Ultralytics Решения: Используйте YOLO11 для решения проблем реального мира

Ultralytics Решения обеспечивают передовое применение моделей YOLO , предлагая реальные решения, такие как подсчет объектов, размытие и системы безопасности, повышая эффективность и точность в различных отраслях. Откройте для себя возможности YOLO11 для практических и эффективных внедрений.

Смотреть: Как запускать решения Ultralytics из командной строки (CLI) | Ultralytics YOLO11 🚀

Решения

Вот наш список Ultralytics решений, которые можно использовать для создания потрясающих проектов в области компьютерного зрения.

Подсчет объектов: Научитесь выполнять подсчет объектов в реальном времени с помощью YOLO11. Получите опыт точного подсчета объектов в живом видеопотоке.
Обрезка объектов: Освойте обрезку объектов с помощью YOLO11 для точного извлечения объектов из изображений и видео.
Размытие объектов: Применяйте размытие объектов с помощью YOLO11 для защиты конфиденциальности при обработке изображений и видео.
Мониторинг тренировок: Узнайте, как следить за тренировками с помощью YOLO11. Научитесь отслеживать и анализировать различные фитнес-программы в режиме реального времени.
Подсчет объектов в регионах: Подсчет объектов в определенных регионах с помощью YOLO11 для точного обнаружения в различных областях.
Система охранной сигнализации: Создайте с помощью YOLO11 систему охранной сигнализации, которая подает сигналы тревоги при обнаружении новых объектов. Настройте систему в соответствии с вашими потребностями.
Тепловые карты: Используйте тепловые карты обнаружения для визуализации интенсивности данных в матрице, обеспечивая четкое понимание в задачах компьютерного зрения.
Сегментация экземпляров с отслеживанием объектов: Реализуйте сегментацию экземпляров и отслеживание объектов с помощью YOLO11 для достижения точных границ объектов и непрерывного мониторинга.
VisionEye View Objects Mapping: Разработка систем, имитирующих фокусировку человеческого глаза на определенных объектах, что повышает способность компьютера различать и определять приоритетность деталей.
Оценка скорости: Оценка скорости объекта с помощью YOLO11 и методов отслеживания объектов, что очень важно для таких приложений, как автономные транспортные средства и мониторинг дорожного движения.
Вычисление расстояний: Вычисление расстояний между объектами с помощью центроидов ограничительных рамок в YOLO11, что необходимо для пространственного анализа.
Управление очередью: Внедрите эффективные системы управления очередью, чтобы минимизировать время ожидания и повысить производительность с помощью YOLO11.
Управление парковкой: Организуйте и направляйте потоки автомобилей на парковках с помощью YOLO11, оптимизируя использование пространства и удобство для пользователей.
Аналитика: Проводите комплексный анализ данных для выявления закономерностей и принятия обоснованных решений, используя YOLO11 для описательной, прогнозной и предписывающей аналитики.
Выводы в реальном времени с помощью Streamlit: Используйте возможности YOLO11 для обнаружения объектов в реальном времени прямо через веб-браузер с помощью удобного интерфейса Streamlit.
Отслеживание объектов в зоне 🚀 НОВИНКА: Узнайте, как отслеживать объекты в определенных зонах видеокадров с помощью YOLO11 для точного и эффективного мониторинга.

Аргументы в пользу 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 количества входящих в видеопоток.
`show_out`	`bool`	`True`	Флаг для контроля отображения количества выходов в видеопотоке.
`analytics_type`	`str`	`line`	Тип графа, т.е, `line`, `bar`, `area`, или `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	Цветовая карта, используемая для тепловой карты.
`json_file`	`str`	`None`	Путь к файлу JSON, содержащему все данные о координатах парковки.
`up_angle`	`float`	`145.0`	Пороговый угол для позы "вверх".
`kpts`	`list[int, int, int]`	`[6, 8, 10]`	Список ключевых точек, используемых для контроля тренировок. Эти ключевые точки соответствуют суставам или частям тела, например плечам, локтям и запястьям, для таких упражнений, как отжимания, подтягивания, приседания, упражнения на пресс.
`down_angle`	`float`	`90.0`	Пороговый угол для позы "вниз".
`blur_ratio`	`float`	`0.5`	Регулирует процент интенсивности размытия, значения в диапазоне `0.1 - 1.0`.
`crop_dir`	`str`	`"cropped-detections"`	Имя каталога для хранения обрезанных обнаружений.
`records`	`int`	`5`	Общее количество обнаружений для отправки сообщения по электронной почте с помощью системы охранной сигнализации.
`vision_point`	`tuple[int, int]`	`(50, 50)`	Точка, где зрение будет отслеживать объекты и рисовать траектории с помощью VisionEye Solution.
`tracker`	`str`	`'botsort.yaml'`	Указывает используемый алгоритм отслеживания, например, `bytetrack.yaml` или `botsort.yaml`.
`conf`	`float`	`0.3`	Устанавливает порог доверия для обнаружений; более низкие значения позволяют отслеживать больше объектов, но могут включать ложные срабатывания.
`iou`	`float`	`0.5`	Устанавливает порог пересечения над объединением (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, обеспечивая 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.
`show`	`bool`	`False`	Если `True`отображает аннотированные изображения или видео в окне. Полезно для немедленной визуальной обратной связи во время разработки или тестирования.
`line_width`	`None or int`	`None`	Определяет ширину линии ограничительных рамок. Если `None`Ширина линии автоматически регулируется в зависимости от размера изображения. Обеспечивает визуальную настройку для наглядности.

