Ultralytics Çözümleri: Gerçek Dünya Problemlerini Çözmek için YOLO26'dan Yararlanın
Ultralytics Çözümleri, YOLO modellerinin son teknoloji uygulamalarını sunarak nesne sayma, bulanıklaştırma ve güvenlik sistemleri gibi gerçek dünya çözümleri sunar, çeşitli endüstrilerde verimliliği ve doğruluğu artırır. Pratik ve etkili uygulamalar için YOLO26'nın gücünü keşfedin.
İzle: Komut Satırından (CLI) Ultralytics Çözümleri Nasıl Çalıştırılır | Ultralytics YOLO26 🚀
Çözümler
İşte harika bilgisayar görüşü projeleri oluşturmak için kullanılabilecek, özenle seçilmiş Ultralytics çözümleri listemiz.
- Analitik: Kapsamlı veri analizi yaparak kalıpları keşfedin ve bilinçli kararlar alın, YOLO26'yı açıklayıcı, tahmine dayalı ve reçeteye dayalı analitik için kullanın.
- Mesafe Hesaplama: YOLO26'daki sınırlayıcı kutu merkezlerini kullanarak nesneler arasındaki mesafeleri hesaplayın, bu uzamsal analiz için temeldir.
- Isı haritaları: Bir matris üzerindeki veri yoğunluğunu görselleştirmek için algılama ısı haritalarını kullanın ve bilgisayarlı görü görevlerinde net içgörüler sağlayın.
- Nesne Takibi ile Örnek Segmentasyon: Hassas nesne sınırları ve sürekli izleme elde etmek için YOLO26 ile örnek segmentasyon ve nesne takibini uygulayın.
- Streamlit ile Canlı Çıkarım: Kullanıcı dostu bir Streamlit arayüzü ile YOLO26'nın gücünden yararlanarak gerçek zamanlı nesne tespitini doğrudan web tarayıcınız üzerinden gerçekleştirin.
- Nesne Bulanıklaştırma: Görüntü ve video işlemede gizliliği korumak için YOLO26 kullanarak nesne bulanıklaştırma uygulayın.
- Nesne Sayma: YOLO26 ile gerçek zamanlı nesne saymayı öğrenin. Canlı video akışlarında nesneleri doğru bir şekilde sayma uzmanlığı kazanın.
- Bölgelerde Nesne Sayma: Farklı alanlarda doğru tespit için YOLO26 kullanarak belirli bölgelerdeki nesneleri sayın.
- Nesne Kırpma: Görüntü ve videolardan nesnelerin hassas bir şekilde çıkarılması için YOLO26 ile nesne kırpmada ustalaşın.
- Otopark Yönetimi: YOLO26 ile otopark alanlarında araç akışını düzenleyin ve yönlendirin, böylece alan kullanımını ve kullanıcı deneyimini optimize edin.
- Kuyruk Yönetimi: YOLO26 kullanarak bekleme sürelerini en aza indirmek ve verimliliği artırmak için verimli kuyruk yönetim sistemleri uygulayın.
- Güvenlik Alarm Sistemi: Yeni nesneler tespit edildiğinde uyarıları tetikleyen bir YOLO26 güvenlik alarm sistemi oluşturun. Sistemi özel ihtiyaçlarınıza göre özelleştirin.
- Benzerlik Araması: OpenAI CLIP gömülü vektörlerini Meta FAISS ile birleştirerek akıllı görüntü alımını etkinleştirin; bu sayede "çanta tutan kişi" veya "hareket halindeki araçlar" gibi doğal dil sorguları yapabilirsiniz.
- Hız Tahmini: Otonom araçlar ve trafik izleme gibi uygulamalar için kritik öneme sahip olan YOLO26 ve nesne track tekniklerini kullanarak nesne hızını tahmin edin.
- Bölgede Nesneleri track Etme: Hassas ve verimli izleme için YOLO26 kullanarak video karelerinin belirli bölgelerindeki nesneleri nasıl track edeceğinizi öğrenin.
- VisionEye View Objects Mapping: Bilgisayarın ayrıntıları ayırt etme ve önceliklendirme yeteneğini geliştirerek, insan gözünün belirli nesnelere odaklanmasını taklit eden sistemler geliştirin.
- Antrenman İzleme: YOLO26 kullanarak antrenmanları nasıl izleyeceğinizi keşfedin. Çeşitli fitness rutinlerini gerçek zamanlı olarak track etmeyi ve analiz etmeyi öğrenin.
