Решения Ultralytics: используй YOLO26 для решения реальных задач
Решения Ultralytics предоставляют передовые способы применения моделей YOLO, предлагая инструменты для решения реальных задач, таких как подсчет объектов, размытие и системы безопасности, что повышает эффективность и точность в различных отраслях. Открой для себя мощь YOLO26 для практической и эффективной реализации.
![]()
Watch: How to Run Ultralytics Solutions from the Command Line (CLI) | Ultralytics YOLO26 🚀
Решения
Вот наш список решений Ultralytics, которые можно использовать для создания потрясающих проектов в области компьютерного зрения.
- Аналитика: проводи комплексный анализ данных, чтобы выявлять закономерности и принимать обоснованные решения, используя YOLO26 для описательной, предиктивной и предписательной аналитики.
- Расчет расстояния: вычисляй расстояния между объектами, используя центроиды ограничивающих рамок в YOLO26, что необходимо для пространственного анализа.
- Тепловые карты: используй тепловые карты обнаружения для визуализации интенсивности данных в матрице, что обеспечивает четкое понимание задач компьютерного зрения.
- Сегментация экземпляров с отслеживанием объектов: внедряй сегментацию экземпляров и отслеживание объектов с помощью YOLO26 для получения точных границ объектов и непрерывного мониторинга.
- Live Inference с использованием Streamlit: используй мощь YOLO26 для обнаружения объектов в реальном времени прямо через веб-браузер с помощью удобного интерфейса Streamlit.
- Размытие объектов: применяй размытие объектов с помощью YOLO26 для защиты конфиденциальности при обработке изображений и видео.
- Подсчет объектов: научись выполнять подсчет объектов в реальном времени с помощью YOLO26. Получи опыт для точного подсчета объектов в потоках видео.
- Подсчет объектов в регионах: считай объекты в конкретных областях с помощью YOLO26 для точного обнаружения в различных зонах.
- Обрезка объектов: освой обрезку объектов с помощью YOLO26 для точного извлечения объектов из изображений и видео.
- Управление парковкой: организуй и направляй поток транспортных средств на парковках с помощью YOLO26, оптимизируя использование пространства и удобство пользователей.
- Управление очередями: внедряй эффективные системы управления очередями, чтобы свести к минимуму время ожидания и повысить продуктивность, используя YOLO26.
- Система охранной сигнализации: создай систему охранной сигнализации с помощью YOLO26, которая отправляет оповещения при обнаружении новых объектов. Настрой систему под свои конкретные нужды.
- Поиск по сходству: обеспечь интеллектуальный поиск изображений, объединяя эмбеддинги OpenAI CLIP с Meta FAISS, что позволяет использовать естественные языковые запросы, такие как «человек с сумкой» или «движущиеся транспортные средства».
- Оценка скорости: оценивай скорость объектов, используя YOLO26 и методы отслеживания объектов; это важно для таких приложений, как автономные транспортные средства и мониторинг дорожного движения.
- Отслеживание объектов в зоне: узнай, как отслеживать объекты в конкретных зонах кадров видео, используя YOLO26 для точного и эффективного мониторинга.
- Картирование объектов VisionEye: разрабатывай системы, имитирующие фокусировку человеческого глаза на определенных объектах, улучшая способность компьютера различать и расставлять приоритеты деталей.
- Мониторинг тренировок: узнай, как контролировать тренировки с помощью YOLO26. Научись отслеживать и анализировать различные фитнес-упражнения в реальном времени.
Аргументы решений
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
model | str | None | Путь к файлу модели Ultralytics YOLO. |
region | list | '[(20, 400), (1260, 400)]' | Список точек, определяющих область подсчета. |
show_in | bool | True | Флаг для управления отображением входящих объектов на видеопотоке. |
show_out | bool | True | Флаг для управления отображением исходящих объектов на видеопотоке. |
analytics_type | str | 'line' | Тип графика, например, line (линейный), bar (столбчатый), area (диаграмма с областями) или pie (круговой). |
colormap | int | cv2.COLORMAP_DEEPGREEN | Цветовая карта для тепловой карты. |
json_file | str | None | Путь к JSON-файлу, который содержит все данные координат парковки. |
up_angle | float | 145.0 | Пороговое значение угла для позы 'вверх'. |
kpts | list[int] | '[6, 8, 10]' | Список из трех индексов ключевых точек, используемых для мониторинга тренировок. Эти ключевые точки соответствуют суставам или частям тела, таким как плечи, локти и запястья, для упражнений вроде отжиманий, подтягиваний, приседаний и упражнений на пресс. |
down_angle | int | 90 | Пороговое значение угла для позы 'вниз'. |
blur_ratio | float | 0.5 | Регулирует процент интенсивности размытия, со значениями в диапазоне 0.1 - 1.0. |
crop_dir | str | 'cropped-detections' | Имя директории для сохранения обрезанных результатов обнаружения. |
records | int | 5 | Общее количество обнаружений для отправки электронного письма системой охранной сигнализации. |
vision_point | tuple[int, int] | (20, 20) | Точка, в которой зрение будет отслеживать объекты и рисовать пути с помощью решения VisionEye. |
source | str | None | Путь к входному источнику (видео, RTSP и т.д.). Можно использовать только через интерфейс командной строки (CLI) Solutions. |
figsize | tuple[int, int] | (12.8, 7.2) | Размер фигуры для аналитических графиков, таких как тепловые карты или диаграммы. |
fps | float | 30.0 | Кадров в секунду, используемых для расчетов скорости. |
max_hist | int | 5 | Максимальное количество исторических точек для отслеживания одного объекта для расчетов скорости/направления. |
meter_per_pixel | float | 0.05 | Коэффициент масштабирования, используемый для перевода расстояния в пикселях в реальные единицы измерения. |
max_speed | int | 120 | Максимальное ограничение скорости в визуальных наложениях (используется в оповещениях). |
data | str | 'images' | Путь к директории изображений, используемой для поиска по сходству. |
Решения также поддерживают некоторые аргументы из track, включая такие параметры, как conf, line_width, tracker, model, show, verbose и classes.
