Оценка скорости с помощью Ultralytics YOLOv8 🚀.

Что такое оценка скорости?

Оценка скорости - это процесс вычисления скорости движения объекта в заданном контексте, часто используемый в приложениях компьютерного зрения. С помощью Ultralytics YOLOv8 ты можешь рассчитать скорость объекта, используя отслеживание объекта наряду с данными о расстоянии и времени, что крайне важно для таких задач, как 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.

Смотри: Оценка скорости с помощью Ultralytics YOLOv8

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 YOLOv8	Оценка скорости на мосту с помощью Ultralytics YOLOv8

import cv2

from ultralytics import YOLO, solutions

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

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))

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

line_pts = [(0, 360), (1280, 360)]

# Init speed-estimation obj
speed_obj = solutions.SpeedEstimator(
    reg_pts=line_pts,
    names=names,
    view_img=True,
)

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 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

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

Аргументы SpeedEstimator

Аргументы model.track

ВОПРОСЫ И ОТВЕТЫ

Как оценить скорость объекта с помощью Ultralytics YOLOv8 ?

Оценка скорости движения объекта с помощью Ultralytics YOLOv8 предполагает объединение методов обнаружения и отслеживания объектов. Сначала тебе нужно обнаружить объекты в каждом кадре с помощью модели YOLOv8 . Затем отследить эти объекты по кадрам, чтобы рассчитать их перемещение во времени. Наконец, используй расстояние, пройденное объектом между кадрами, и частоту кадров, чтобы оценить его скорость.

Пример:

import cv2

from ultralytics import YOLO, solutions

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

cap = cv2.VideoCapture("path/to/video/file.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
speed_obj = solutions.SpeedEstimator(
    reg_pts=[(0, 360), (1280, 360)],
    names=names,
    view_img=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

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

Более подробную информацию ты можешь найти в нашем официальном блоге.

В чем преимущества использования Ultralytics YOLOv8 для оценки скорости при управлении дорожным движением?

Использование Ultralytics YOLOv8 для оценки скорости дает значительные преимущества в управлении дорожным движением:

• Повышенная безопасность: Точно оценивай скорость автомобиля, чтобы выявить превышение скорости и повысить безопасность на дорогах.
• Мониторинг в реальном времени: Используй возможности YOLOv8 по обнаружению объектов в реальном времени, чтобы эффективно контролировать транспортный поток и заторы.
• Масштабируемость: Разверни модель на различных аппаратных установках, от пограничных устройств до серверов, обеспечивая гибкие и масштабируемые решения для масштабных внедрений.

О других вариантах применения смотри раздел " Преимущества оценки скорости".

Можно ли интегрировать YOLOv8 с другими AI-фреймворками, такими как TensorFlow или PyTorch?

Да, YOLOv8 может быть интегрирован с другими AI-фреймворками, такими как TensorFlow и PyTorch. Ultralytics обеспечивает поддержку экспорта YOLOv8 -моделей в различные форматы, такие как ONNX, TensorRT и CoreML, обеспечивая беспроблемное взаимодействие с другими ML-фреймворками.

Чтобы экспортировать модель YOLOv8 в формат ONNX :

yolo export --weights yolov8n.pt --include onnx

Узнай больше об экспорте моделей в нашем руководстве по экспорту.

Насколько точна оценка скорости с помощью Ultralytics YOLOv8 ?

Точность оценки скорости с помощью Ultralytics YOLOv8 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 учитывай погрешность и по возможности проверяй расчеты с помощью наземных данных.

Чтобы получить дополнительные советы по улучшению точности, посмотри Аргументы SpeedEstimator раздел.

Почему стоит выбрать Ultralytics YOLOv8 , а не другие модели обнаружения объектов, например TensorFlow Object Detection API?

Ultralytics YOLOv8 обладает рядом преимуществ по сравнению с другими моделями обнаружения объектов, такими как TensorFlow Object Detection API:

• Производительность в реальном времени: YOLOv8 оптимизирован для обнаружения в реальном времени, обеспечивая высокую скорость и точность.
• Простота использования: Разработанный с удобным интерфейсом, YOLOv8 упрощает обучение и развертывание модели.
• Универсальность: Поддерживает множество задач, включая обнаружение объектов, сегментацию и оценку позы.
• Сообщество и поддержка: YOLOv8 опирается на активное сообщество и обширную документацию, обеспечивая разработчиков необходимыми ресурсами.

Чтобы узнать больше о преимуществах YOLOv8, изучи нашу подробную страницу с описанием модели.

Комментарии