Почему стоит использовать Ultralytics YOLO26 для отображения и отслеживания объектов?

Ultralytics YOLO26 известен своей скоростью, точностью и простотой интеграции, что делает его отличным выбором для отображения и отслеживания объектов. Ключевые преимущества: Производительность уровня state of the art: обеспечивает высокую точность обнаружения объектов в реальном времени. Гибкость: поддерживает обнаружение, отслеживание и расчёт расстояния в рамках одного конвейера. Сообщество и поддержка: подробная документация и активное сообщество GitHub для устранения неполадок и улучшения продукта. Простота использования: интуитивно понятный API упрощает выполнение сложных задач, обеспечивая быстрое развёртывание и итеративную разработку. Дополнительную информацию о применении и преимуществах см. в документации Ultralytics YOLO26.

Как интегрировать VisionEye с другими инструментами машинного обучения, такими как Comet или ClearML?

Ultralytics YOLO26 легко интегрируется с различными инструментами машинного обучения, такими как Comet и ClearML, улучшая отслеживание экспериментов, совместную работу и воспроизводимость. Чтобы начать работу, ознакомься с подробными руководствами о том, как использовать YOLOv5 с Comet и интегрировать YOLO26 с ClearML. Дополнительные примеры использования и интеграции см. в нашем руководстве по интеграциям Ultralytics.

Сопоставление объектов в поле зрения VisionEye с использованием Ultralytics YOLO26#

Что такое отображение объектов VisionEye?#

Ultralytics YOLO26 VisionEye позволяет компьютерам обнаруживать и точно определять положение объектов, имитируя точность человеческого глаза. Эта функциональность позволяет компьютерам различать определённые объекты и фокусироваться на них, подобно тому как человеческий глаз рассматривает детали с определённой точки обзора.

VisionEye object mapping with YOLO tracking

Отображение объектов с помощью YOLO26#

VisionEye фиксирует одну точку наблюдения в кадре и проводит от неё луч к каждому отслеживаемому объекту, чтобы ты мог визуализировать сцену с одной точки обзора. Задай vision_point в виде координат наблюдателя в пикселях, а затем запусти решение на своём видео с помощью Python API или CLI.

Отображение с помощью VisionEye и Ultralytics YOLO

# Monitor objects position with visioneye
yolo solutions visioneye show=True

# Pass a source video
yolo solutions visioneye source="path/to/video.mp4"

# Monitor the specific classes
yolo solutions visioneye classes="[0, 5]"

Аргументы `VisionEye`#

Вот таблица с аргументами VisionEye:

Аргумент	Тип	По умолчанию	Описание
`model`	`str`	`None`	Путь к файлу модели Ultralytics YOLO.
`vision_point`	`tuple[int, int]`	`(20, 20)`	Точка, в которой VisionEye отслеживает объекты и рисует траектории с помощью решения VisionEye.
`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.

Ты также можешь использовать различные аргументы track в решении VisionEye:

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 некоторые аргументы визуализации, перечисленные ниже:

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.

Как работает VisionEye#

VisionEye фиксирует точку обзора в кадре и проводит линии от этой точки к обнаруженным объектам. Это имитирует то, как человеческое зрение фокусируется на нескольких объектах с одной точки обзора. Решение использует отслеживание объектов, чтобы сохранять стабильную идентификацию объектов между кадрами и создавать визуальное представление пространственного взаимного расположения наблюдателя (точки обзора) и объектов в сцене.

Метод process класса VisionEye выполняет несколько ключевых операций:

Извлекает треки (ограничивающие рамки, классы и маски) из входного изображения
Создаёт аннотатор для отрисовки ограничивающих рамок и меток
Для каждого обнаруженного объекта рисует метку рамки и создаёт линию обзора от точки обзора
Возвращает аннотированное изображение со статистикой отслеживания

Этот подход особенно полезен для приложений, которым требуется пространственная осведомлённость и визуализация взаимосвязей объектов, например для систем наблюдения, автономной навигации и интерактивных инсталляций.

Применение VisionEye#

Отображение объектов VisionEye находит множество практических применений в различных отраслях:

Безопасность и наблюдение: наблюдение за несколькими интересующими объектами с фиксированной позиции камеры
Аналитика розничной торговли: отслеживание закономерностей перемещения покупателей относительно витрин и экспозиций в магазине
Спортивная аналитика: анализ расположения и перемещения игроков с точки зрения тренера
Автономные транспортные средства: визуализация того, как транспортное средство «видит» объекты в окружающей среде и расставляет их по приоритету
Взаимодействие человека и компьютера: создание более интуитивных интерфейсов, реагирующих на пространственные взаимосвязи

Объединив VisionEye с другими решениями Ultralytics, такими как расчёт расстояния или оценка скорости, ты можешь создавать комплексные системы, которые не только отслеживают объекты, но и понимают их пространственные взаимосвязи и поведение.

Часто задаваемые вопросы#

Чтобы начать использовать отображение объектов VisionEye с Ultralytics YOLO26, сначала установи пакет Ultralytics YOLO через pip. Затем ты можешь использовать пример кода из документации, чтобы настроить обнаружение объектов с VisionEye. Вот простой пример, с которого можно начать:

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("vision-eye-mapping.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init vision eye object
visioneye = solutions.VisionEye(
    show=True,  # display the output
    model="yolo26n.pt",  # use any model that Ultralytics supports, e.g., yolo26s.pt
    classes=[0, 2],  # generate visioneye view for specific classes
)

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

    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = visioneye(im0)

    print(results)  # access the output

    video_writer.write(results.plot_im)  # write the video file

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

Ultralytics YOLO26 известен своей скоростью, точностью и простотой интеграции, что делает его отличным выбором для отображения и отслеживания объектов. Ключевые преимущества:
1. Производительность уровня state of the art: обеспечивает высокую точность обнаружения объектов в реальном времени.
2. Гибкость: поддерживает обнаружение, отслеживание и расчёт расстояния в рамках одного конвейера.
3. Сообщество и поддержка: подробная документация и активное сообщество GitHub для устранения неполадок и улучшения продукта.
4. Простота использования: интуитивно понятный API упрощает выполнение сложных задач, обеспечивая быстрое развёртывание и итеративную разработку.
Дополнительную информацию о применении и преимуществах см. в документации Ultralytics YOLO26.
Ultralytics YOLO26 легко интегрируется с различными инструментами машинного обучения, такими как Comet и ClearML, улучшая отслеживание экспериментов, совместную работу и воспроизводимость. Чтобы начать работу, ознакомься с подробными руководствами о том, как использовать YOLOv5 с Comet и интегрировать YOLO26 с ClearML.

Дополнительные примеры использования и интеграции см. в нашем руководстве по интеграциям Ultralytics.

Участники

GLglenn-jocher²³ RAraimbekovm⁷ RIRizwanMunawar⁵ MAMatthewNoyce¹ IVIvorZhu331¹

Создано 18 дек. 2023 г.Обновлено 3 дня назад