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Указывает алгоритм отслеживания, который необходимо использовать, например, bytetrack.yaml или botsort.yaml. |
conf | float | 0.1 | Устанавливает порог достоверности для обнаружения; более низкие значения позволяют отслеживать больше объектов, но могут включать ложные срабатывания. |
iou | float | 0.7 | Устанавливает порог Intersection over Union (IoU) для фильтрации перекрывающихся обнаружений. |
classes | list | None | Фильтрует результаты по индексу класса. Например, classes=[0, 2, 3] отслеживает только указанные классы. |
verbose | bool | True | Управляет отображением результатов отслеживания, предоставляя визуальный вывод отслеживаемых объектов. |
device | str | None | Указывает устройство для вывода (например, cpu, cuda:0 или 0). Позволяет пользователям выбирать между CPU, конкретным GPU или другими вычислительными устройствами для выполнения модели. |
Ты можешь использовать show_conf, show_labels и другие упомянутые аргументы для настройки визуализации.
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
show | bool | False | Если True, отображает аннотированные изображения или видео в окне. Полезно для мгновенной визуальной проверки в процессе разработки или тестирования. |
line_width | int or None | None | Задает толщину линий ограничивающих рамок. Если None, толщина подбирается автоматически в зависимости от размера изображения. Обеспечивает визуальную настройку для ясности. |
show_conf | bool | True | Отображает показатель уверенности для каждого обнаруженного объекта рядом с меткой. Дает представление об уверенности модели в каждом обнаружении. |
show_labels | bool | True | Отображает метки для каждого обнаруженного объекта на визуальном выводе. Дает быстрое понимание того, какие объекты были найдены. |
Использование SolutionAnnotator
Все решения Ultralytics используют отдельный класс SolutionAnnotator, который расширяет основной класс Annotator и имеет следующие методы:
| Метод | Тип возвращаемого значения | Описание |
|---|---|---|
draw_region() | None | Рисует область, используя указанные точки, цвета и толщину. |
queue_counts_display() | None | Отображает количество человек в очереди в указанной области. |
display_analytics() | None | Отображает общую статистику для управления парковкой. |
estimate_pose_angle() | float | Вычисляет угол между тремя точками в позе объекта. |
draw_specific_points() | None | Рисует определенные ключевые точки на изображении. |
plot_workout_information() | None | Рисует текстовое поле с меткой на изображении. |
plot_angle_and_count_and_stage() | None | Визуализирует угол, количество повторений и этап для мониторинга тренировки. |
plot_distance_and_line() | None | Отображает расстояние между центроидами и соединяет их линией. |
display_objects_labels() | None | Аннотирует ограничивающие рамки метками классов объектов. |
sweep_annotator() | None | Визуализирует вертикальную линию развертки и дополнительную метку. |
visioneye() | None | Картирует и соединяет центроиды объектов с визуальной точкой «глаза». |
adaptive_label() | None | Рисует метку с фоновой фигурой (кругом или прямоугольником) в центре ограничивающей рамки. |
Работа с SolutionResults
За исключением Similarity Search, каждый вызов решения возвращает список объектов SolutionResults.
- Для подсчета объектов результаты включают
in_count,out_countиclasswise_count.
import cv2
from ultralytics import solutions
im0 = cv2.imread("path/to/img")
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
counter = solutions.ObjectCounter(
show=True, # display the output
region=region_points, # pass region points
model="yolo26n.pt", # model="yolo26n-obb.pt" for object counting with OBB model.
