных данных, количества классов и скорости обработки. Сам вызов отслеживания всегда выполняется без вывода. |
Решение SpeedEstimator позволяет использовать параметры track:
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Определяет используемый алгоритм отслеживания. Встроенные варианты: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Задаёт порог уверенности для детекций: более низкие значения позволяют отслеживать больше объектов, но могут включать ложноположительные результаты. |
iou | float | 0.7 | Задаёт порог пересечения над объединением (IoU) для фильтрации перекрывающихся детекций. |
classes | list | None | Фильтрует результаты по индексу класса. Например, classes=[0, 2, 3] отслеживает только указанные классы. |
device | str | None | Определяет устройство для инференса (например, cpu, cuda:0 или 0). Позволяет выбрать CPU, конкретный GPU или другое вычислительное устройство для выполнения модели. |
imgsz | int or tuple | 640 | Целевой размер изображения для вывода: целое число для квадрата или пара (height, width). Формы подстраиваются под шаг модели. |
max_det | int | 300 | Максимальное количество обнаружений, сохраняемых на кадр перед трекингом, ограничивает объекты, обрабатываемые решением в плотных сценах. |
quantize | int or str | None | Точность вывода: 16 (FP16) или 32/не задано (FP32) для моделей PyTorch и TorchScript; остальные форматы выполняют вычисления с точностью, выбранной их артефактом и средой выполнения. Заменяет устаревший флаг half. |
Кроме того, поддерживаются следующие параметры визуализации:
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
show | bool | False | Если True, аннотированные изображения или видео отображаются в окне. Это полезно для получения визуальной обратной связи в процессе разработки или тестирования. |
show_conf | bool | True | Отображает показатель уверенности для каждой детекции рядом с её меткой. Показывает, насколько модель уверена в каждой детекции. |
show_labels | bool | True | Отображает метки каждой детекции в визуальном результате. Даёт непосредственное представление об обнаруженных объектах. |
Часто задаваемые вопросы#
Оценка скорости объекта с помощью Ultralytics YOLO26 объединяет обнаружение объектов и отслеживание. Модель обнаруживает объекты в каждом кадре, отслеживает их между кадрами и преобразует пройденное между кадрами расстояние в скорость, используя частоту кадров и масштаб
meter_per_pixel. Приведённый выше пример на Python запускает весь этот конвейер — передай ему своё видео и настройmeter_per_pixelпод параметры камеры. Дополнительные сведения можно найти в нашей официальной публикации в блоге.Использование Ultralytics YOLO26 для оценки скорости даёт значительные преимущества при управлении дорожным движением:
- Повышение безопасности: точно оценивай скорость транспортных средств, чтобы выявлять превышение скорости и повышать безопасность на дорогах.
- Мониторинг в реальном времени: используй возможности YOLO26 по обнаружению объектов в реальном времени для эффективного контроля транспортного потока и заторов.
- Масштабируемость: разворачивай модель на различных конфигурациях оборудования — от периферийных устройств до серверов, обеспечивая гибкие и масштабируемые решения для крупномасштабных внедрений.
Другие варианты применения смотри в разделе преимущества оценки скорости.
Да, YOLO26 можно интегрировать с другими AI-фреймворками, такими как TensorFlow и PyTorch. Ultralytics поддерживает экспорт моделей YOLO26 в различные форматы, такие как ONNX, TensorRT и CoreML, обеспечивая беспроблемную совместимость с другими ML-фреймворками.
Чтобы экспортировать модель YOLO26 в формат ONNX:
yolo export model=yolo26n.pt format=onnxПодробнее об экспорте моделей смотри в нашем руководстве по экспорту.
Точность оценки скорости с использованием Ultralytics YOLO26 зависит от нескольких факторов, включая качество отслеживания объектов, разрешение и частоту кадров видео, а также условия окружающей среды. Хотя оценщик скорости предоставляет надёжные оценки, они могут быть не абсолютно точными из-за различий в скорости обработки кадров и перекрытия объектов.
Примечание: всегда учитывай погрешность и по возможности проверяй оценки по данным истинных значений.
Чтобы узнать о дополнительных способах повысить точность, смотри раздел «Аргументы
SpeedEstimator».