Çözümler Argümanları
| Argüman | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Bir Ultralytics YOLO model dosyasının yolu. |
region | list | '[(20, 400), (1260, 400)]' | Sayma bölgesini tanımlayan nokta listesi. |
show_in | bool | True | Video akışında giriş sayılarının görüntülenip görüntülenmeyeceğini kontrol etme işareti. |
show_out | bool | True | Video akışında çıkış sayılarının görüntülenip görüntülenmeyeceğini kontrol etme işareti. |
analytics_type | str | 'line' | Grafik türü, örneğin, line, bar, area, veya pie. |
colormap | int | cv2.COLORMAP_JET | Isı haritası için kullanılacak renk haritası. |
json_file | str | None | Tüm otopark koordinat verilerini içeren JSON dosyasına giden yol. |
up_angle | float | 145.0 | 'Yukarı' pozu için açı eşiği. |
kpts | list[int] | '[6, 8, 10]' | Antrenmanları izlemek için kullanılan üç anahtar nokta indeksinin listesi. Bu anahtar noktalar, şınav, barfiks, squat ve karın egzersizleri gibi hareketler için omuzlar, dirsekler ve bilekler gibi vücut eklemlerine veya bölgelerine karşılık gelir. |
down_angle | float | 90.0 | 'Aşağı' pozu için açı eşiği. |
blur_ratio | float | 0.5 | Bulanıklık yoğunluğunun yüzdesini ayarlar, aralıktaki değerlerle 0.1 - 1.0. |
crop_dir | str | 'cropped-detections' | Kırpılmış algılamaların saklanacağı dizin adı. |
records | int | 5 | Güvenlik alarm sistemiyle bir e-posta tetiklemek için toplam tespit sayısı. |
vision_point | tuple[int, int] | (20, 20) | Vizyonun nesneleri izleyeceği ve VisionEye Çözümü kullanılarak yollar çizeceği nokta. |
source | str | None | Giriş kaynağının yolu (video, RTSP, vb.). Yalnızca Solutions komut satırı arayüzü (CLI) ile kullanılabilir. |
figsize | tuple[int, int] | (12.8, 7.2) | Isı haritaları veya grafikler gibi analiz çizelgeleri için şekil boyutu. |
fps | float | 30.0 | Hız hesaplamaları için kullanılan saniye başına kare sayısı. |
max_hist | int | 5 | Hız/yön hesaplamaları için nesne başına izlenecek maksimum geçmiş nokta sayısı. |
meter_per_pixel | float | 0.05 | Piksel mesafesini gerçek dünya birimlerine dönüştürmek için kullanılan ölçekleme faktörü. |
max_speed | int | 120 | Görsel katmanlarda maksimum hız sınırı (uyarılarda kullanılır). |
data | str | 'images' | Benzerlik araması için kullanılan resim dizininin yolu. |
Bağımsız değişkenleri izle
Çözümler ayrıca şuradaki argümanlardan bazılarını destekler: track, gibi parametreler dahil conf, line_width, tracker, model, show, verbose ve classes.
| Argüman | Tür | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Kullanılacak izleme algoritmasını belirtir, örneğin: bytetrack.yaml veya botsort.yaml. |
conf | float | 0.1 | Algılamalar için güven eşiğini ayarlar; daha düşük değerler daha fazla nesnenin izlenmesine olanak tanır ancak yanlış pozitifleri içerebilir. |
iou | float | 0.7 | Çakışan algılamaları filtrelemek için Intersection over Union (IoU) eşiğini ayarlar. |
classes | list | None | Sonuçları sınıf indeksine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları izler. |
verbose | bool | True | İzleme sonuçlarının görüntülenmesini kontrol eder ve izlenen nesnelerin görsel bir çıktısını sağlar. |
device | str | None | Çıkarım için cihazı belirtir (örn. cpu, cuda:0 veya 0). Kullanıcıların model yürütme için CPU, belirli bir GPU veya diğer işlem cihazları arasında seçim yapmasına olanak tanır. |
Görselleştirme argümanları
Şunu kullanabilirsiniz: show_conf, show_labels, ve görselleştirmeyi özelleştirmek için bahsedilen diğer argümanlar.
