Ultralytics Çözümler: Gerçek Dünya Sorunlarını Çözmek için YOLO11 adresinden yararlanın

Ultralytics Çözümler, YOLO modellerinin en yeni uygulamalarını sunarak nesne sayma, bulanıklaştırma ve güvenlik sistemleri gibi gerçek dünya çözümleri sunar ve çeşitli sektörlerde verimliliği ve doğruluğu artırır. Pratik ve etkili uygulamalar için YOLO11 'un gücünü keşfedin.

İzle: Komut Satırından Ultralytics Çözümleri Nasıl Çalıştırılır (CLI) | Ultralytics YOLO11 🚀

Çözümler

İşte harika bilgisayarla görme projeleri oluşturmak için kullanılabilecek Ultralytics çözümlerinden oluşan listemiz.

Nesne Sayma: YOLO11 ile gerçek zamanlı nesne sayımı yapmayı öğrenin. Canlı video akışlarındaki nesneleri doğru bir şekilde saymak için uzmanlık kazanın.
Nesne Kırpma: Görüntülerden ve videolardan nesnelerin hassas bir şekilde çıkarılması için YOLO11 ile nesne kırpmada ustalaşın.
Nesne Bulanıklaştırma: Görüntü ve video işlemede gizliliği korumak için YOLO11 kullanarak nesne bulanıklaştırma uygulayın.
Antrenman İzleme: YOLO11 kullanarak antrenmanları nasıl izleyeceğinizi keşfedin. Çeşitli fitness rutinlerini gerçek zamanlı olarak izlemeyi ve analiz etmeyi öğrenin.
Bölgelerdeki Nesneleri Sayma: Çeşitli alanlarda doğru algılama için YOLO11 'i kullanarak belirli bölgelerdeki nesneleri sayın.
Güvenlik Alarm Sistemi: YOLO11 ile yeni nesneler algılandığında uyarıları tetikleyen bir güvenlik alarm sistemi oluşturun. Sistemi özel ihtiyaçlarınıza uyacak şekilde özelleştirin.
Isı Haritaları: Bir matris boyunca veri yoğunluğunu görselleştirmek için algılama ısı haritalarını kullanın ve bilgisayarla görme görevlerinde net bilgiler sağlayın.
Nesne İzleme ile Örnek Segmentasyonu: Hassas nesne sınırları ve sürekli izleme elde etmek için YOLO11 ile örnek segmentasyonu ve nesne takibi uygulayın.
VisionEye Görünüm Nesneleri Eşleme: İnsan gözünün belirli nesnelere odaklanmasını taklit ederek bilgisayarın ayrıntıları ayırt etme ve önceliklendirme yeteneğini artıran sistemler geliştirin.
Hız Tahmini: Otonom araçlar ve trafik izleme gibi uygulamalar için çok önemli olan YOLO11 ve nesne izleme tekniklerini kullanarak nesne hızını tahmin edin.
Mesafe Hesaplama: Mekânsal analiz için gerekli olan YOLO11'de sınırlayıcı kutu merkezlerini kullanarak nesneler arasındaki mesafeleri hesaplayın.
Kuyruk Yönetimi: YOLO11 kullanarak bekleme sürelerini en aza indirmek ve verimliliği artırmak için verimli kuyruk yönetimi sistemleri uygulayın.
Otopark Yönetimi: YOLO11 ile park alanlarındaki araç akışını düzenleyin ve yönlendirin, alan kullanımını ve kullanıcı deneyimini optimize edin.
Analitik: Açıklayıcı, tahmine dayalı ve kuralcı analitik için YOLO11 'den yararlanarak kalıpları keşfetmek ve bilinçli kararlar almak için kapsamlı veri analizi yapın.
Streamlit ile Canlı Çıkarım: Kullanıcı dostu Streamlit arayüzü ile doğrudan web tarayıcınız üzerinden gerçek zamanlı nesne tespiti için YOLO11 'in gücünden yararlanın.
Bölgedeki Nesneleri İzleme 🚀 YENİ: Hassas ve verimli izleme için YOLO11 'i kullanarak video karelerinin belirli bölgelerindeki nesneleri nasıl izleyeceğinizi öğrenin.