Track args

Решения также подтверждают 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 используемый алгоритм отслеживания, например, `bytetrack.yaml` или `botsort.yaml`.
`conf`	`float`	`0.3`	Устанавливает порог доверия для обнаружений; более низкие значения позволяют отслеживать больше объектов, но могут включать ложные срабатывания.
`iou`	`float`	`0.5`	Устанавливает порог пересечения над объединением (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, обеспечивая 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.

Использование SolutionAnnotator

Во всех решениях Ultralytics используется отдельный класс SolutionAnnotator, который расширяет основной Annotator класс и имеют следующие методы:

Метод	Тип возврата	Описание
`draw_region()`	`None`	Рисует область с использованием заданных точек, цветов и толщины.
`queue_counts_display()`	`None`	Отображает количество очередей в указанном регионе.
`display_analytics()`	`None`	Отображает общую статистику 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 на изображении текстовое поле с надписью.
`plot_angle_and_count_and_stage()`	`None`	Визуальное отображение угла наклона, количества шагов и этапа для контроля тренировки.
`plot_distance_and_line()`	`None`	Отображает расстояние между центроидами и соединяет их линией.
`display_objects_labels()`	`None`	Аннотирует ограничивающие поля метками классов объектов.
`seg_bbox()`	`None`	Рисует контуры для сегментированных объектов и по желанию маркирует их.
`sweep_annotator()`	`None`	Визуализирует вертикальную линию развертки и дополнительную метку.
`visioneye()`	`None`	Сопоставляет и соединяет центроиды объектов с визуальной точкой "глаз".
`circle_label()`	`None`	Рисует круглую метку вместо ограничительной рамки.
`text_label()`	`None`	Рисует прямоугольную метку вместо ограничительной рамки.

Работа с SolutionResults

Все вызовы решений возвращают список SolutionResults объекты, содержащие исчерпывающую информацию о решениях.

Для подсчета объектов результаты включают incounts, outcounts, и classwise_counts.

SolutionResults

counter = solutions.ObjectCounter(
    show=True,  # display the output
    region=region_points,  # pass region points
    model="yolo11n.pt",  # model="yolo11n-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.count(im0)
print(results.in_counts)  # display in_counts
print(results.out_counts)  # display out_counts

Для получения более подробной информации см. SolutionResults документация класса.

Использование решений с помощью CLI

Информация о командах

Большинство решений можно использовать непосредственно через интерфейс командной строки, в том числе:

Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference

Синтаксис

yolo SOLUTIONS SOLUTION_NAME ARGS

SOLUTIONS - это обязательное ключевое слово.
ИМЯ_РЕШЕНИЯ является одним из: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
АРГС (необязательно) являются пользовательскими arg=value пары, такие как show_in=True, чтобы отменить настройки по умолчанию.

yolo solutions count show=True # for object counting

yolo solutions source="path/to/video.mp4" # specify video file path

Внесите свой вклад в наши решения

Мы приветствуем вклад сообщества! Если вы освоили какой-то конкретный аспект Ultralytics YOLO , который еще не освещен в наших решениях, мы призываем вас поделиться своим опытом. Написание руководства - это отличный способ поддержать сообщество и помочь нам сделать нашу документацию более полной и удобной.

Для начала ознакомьтесь с нашим руководством по внесению вклада, чтобы узнать, как открыть Pull Request (PR) 🛠️. Мы с нетерпением ждем вашего вклада!

Давайте вместе работать над тем, чтобы сделать экосистему Ultralytics YOLO более надежной и универсальной 🙏!

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как использовать Ultralytics YOLO для подсчета объектов в реальном времени?

Ultralytics YOLO11 можно использовать для подсчета объектов в режиме реального времени, используя его расширенные возможности обнаружения объектов. Вы можете следовать нашему подробному руководству по подсчету объектов, чтобы настроить YOLO11 для анализа видеопотока в реальном времени. Просто установите YOLO11, загрузите свою модель и обрабатывайте видеокадры для динамического подсчета объектов.

В чем преимущества использования Ultralytics YOLO для систем безопасности?

Ultralytics YOLO11 улучшает системы безопасности, предлагая механизмы обнаружения объектов и оповещения в режиме реального времени. Используя YOLO11, вы можете создать систему охранной сигнализации, которая будет подавать сигналы тревоги при обнаружении новых объектов в зоне наблюдения. Узнайте, как настроить систему охранной сигнализации с помощью YOLO11 для надежного мониторинга безопасности.

Как Ultralytics YOLO может улучшить системы управления очередью?

Ultralytics YOLO11 может значительно улучшить системы управления очередями за счет точного подсчета и отслеживания людей в очередях, помогая тем самым сократить время ожидания и оптимизировать эффективность обслуживания. Следуйте нашему подробному руководству по управлению очередью, чтобы узнать, как внедрить YOLO11 для эффективного мониторинга и анализа очередей.

Можно ли использовать Ultralytics YOLO для мониторинга тренировок?

Да, Ultralytics YOLO11 можно эффективно использовать для контроля тренировок, отслеживая и анализируя фитнес-процессы в режиме реального времени. Это позволяет точно оценить форму и эффективность упражнений. Изучите наше руководство по мониторингу тренировок, чтобы узнать, как создать систему мониторинга тренировок на основе искусственного интеллекта с помощью YOLO11.

Как Ultralytics YOLO помогает в создании тепловых карт для визуализации данных?

Ultralytics YOLO11 может генерировать тепловые карты для визуализации интенсивности данных в заданной области, выделяя регионы высокой активности или интереса. Эта функция особенно полезна для понимания закономерностей и тенденций в различных задачах компьютерного зрения. Узнайте больше о создании и использовании тепловых карт с помощью YOLO11 для комплексного анализа и визуализации данных.

📅 Создано 9 месяцев назад ✏️ Обновлено 1 день назад