Ultralytics YOLO26 ile Nesne Sayma#

Ultralytics YOLO26 ile bir videodaki nesneleri saymak için şu adımları takip edebilirsin:

1. Gerekli kütüphaneleri içe aktar (cv2, ultralytics).
2. Sayım bölgesini (örneğin bir çokgen, çizgi vb.) tanımla.
3. Video yakalamayı ayarla ve nesne sayacı başlat.
4. Nesneleri takip etmek ve tanımlanan bölge içinde saymak için her kareyi işle.

İşte bir bölgede sayım yapmak için basit bir örnek:

import cv2

from ultralytics import solutions

def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    cap = cv2.VideoCapture(video_path)
    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 = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
    counter = solutions.ObjectCounter(show=True, region=region_points, model=model_path)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = counter(im0)
        video_writer.write(results.plot_im)

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

count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolo26n.pt")

Daha gelişmiş konfigürasyonlar ve seçenekler için birden fazla bölgedeki nesneleri aynı anda saymak amacıyla RegionCounter çözümüne göz at.

Ultralytics YOLO26'yı nesne sayımı için kullanmak çeşitli avantajlar sunar:

1. Kaynak Optimizasyonu: Doğru sayımlar sağlayarak verimli kaynak yönetimini kolaylaştırır ve envanter yönetimi gibi sektörlerde kaynak tahsisini optimize etmeye yardımcı olur.
2. Gelişmiş Güvenlik: Varlıkları doğru bir şekilde takip edip sayarak güvenliği ve gözetimi artırır, proaktif tehdit tespiti ve güvenlik sistemlerine yardımcı olur.
3. Bilgiye Dayalı Karar Verme: Perakende, trafik yönetimi ve daha fazlası gibi alanlardaki süreçleri optimize ederek karar verme süreci için değerli içgörüler sunar.
4. Gerçek Zamanlı İşleme: YOLO26'nın mimarisi gerçek zamanlı çıkarıma olanak tanır ve bu da onu canlı video akışları ile zamana duyarlı uygulamalar için uygun hale getirir.

Uygulama örnekleri ve pratik kullanımlar için belirli bölgelerdeki nesneleri takip etmek üzere TrackZone çözümünü incele.

Ultralytics YOLO26 kullanarak belirli nesne sınıflarını saymak için, takip aşamasında ilgilendiğin sınıfları belirtmen gerekir. Aşağıda bir Python örneği bulunmaktadır:

import cv2

from ultralytics import solutions

def count_specific_classes(video_path, output_video_path, model_path, classes_to_count):
    """Count specific classes of objects in a video."""
    cap = cv2.VideoCapture(video_path)
    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 = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    line_points = [(20, 400), (1080, 400)]
    counter = solutions.ObjectCounter(show=True, region=line_points, model=model_path, classes=classes_to_count)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = counter(im0)
        video_writer.write(results.plot_im)

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

count_specific_classes("path/to/video.mp4", "output_specific_classes.avi", "yolo26n.pt", [0, 2])

Bu örnekte classes_to_count=[0, 2], 0 ve 2 sınıflarındaki nesneleri saydığı anlamına gelir (ör. COCO veri kümesindeki kişi ve araba). Sınıf indeksleri hakkında daha fazla bilgiyi COCO veri kümesi belgelerinde bulabilirsin.

Ultralytics YOLO26, Faster R-CNN, SSD ve önceki YOLO sürümleri gibi diğer nesne algılama modellerine göre çeşitli avantajlar sağlar:

1. Hız ve Verimlilik: YOLO26 gerçek zamanlı işleme yetenekleri sunar; bu da onu gözetim ve otonom sürüş gibi yüksek hızlı çıkarım gerektiren uygulamalar için ideal kılar.
2. Accuracy: En son teknoloji tespit ve takip doğruluğu sağlayarak yanlış pozitifleri azaltır ve genel sistem güvenilirliğini artırır.
3. Entegrasyon Kolaylığı: YOLO26; mobil ve uç cihazlar dahil olmak üzere çeşitli platformlar ve cihazlarla kesintisiz entegrasyon sunar; bu da modern yapay zeka uygulamaları için çok önemlidir.
4. Flexibility: Belirli kullanım durumu gereksinimlerini karşılamak için üzerinde track mode bulunan ve yapılandırılabilir modellerle detection ve segmentation görevlerini destekler.

Özelliklerini ve performans karşılaştırmalarını daha derinlemesine incelemek için Ultralytics YOLO26 Belgelerine göz at.

Evet, Ultralytics YOLO26; gerçek zamanlı algılama yetenekleri, ölçeklenebilirliği ve entegrasyon esnekliği sayesinde kitle analizi ve trafik yönetimi gibi gelişmiş uygulamalar için mükemmel bir şekilde uygundur. Gelişmiş özellikleri, dinamik ortamlarda yüksek doğrulukla nesne takibi, sayımı ve sınıflandırmasına olanak tanır. Örnek kullanım alanları şunlardır:

• Kalabalık Analizi: Bölge tabanlı sayım ile büyük kalabalıkları izle ve yönet, güvenliği sağla ve kalabalık akışını optimize et.
• Trafik Yönetimi: Hız tahmini yetenekleriyle araçları takip et ve say, trafik düzenlerini analiz et ve tıkanıklığı gerçek zamanlı olarak yönet.
• Perakende Analitiği: Mağaza düzenlerini optimize etmek ve müşteri deneyimini iyileştirmek için müşteri hareket modellerini ve ürün etkileşimlerini analiz et.
• Endüstriyel Otomasyon: Konveyör bantlarındaki ürünleri say ve kalite kontrolü ile verimlilik iyileştirmeleri için üretim hatlarını izle.

Daha özel uygulamalar için gerçek dünya bilgisayarlı görü zorlukları için tasarlanmış kapsamlı bir araç seti sunan Ultralytics Çözümlerini keşfet.