Çözüm Argümanları

Tartışma	Tip	Varsayılan	Açıklama
`model`	`str`	`None`	Ultralytics YOLO Model Dosyasının Yolu.
`region`	`list`	`[(20, 400), (1260, 400)]`	Sayım bölgesini tanımlayan noktaların listesi.
`show_in`	`bool`	`True`	Video akışında giriş sayılarının görüntülenip görüntülenmeyeceğini kontrol etmek için bayrak.
`show_out`	`bool`	`True`	Video akışında çıkış sayılarının görüntülenip görüntülenmeyeceğini kontrol etmek için bayrak.
`analytics_type`	`str`	`line`	Grafik türü, örn, `line`, `bar`, `area`veya `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	Isı haritası için kullanılacak renk haritası.
`json_file`	`str`	`None`	Tüm park koordinatları verilerini içeren JSON dosyasının yolu.
`up_angle`	`float`	`145.0`	'Yukarı' duruşu için açı eşiği.
`kpts`	`list[int, int, int]`	`[6, 8, 10]`	Antrenmanları izlemek için kullanılan anahtar noktaların listesi. Bu anahtar noktalar, şınav, barfiks, squat, ab-egzersizleri gibi egzersizler için omuzlar, dirsekler ve bilekler gibi vücut eklemlerine veya parçalarına karşılık gelir.
`down_angle`	`float`	`90.0`	'Aşağı' pozu için açı eşiği.
`blur_ratio`	`float`	`0.5`	Bulanıklık yoğunluğunun yüzdesini, aralıktaki değerlerle ayarlar `0.1 - 1.0`.
`crop_dir`	`str`	`"cropped-detections"`	Kırpılmış algılamaları saklamak için dizin adı.
`records`	`int`	`5`	Güvenlik alarm sistemi ile bir e-postayı tetiklemek için toplam algılama sayısı.
`vision_point`	`tuple[int, int]`	`(50, 50)`	VisionEye Çözümünü kullanarak görüşün nesneleri izleyeceği ve yolları çizeceği nokta.
`tracker`	`str`	`'botsort.yaml'`	Kullanılacak izleme algoritmasını belirtir, örn, `bytetrack.yaml` veya `botsort.yaml`.
`conf`	`float`	`0.3`	Algılamalar için güven eşiğini ayarlar; düşük değerler daha fazla nesnenin izlenmesine izin verir ancak yanlış pozitifler içerebilir.
`iou`	`float`	`0.5`	Çakışan algılamaları filtrelemek için Birlik üzerinde Kesişim (IoU) eşiğini ayarlar.
`classes`	`list`	`None`	Sonuçları sınıf dizinine göre filtreler. Örneğin, `classes=[0, 2, 3]` yalnızca belirtilen sınıfları izler.
`verbose`	`bool`	`True`	İzleme sonuçlarının görüntülenmesini kontrol ederek izlenen nesnelerin görsel bir çıktısını sağlar.
`device`	`str`	`None`	Çıkarım için cihazı belirtir (örn, `cpu`, `cuda:0` veya `0`). Kullanıcıların CPU, belirli bir GPU veya model yürütme için diğer hesaplama cihazları arasında seçim yapmasına olanak tanır.
`show`	`bool`	`False`	Eğer `True`, açıklamalı görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim için kullanışlıdır.
`line_width`	`None or int`	`None`	Sınırlayıcı kutuların çizgi genişliğini belirtir. Eğer `None`çizgi genişliği görüntü boyutuna göre otomatik olarak ayarlanır. Netlik için görsel özelleştirme sağlar.

Parça args

Çözümler ayrıca aşağıdaki argümanlardan bazılarını da desteklemektedir trackgibi parametreler de dahil olmak üzere conf, line_width, tracker, model, show, verbose ve classes.

