Оценка скорости с помощью Ultralytics YOLO11 🚀

Что такое оценка скорости?

Оценка скорости - это процесс вычисления скорости движения объекта в заданном контексте, часто используемый в приложениях компьютерного зрения. Использование Ultralytics YOLO11 вы можете рассчитать скорость объектов, используя отслеживание объектов наряду с данными о расстоянии и времени, что очень важно для таких задач, как мониторинг и наблюдение за дорожным движением. Точность оценки скорости напрямую влияет на эффективность и надежность различных приложений, что делает ее ключевым компонентом в развитии интеллектуальных систем и процессов принятия решений в реальном времени.

Смотреть: Оценка скорости с помощью Ultralytics YOLO11

Преимущества оценки скорости

• Эффективное управление дорожным движением: Точная оценка скорости помогает управлять транспортным потоком, повышает безопасность и уменьшает заторы на дорогах.
• Точная автономная навигация: В автономных системах, таких как самоуправляемые автомобили, надежная оценка скорости обеспечивает безопасную и точную навигацию транспортного средства.
• Повышенная безопасность наблюдения: Оценка скорости в аналитике наблюдения помогает выявить необычное поведение или потенциальные угрозы, повышая эффективность мер безопасности.

Применение в реальном мире

Транспорт	Транспорт
Оценка скорости на дороге с помощью Ultralytics YOLO11	Оценка скорости на мосту с помощью Ultralytics YOLO11

# 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=0.05

import cv2

from ultralytics import solutions

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

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

# Initialize speed estimation object
speedestimator = solutions.SpeedEstimator(
    show=True,  # display the output
    model="yolo11n.pt",  # path to the YOLO11 model file.
    fps=fps,  # adjust speed based on frame per second
    # max_speed=120,  # cap speed to a max value (km/h) to avoid outliers
    # max_hist=5,  # minimum frames object tracked before computing speed
    # meter_per_pixel=0.05,  # highly depends on the camera configuration
    # classes=[0, 2],  # estimate speed of specific classes.
    # line_width=2,  # adjust the line width for bounding boxes
)

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

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

    results = speedestimator(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

SpeedEstimator Аргументы

Вот таблица с данными SpeedEstimator аргументы:

Сайт SpeedEstimator решение позволяет использовать track параметры:

Кроме того, поддерживаются следующие варианты визуализации:

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как оценить скорость объекта с помощью Ultralytics YOLO11 ?

Оценка скорости объекта с помощью Ultralytics YOLO11 предполагает сочетание методов обнаружения и отслеживания объектов. Сначала необходимо обнаружить объекты в каждом кадре с помощью модели YOLO11 . Затем отследить эти объекты по кадрам, чтобы рассчитать их перемещение во времени. Наконец, используйте расстояние, пройденное объектом между кадрами, и частоту кадров, чтобы оценить его скорость.

Пример:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
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("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize SpeedEstimator
speedestimator = solutions.SpeedEstimator(
    model="yolo11n.pt",
    show=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = speedestimator(im0)
    video_writer.write(results.plot_im)

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

Более подробную информацию можно найти в нашем официальном блоге.

Каковы преимущества использования Ultralytics YOLO11 для оценки скорости при управлении дорожным движением?

Использование Ultralytics YOLO11 для оценки скорости дает значительные преимущества в управлении дорожным движением:

• Повышенная безопасность: Точная оценка скорости автомобиля для выявления превышения скорости и повышения безопасности дорожного движения.
• Мониторинг в реальном времени: Воспользуйтесь функцией обнаружения объектов в режиме реального времени на сайте YOLO11 для эффективного мониторинга транспортных потоков и заторов.
• Масштабируемость: Развертывание модели на различных аппаратных установках, от пограничных устройств до серверов, обеспечивает гибкие и масштабируемые решения для крупномасштабных внедрений.

Другие варианты применения см. в разделе "Преимущества оценки скорости".

Можно ли интегрировать YOLO11 с другими ИИ-фреймворками, такими как TensorFlow или PyTorch?

Да, YOLO11 можно интегрировать с другими AI-фреймворками, такими как TensorFlow и PyTorch. Ultralytics поддерживает экспорт моделей YOLO11 в различные форматы, такие как ONNX, TensorRTи CoreMLи CoreML, обеспечивая совместимость с другими ML-фреймворками.

Чтобы экспортировать модель YOLO11 в формат ONNX , выполните следующие действия:

yolo export --weights yolo11n.pt --include onnx

Узнайте больше об экспорте моделей в нашем руководстве по экспорту.

Насколько точна оценка скорости с помощью Ultralytics YOLO11 ?

Точность оценки скорости с помощью Ultralytics YOLO11 зависит от нескольких факторов, включая качество отслеживания объектов, разрешение и частоту кадров видео, а также переменные окружающей среды. Несмотря на то, что программа оценки скорости дает надежные оценки, она может быть не на 100% точной из-за различий в скорости обработки кадров и окклюзии объектов.

Примечание: Всегда учитывайте погрешность и, по возможности, проверяйте оценки с помощью наземных данных.

Дополнительные советы по улучшению точности можно найти в разделе Аргументы SpeedEstimator раздел.

📅 Создано 1 год назад ✏️ Обновлено 10 дней назад

Комментарии