Ultralytics YOLOv8 adresini kullanarak Nesne Sayma 🚀
Nesne Sayma Nedir?
Nesne sayma ile Ultralytics YOLOv8 videolarda ve kamera akışlarında belirli nesnelerin doğru bir şekilde tanımlanmasını ve sayılmasını içerir. YOLOv8 , son teknoloji algoritmaları ve derin öğrenme yetenekleri sayesinde kalabalık analizi ve gözetim gibi çeşitli senaryolar için verimli ve hassas nesne sayımı sağlayarak gerçek zamanlı uygulamalarda öne çıkar.
İzle: Nesne Sayma kullanarak Ultralytics YOLOv8
Nesne Saymanın Avantajları?
- Kaynak Optimizasyonu: Nesne sayımı, doğru sayımlar sağlayarak ve envanter yönetimi gibi uygulamalarda kaynak tahsisini optimize ederek verimli kaynak yönetimini kolaylaştırır.
- Gelişmiş Güvenlik: Nesne sayma, varlıkları doğru bir şekilde izleyip sayarak güvenliği ve gözetimi artırır ve proaktif tehdit tespitine yardımcı olur.
- Bilgilendirilmiş Karar Alma: Nesne sayımı, perakende, trafik yönetimi ve diğer çeşitli alanlarda karar verme, süreçleri optimize etme için değerli bilgiler sunar.
Gerçek Dünya Uygulamaları
Lojistik | Akuakültür |
---|---|
Konveyör Bant Paketleri Kullanarak Sayma Ultralytics YOLOv8 | Denizde Balık Sayımı Ultralytics YOLOv8 |
YOLOv8 kullanarak Nesne Sayma Örnek
from ultralytics import YOLO
from ultralytics.solutions import object_counter
import cv2
model = YOLO("yolov8n.pt")
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))
# Define region points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]
# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi",
cv2.VideoWriter_fourcc(*'mp4v'),
fps,
(w, h))
# Init Object Counter
counter = object_counter.ObjectCounter()
counter.set_args(view_img=True,
reg_pts=region_points,
classes_names=model.names,
draw_tracks=True,
line_thickness=2)
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 = counter.start_counting(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
from ultralytics import YOLO
from ultralytics.solutions import object_counter
import cv2
model = YOLO("yolov8n.pt")
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))
# Define region points as a polygon with 5 points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360), (20, 400)]
# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi",
cv2.VideoWriter_fourcc(*'mp4v'),
fps,
(w, h))
# Init Object Counter
counter = object_counter.ObjectCounter()
counter.set_args(view_img=True,
reg_pts=region_points,
classes_names=model.names,
draw_tracks=True,
line_thickness=2)
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 = counter.start_counting(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
from ultralytics import YOLO
from ultralytics.solutions import object_counter
import cv2
model = YOLO("yolov8n.pt")
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))
# Define line points
line_points = [(20, 400), (1080, 400)]
# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi",
cv2.VideoWriter_fourcc(*'mp4v'),
fps,
(w, h))
# Init Object Counter
counter = object_counter.ObjectCounter()
counter.set_args(view_img=True,
reg_pts=line_points,
classes_names=model.names,
draw_tracks=True,
line_thickness=2)
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 = counter.start_counting(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
from ultralytics import YOLO
from ultralytics.solutions import object_counter
import cv2
model = YOLO("yolov8n.pt")
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))
line_points = [(20, 400), (1080, 400)] # line or region points
classes_to_count = [0, 2] # person and car classes for count
# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi",
cv2.VideoWriter_fourcc(*'mp4v'),
fps,
(w, h))
# Init Object Counter
counter = object_counter.ObjectCounter()
counter.set_args(view_img=True,
reg_pts=line_points,
classes_names=model.names,
draw_tracks=True,
line_thickness=2)
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,
classes=classes_to_count)
im0 = counter.start_counting(im0, tracks)
video_writer.write(im0)
cap.release()
video_writer.release()
cv2.destroyAllWindows()
Bölge Hareketli
Kenarlarına tıklayarak bölgeyi çerçeve içinde herhangi bir yere taşıyabilirsiniz
İsteğe Bağlı Argümanlar set_args
İsim | Tip | Varsayılan | Açıklama |
---|---|---|---|
view_img |
bool |
False |
Çerçeveleri sayımlarla görüntüleme |
view_in_counts |
bool |
True |
Giriş sayımlarını yalnızca video karesinde görüntüleme |
view_out_counts |
bool |
True |
Çıkış sayılarını yalnızca video karesinde görüntüleme |
line_thickness |
int |
2 |
Sınırlayıcı kutuları artırın ve metin kalınlığını sayın |
reg_pts |
list |
[(20, 400), (1260, 400)] |
Bölge Alanını tanımlayan noktalar |
classes_names |
dict |
model.model.names |
Sınıf Adları Sözlüğü |
count_reg_color |
RGB Color |
(255, 0, 255) |
Nesne Sayma Bölgesinin veya Çizgisinin Rengi |
track_thickness |
int |
2 |
İzleme Çizgilerinin Kalınlığı |
draw_tracks |
bool |
False |
Çizgileri izlemeyi etkinleştir |
track_color |
RGB Color |
(0, 255, 0) |
Her ray hattı için renk |
line_dist_thresh |
int |
15 |
Hat sayacı için Öklid Mesafesi eşiği |
count_txt_color |
RGB Color |
(255, 255, 255) |
Nesne sayıları metni için ön plan rengi |
region_thickness |
int |
5 |
Nesne karşı bölgesi veya çizgi için kalınlık |
count_bg_color |
RGB Color |
(255, 255, 255) |
Fosforlu kalem rengini sayın |
Argümanlar model.track
İsim | Tip | Varsayılan | Açıklama |
---|---|---|---|
source |
im0 |
None |
resimler veya videolar için kaynak dizin |
persist |
bool |
False |
kareler arasında kalıcı izler |
tracker |
str |
botsort.yaml |
İzleme yöntemi 'bytetrack' veya 'botsort' |
conf |
float |
0.3 |
Güven Eşiği |
iou |
float |
0.5 |
IOU Eşiği |
classes |
list |
None |
sonuçları sınıfa göre filtreleyin, yani classes=0 veya classes=[0,2,3] |
verbose |
bool |
True |
Nesne izleme sonuçlarını görüntüleme |
Oluşturma 2023-12-02, Güncelleme 2024-04-18
Yazarlar: glenn-jocher (9), RizwanMunawar (1), AyushExel (1)