Tartışma	Tip	Varsayılan	Açıklama
`tracker`	`str`	`'botsort.yaml'`	Kullanılacak izleme algoritmasını belirtir, örn, `bytetrack.yaml` veya `botsort.yaml`.
`conf`	`float`	`0.3`	Algılamalar için güven eşiğini ayarlar; düşük değerler daha fazla nesnenin izlenmesine izin verir ancak yanlış pozitifler içerebilir.
`iou`	`float`	`0.5`	Çakışan algılamaları filtrelemek için Birlik üzerinde Kesişim (IoU) eşiğini ayarlar.
`classes`	`list`	`None`	Sonuçları sınıf dizinine göre filtreler. Örneğin, `classes=[0, 2, 3]` yalnızca belirtilen sınıfları izler.
`verbose`	`bool`	`True`	İzleme sonuçlarının görüntülenmesini kontrol ederek izlenen nesnelerin görsel bir çıktısını sağlar.
`device`	`str`	`None`	Çıkarım için cihazı belirtir (örn, `cpu`, `cuda:0` veya `0`). Kullanıcıların CPU, belirli bir GPU veya model yürütme için diğer hesaplama cihazları arasında seçim yapmasına olanak tanır.

SolutionAnnotator Kullanımı

Tüm Ultralytics Çözümleri ayrı bir sınıf kullanır SolutionAnnotatorBu, ana sistemi genişletir Annotator sınıfını oluşturur ve aşağıdaki yöntemlere sahiptir:

Yöntem	Dönüş Tipi	Açıklama
`draw_region()`	`None`	Belirtilen noktaları, renkleri ve kalınlığı kullanarak bir bölge çizer.
`queue_counts_display()`	`None`	Belirtilen bölgedeki kuyruk sayılarını görüntüler.
`display_analytics()`	`None`	Otopark yönetimi için genel istatistikleri görüntüler.
`estimate_pose_angle()`	`float`	Bir nesne pozundaki üç nokta arasındaki açıyı hesaplar.
`draw_specific_points()`	`None`	Görüntü üzerinde belirli anahtar noktaları çizer.
`plot_workout_information()`	`None`	Görüntü üzerine etiketli bir metin kutusu çizer.
`plot_angle_and_count_and_stage()`	`None`	Antrenman takibi için açı, adım sayısı ve aşamayı görselleştirir.
`plot_distance_and_line()`	`None`	Merkezler arasındaki mesafeyi görüntüler ve bunları bir çizgi ile birleştirir.
`display_objects_labels()`	`None`	Sınırlayıcı kutulara nesne sınıfı etiketleriyle açıklama ekler.
`seg_bbox()`	`None`	Bölümlere ayrılmış nesneler için konturlar çizer ve isteğe bağlı olarak bunları etiketler.
`sweep_annotator()`	`None`	Dikey bir süpürme çizgisini ve isteğe bağlı etiketi görselleştirir.
`visioneye()`	`None`	Nesne merkezlerini görsel bir "göz" noktasına eşler ve bağlar.
`circle_label()`	`None`	Sınırlayıcı kutu yerine dairesel bir etiket çizer.
`text_label()`	`None`	Sınırlayıcı kutu yerine dikdörtgen bir etiket çizer.

SolutionResults ile çalışma

Tüm Çözüm çağrıları bir liste döndürür SolutionResults nesneleri, çözümler hakkında kapsamlı bilgiler içerir.

Nesne sayımı için sonuçlar şunları içerir incounts, outcountsve 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

Daha fazla ayrıntı için bkz. SolutionResults sınıf dokümantasyonu.

