Ultralytics YOLO11 🚀 Kullanarak Hız Tahmini

Hız Tahmini Nedir?

Hız tahmini, genellikle bilgisayarla görme uygulamalarında kullanılan, belirli bir bağlam içinde bir nesnenin hareket oranını hesaplama işlemidir. Kullanma Ultralytics YOLO11 Artık trafik ve gözetleme gibi görevler için çok önemli olan mesafe ve zaman verilerinin yanı sıra nesne takibini kullanarak nesnenin hızını hesaplayabilirsiniz. Hız tahmininin doğruluğu, çeşitli uygulamaların verimliliğini ve güvenilirliğini doğrudan etkileyerek akıllı sistemlerin ve gerçek zamanlı karar verme süreçlerinin ilerlemesinde kilit bir bileşen haline getirir.

İzle: Kullanarak Hız Tahmini Ultralytics YOLO11

Hız Tahmininin Avantajları?

• Verimli Trafik Kontrolü: Doğru hız tahmini, trafik akışını yönetmeye, güvenliği artırmaya ve karayollarındaki tıkanıklığı azaltmaya yardımcı olur.
• Hassas Otonom Navigasyon: Kendi kendine giden arabalar gibi otonom sistemlerde, güvenilir hız tahmini güvenli ve doğru araç navigasyonu sağlar.
• Geliştirilmiş Gözetim Güvenliği: Gözetim analitiğindeki hız tahmini, olağandışı davranışların veya potansiyel tehditlerin belirlenmesine yardımcı olarak güvenlik önlemlerinin etkinliğini artırır.

Gerçek Dünya Uygulamaları

Ulaşım	Ulaşım
Yol Üzerinde Hız Tahmini Ultralytics YOLO11	Köprü Üzerinde Hız Tahmini Ultralytics YOLO11

# Run a speed example
yolo solutions speed show=True

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

# Pass region coordinates
yolo solutions speed region=[(20, 400), (1080, 400), (1080, 360), (20, 360)]

import cv2

from ultralytics import solutions

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))

# Video writer
video_writer = cv2.VideoWriter("speed_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Define speed region points
speed_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)]

speed = solutions.SpeedEstimator(
    show=True,  # Display the output
    model="yolo11n-pose.pt",  # Path to the YOLO11 model file.
    region=speed_region,  # Pass region points
    # classes=[0, 2],  # If you want to estimate speed of specific classes.
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

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

    if success:
        out = speed.estimate_speed(im0)
        video_writer.write(im0)
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
        continue

    print("Video frame is empty or video processing has been successfully completed.")
    break

cap.release()
cv2.destroyAllWindows()

Argümanlar SpeedEstimator

Argümanlar model.track

SSS

Ultralytics YOLO11 adresini kullanarak nesne hızını nasıl tahmin edebilirim?

Ultralytics YOLO11 ile nesne hızını tahmin etmek, nesne algılama ve izleme tekniklerini birleştirmeyi içerir. Öncelikle, YOLO11 modelini kullanarak her karedeki nesneleri tespit etmeniz gerekir. Ardından, zaman içindeki hareketlerini hesaplamak için bu nesneleri kareler boyunca izleyin. Son olarak, hızını tahmin etmek için nesnenin kareler arasında kat ettiği mesafeyi ve kare hızını kullanın.

Örnek:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
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("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize SpeedEstimator
speed_obj = solutions.SpeedEstimator(
    region=[(0, 360), (1280, 360)],
    model="yolo11n.pt",
    show=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = speed_obj.estimate_speed(im0)
    video_writer.write(im0)

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

Daha fazla ayrıntı için resmi blog gönderimize bakın.

Trafik yönetiminde hız tahmini için Ultralytics YOLO11 adresini kullanmanın faydaları nelerdir?

Hız tahmini için Ultralytics YOLO11 adresinin kullanılması trafik yönetiminde önemli avantajlar sunmaktadır:

• Gelişmiş Güvenlik: Aşırı hızı tespit etmek ve yol güvenliğini artırmak için araç hızlarını doğru bir şekilde tahmin edin.
• Gerçek Zamanlı İzleme: Trafik akışını ve sıkışıklığını etkin bir şekilde izlemek için YOLO11'un gerçek zamanlı nesne algılama özelliğinden yararlanın.
• Ölçeklenebilirlik: Modeli uç cihazlardan sunuculara kadar çeşitli donanım kurulumlarına dağıtarak büyük ölçekli uygulamalar için esnek ve ölçeklenebilir çözümler sağlar.

Daha fazla uygulama için hız tahmininin avantajları bölümüne bakın.

YOLO11 gibi diğer yapay zeka çerçeveleri ile entegre edilebilir mi? TensorFlow veya PyTorch?

Evet, YOLO11 , TensorFlow ve PyTorch gibi diğer AI çerçeveleriyle entegre edilebilir. Ultralytics , YOLO11 modellerini ONNX, TensorRT ve CoreML gibi çeşitli formatlara aktarma desteği sağlayarak diğer ML çerçeveleriyle sorunsuz birlikte çalışabilirlik sağlar.

Bir YOLO11 modelini ONNX formatına aktarmak için:

yolo export --weights yolo11n.pt --include onnx

Dışa aktarma kılavuzumuzda modelleri dışa aktarma hakkında daha fazla bilgi edinin.

Ultralytics YOLO11 adresini kullanarak hız tahmini ne kadar doğrudur?

Ultralytics YOLO11 adresini kullanarak yapılan hız tahmininin doğruluğu, nesne takibinin kalitesi, videonun çözünürlüğü ve kare hızı ve çevresel değişkenler gibi çeşitli faktörlere bağlıdır. Hız tahmincisi güvenilir tahminler sağlarken, kare işleme hızı ve nesne tıkanıklığındaki farklılıklar nedeniyle %100 doğru olmayabilir.

Not: Her zaman hata payını göz önünde bulundurun ve mümkün olduğunda tahminleri yer gerçeği verileriyle doğrulayın.

Daha fazla doğruluk geliştirme ipucu için Argümanlar SpeedEstimator bölüm.

Neden TensorFlow Object Detection API gibi diğer nesne algılama modelleri yerine Ultralytics YOLO11 adresini seçmelisiniz?

Ultralytics YOLO11 TensorFlow Object Detection API gibi diğer nesne algılama modellerine göre çeşitli avantajlar sunar:

• Gerçek Zamanlı Performans: YOLO11 gerçek zamanlı algılama için optimize edilmiştir, yüksek hız ve doğruluk sağlar.
• Kullanım Kolaylığı: Kullanıcı dostu bir arayüzle tasarlanan YOLO11 , model eğitimini ve dağıtımını basitleştirir.
• Çok yönlülük: Nesne algılama, segmentasyon ve poz tahmini dahil olmak üzere birden fazla görevi destekler.
• Topluluk ve Destek: YOLO11 , geliştiricilerin ihtiyaç duydukları kaynaklara sahip olmalarını sağlayan aktif bir topluluk ve kapsamlı belgelerle desteklenmektedir.

YOLO11'un faydaları hakkında daha fazla bilgi için ayrıntılı model sayfamızı inceleyin.

📅 Created 11 months ago ✏️ Updated 17 days ago

Yorumlar