# classes=[0, 2], # count specific classes i.e. person and car with COCO pretrained model.
# tracker="botsort.yaml" # Choose trackers i.e "bytetrack.yaml"
)
results = counter(im0)
print(results.in_count) # display in_counts
print(results.out_count) # display out_counts
print(results.classwise_count) # display classwise_countОбъект SolutionResults имеет следующие атрибуты:
| Атрибут | Тип | Описание |
|---|---|---|
plot_im | np.ndarray | Изображение с визуальными наложениями, такими как счетчики, эффекты размытия или специфические для решения улучшения. |
in_count | int | Общее количество объектов, обнаруженных при входе в определенную зону в потоке видео. |
out_count | int | Общее количество объектов, обнаруженных при выходе из определенной зоны в потоке видео. |
classwise_count | Dict[str, int] | Словарь, записывающий количество входящих/выходящих объектов по классам для расширенной аналитики. |
queue_count | int | Количество объектов, находящихся в данный момент в заранее определенной очереди или зоне ожидания (подходит для управления очередями). |
workout_count | int | Общее количество завершенных повторений тренировки во время отслеживания упражнений. |
workout_angle | float | Вычисленный угол сустава или позы во время тренировки для оценки формы. |
workout_stage | str | Текущий этап тренировки или фаза движения (например, «вверх», «вниз»). |
pixels_distance | float | Расстояние в пикселях между двумя объектами или точками, например, ограничивающими рамками (подходит для расчета расстояния). |
available_slots | int | Количество свободных мест в контролируемой зоне (подходит для управления парковкой). |
filled_slots | int | Количество занятых мест в контролируемой зоне (подходит для управления парковкой). |
email_sent | bool | Указывает, было ли успешно отправлено уведомление или электронное письмо с оповещением (подходит для охранной сигнализации). |
total_tracks | int | Общее количество уникальных треков объектов, наблюдаемых во время видеоанализа. |
region_counts | Dict[str, int] | Количество объектов в определенных пользователем регионах или зонах. |
speed_dict | Dict[str, float] | Словарь по трекам с рассчитанными скоростями объектов, полезный для анализа скорости. |
total_crop_objects | int | Общее количество обрезанных изображений объектов, созданных решением ObjectCropper. |
speed | Dict[str, float] | Словарь, содержащий метрики производительности для отслеживания и обработки решений. |
Более подробную информацию см. в документации класса SolutionResults.
Использование решений через CLI
Большинство решений можно использовать непосредственно через интерфейс командной строки, включая:
Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference, Trackzone
Синтаксис
yolo SOLUTIONS SOLUTION_NAME ARGS
- SOLUTIONS — обязательное ключевое слово.
- SOLUTION_NAME — одно из следующих:
['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye']. - ARGS (необязательно) — это пользовательские пары
arg=value, такие какshow_in=True, для переопределения настроек по умолчанию.
yolo solutions count show=True # for object counting
yolo solutions count source="path/to/video.mp4" # specify video file pathВнеси свой вклад в наши решения
Мы приветствуем вклад сообщества! Если ты освоил определенный аспект Ultralytics YOLO, который еще не освещен в наших решениях, мы призываем тебя поделиться своим опытом. Написание руководства — отличный способ помочь сообществу и сделать нашу документацию более полной и удобной для пользователей.
Чтобы начать, ознакомься с нашим Руководством по внесению вклада, где описаны правила открытия Pull Request (PR) 🛠️. Мы с нетерпением ждем твоего участия!
Давай вместе сделаем экосистему Ultralytics YOLO более надежной и универсальной 🙏!
Часто задаваемые вопросы (FAQ)
Как мне использовать Ultralytics YOLO для подсчета объектов в реальном времени?
Ultralytics YOLO26 можно использовать для подсчета объектов в реальном времени, задействуя его передовые возможности обнаружения объектов. Ты можешь следовать нашему подробному руководству по подсчету объектов, чтобы настроить YOLO26 для анализа потокового видео. Просто установи YOLO26, загрузи свою модель и обрабатывай видеокадры для динамического подсчета объектов.
Каковы преимущества использования Ultralytics YOLO для систем безопасности?
Ultralytics YOLO26 улучшает системы безопасности, предлагая обнаружение объектов в реальном времени и механизмы оповещения. Используя YOLO26, ты можешь создать систему охранной сигнализации, которая отправляет уведомления при обнаружении новых объектов в зоне наблюдения. Узнай, как настроить Систему охранной сигнализации с помощью YOLO26 для надежного мониторинга безопасности.
Как Ultralytics YOLO может улучшить системы управления очередями?
Ultralytics YOLO26 может значительно улучшить системы управления очередями за счет точного подсчета и отслеживания людей, что помогает сократить время ожидания и оптимизировать эффективность обслуживания. Следуй нашему подробному руководству по Управлению очередями, чтобы узнать, как внедрить YOLO26 для эффективного мониторинга и анализа очередей.
Можно ли использовать Ultralytics YOLO для мониторинга тренировок?
Да, Ultralytics YOLO26 можно эффективно использовать для мониторинга тренировок путем отслеживания и анализа фитнес-упражнений в реальном времени. Это позволяет точно оценивать технику выполнения упражнений и результаты. Изучи наше руководство по Мониторингу тренировок, чтобы узнать, как настроить систему мониторинга тренировок на базе ИИ с использованием YOLO26.
Как Ultralytics YOLO помогает в создании тепловых карт для визуализации данных?
Ultralytics YOLO26 может генерировать тепловые карты для визуализации интенсивности данных в заданной области, выделяя зоны высокой активности или интереса. Эта функция особенно полезна для понимания закономерностей и трендов в различных задачах компьютерного зрения. Узнай больше о создании и использовании Тепловых карт с помощью YOLO26 для всестороннего анализа и визуализации данных.