CLI ile Çözüm Kullanımı

Komut Bilgisi

Çözümlerin çoğu, aşağıdakiler de dahil olmak üzere doğrudan komut satırı arayüzü aracılığıyla kullanılabilir:

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

Sözdizimi

yolo SOLUTIONS SOLUTION_NAME ARGS

SOLUTIONS gerekli bir anahtar kelimedir.
SOLUTION_NAME biridir: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS (isteğe bağlı) özeldir arg=value çiftleri, örneğin show_in=True, varsayılan ayarları geçersiz kılmak için.

yolo solutions count show=True # for object counting

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

Çözümlerimize Katkıda Bulunun

Topluluktan gelen katkıları memnuniyetle karşılıyoruz! Ultralytics YOLO adresinde henüz çözümlerimizde yer almayan belirli bir konuda uzmanlaştıysanız, uzmanlığınızı paylaşmanızı öneririz. Bir kılavuz yazmak, topluluğa geri vermek ve belgelerimizi daha kapsamlı ve kullanıcı dostu hale getirmemize yardımcı olmak için harika bir yoldur.

Başlamak için lütfen 🛠️ adresinde bir Çekme İsteğinin (PR) nasıl açılacağına ilişkin yönergeler için Katkıda Bulunma Kılavuzumuzu okuyun. Katkılarınızı dört gözle bekliyoruz!

Ultralytics YOLO ekosistemini daha sağlam ve çok yönlü hale getirmek için birlikte çalışalım 🙏!

SSS

Gerçek zamanlı nesne sayımı için Ultralytics YOLO adresini nasıl kullanabilirim?

Ultralytics YOLO11 gelişmiş nesne algılama yeteneklerinden yararlanarak gerçek zamanlı nesne sayımı için kullanılabilir. Canlı video akışı analizi için YOLO11 adresini ayarlamak üzere Nesne Sayma hakkındaki ayrıntılı kılavuzumuzu takip edebilirsiniz. Basitçe YOLO11 adresini kurun, modelinizi yükleyin ve nesneleri dinamik olarak saymak için video karelerini işleyin.

Güvenlik sistemleri için Ultralytics YOLO kullanmanın faydaları nelerdir?

Ultralytics YOLO11 gerçek zamanlı nesne algılama ve uyarı mekanizmaları sunarak güvenlik sistemlerini geliştirir. YOLO11 adresini kullanarak, gözetim alanında yeni nesneler algılandığında uyarıları tetikleyen bir güvenlik alarm sistemi oluşturabilirsiniz. Güçlü güvenlik izleme için YOLO11 ile bir Güvenlik Alarm Sisteminin nasıl kurulacağını öğrenin.

Ultralytics YOLO kuyruk yönetim sistemlerini nasıl geliştirebilir?

Ultralytics YOLO11 kuyruklardaki insanları doğru bir şekilde sayarak ve izleyerek kuyruk yönetimi sistemlerini önemli ölçüde iyileştirebilir, böylece bekleme sürelerini azaltmaya ve hizmet verimliliğini optimize etmeye yardımcı olabilir. Etkili kuyruk izleme ve analizi için YOLO11 adresinin nasıl uygulanacağını öğrenmek için Kuyruk Yönetimi hakkındaki ayrıntılı kılavuzumuzu izleyin.

Ultralytics YOLO egzersiz takibi için kullanılabilir mi?

Evet, Ultralytics YOLO11 fitness rutinlerini gerçek zamanlı olarak takip ve analiz ederek antrenmanları izlemek için etkili bir şekilde kullanılabilir. Bu, egzersiz formunun ve performansının hassas bir şekilde değerlendirilmesini sağlar. YOLO11 kullanarak yapay zeka destekli bir egzersiz izleme sisteminin nasıl kurulacağını öğrenmek için Egzersiz İzleme kılavuzumuzu keşfedin.

Ultralytics YOLO veri görselleştirme için ısı haritaları oluşturmaya nasıl yardımcı olur?

Ultralytics YOLO11 belirli bir alandaki veri yoğunluğunu görselleştirmek için ısı haritaları oluşturabilir ve yüksek etkinlik veya ilgi alanlarını vurgulayabilir. Bu özellik özellikle çeşitli bilgisayarla görme görevlerindeki kalıpları ve eğilimleri anlamak için kullanışlıdır. Kapsamlı veri analizi ve görselleştirme için YOLO11 ile Isı Haritaları oluşturma ve kullanma hakkında daha fazla bilgi edinin.

📅 9 ay önce oluşturuldu ✏️ 3 gün önce güncellendi