| Argüman | Tür | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | Eğer True, ek açıklamalı görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim için kullanışlıdır. |
line_width | int or None | None | Sınırlayıcı kutuların çizgi genişliğini belirtir. Eğer None, çizgi genişliği, görüntü boyutuna göre otomatik olarak ayarlanır. Netlik için görsel özelleştirme sağlar. |
show_conf | bool | True | Etiketin yanında her algılama için güvenilirlik puanını görüntüler. Modelin her algılama için kesinliği hakkında fikir verir. |
show_labels | bool | True | Görsel çıktıdaki her algılama için etiketleri görüntüler. Algılanan nesnelerin anında anlaşılmasını sağlar. |
SolutionAnnotator Kullanımı
Tüm Ultralytics Çözümleri ayrı sınıfı kullanır SolutionAnnotator, ana bölümü genişleten Annotator sınıfı ve aşağıdaki yöntemlere sahiptir:
| Metot | Dönüş Türü | 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 | Egzersiz takibi için açıyı, adım sayısını ve aşamayı görselleştirir. |
plot_distance_and_line() | None | Ağırlık merkezleri arasındaki mesafeyi görüntüler ve bunları bir çizgiyle birbirine bağlar. |
display_objects_labels() | None | Sınırlayıcı kutuları nesne sınıfı etiketleriyle açıklar. |
sweep_annotator() | None | Dikey bir süpürme çizgisini ve isteğe bağlı etiketi görselleştirin. |
visioneye() | None | Nesne merkez noktalarını görsel bir "göz" noktasına eşler ve bağlar. |
adaptive_label() | None | Sınırlayıcı bir kutunun ortasında dairesel veya dikdörtgen bir arka plan şekli etiketi çizin. |
SolutionResults ile Çalışmak
Hariç Similarity Search, her Çözüm çağrısı bir listesini döndürür SolutionResults nesnesi.
- Nesne sayımı için sonuçlar şunları içerir:
in_count,out_countveclasswise_count.
SolutionResults
import cv2
from ultralytics import solutions
im0 = cv2.imread("path/to/img")
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
counter = solutions.ObjectCounter(
show=True, # display the output
region=region_points, # pass region points
model="yolo26n.pt", # model="yolo26n-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(im0)
print(results.in_count) # display in_counts
print(results.out_count) # display out_counts
print(results.classwise_count) # display classwise_count
SolutionResults nesne aşağıdaki özelliklere sahiptir:
| Özellik | Tür | Açıklama |
|---|---|---|
plot_im | np.ndarray | Sayım, bulanıklık efektleri veya çözüme özel geliştirmeler gibi görsel katmanlara sahip görüntü. |
in_count | int | Video akışında tanımlanan bölgeye giren tespit edilen nesnelerin toplam sayısı. |
out_count | int | Video akışında tanımlanan bölgeden çıkan tespit edilen nesnelerin toplam sayısı. |
classwise_count | Dict[str, int] | Gelişmiş analizler için sınıf bazında giriş/çıkış nesne sayılarını kaydeden sözlük. |
queue_count | int | Önceden tanımlanmış bir kuyruk veya bekleme alanında bulunan nesne sayısı (kuyruk yönetimi için uygundur). |
workout_count | int | Egzersiz takibi sırasında tamamlanan toplam egzersiz tekrarı sayısı. |
workout_angle | float | Form değerlendirmesi için egzersiz sırasında hesaplanan eklem veya poz açısı. |
workout_stage | str | Mevcut egzersiz aşaması veya hareket evresi (örneğin, 'yukarı', 'aşağı'). |
pixels_distance | float | İki nesne veya nokta arasındaki piksel tabanlı mesafe, örneğin sınırlayıcı kutular (mesafe hesaplamaları için uygundur). |
available_slots | int | İzlenen bir alandaki boş yuva sayısı (park yönetimi için uygundur). |
filled_slots | int | İzlenen bir alandaki dolu yuva sayısı (park yönetimi için uygundur). |
email_sent | bool | Bir bildirim veya uyarı e-postasının başarıyla gönderilip gönderilmediğini belirtir (güvenlik alarmı için uygundur). |
total_tracks | int | Video analizi sırasında gözlemlenen toplam benzersiz nesne izi sayısı. |
region_counts | Dict[str, int] | Kullanıcı tanımlı bölgeler veya alanlar içindeki nesne sayıları. |
speed_dict | Dict[str, float] | Hız analizi için kullanışlı olan, hesaplanan nesne hızlarının izleme bazlı sözlüğü. |
total_crop_objects | int | ObjectCropper çözümü tarafından oluşturulan kırpılmış nesne görüntülerinin toplam sayısı. |
speed | Dict[str, float] | İzleme ve çözüm işleme için performans metriklerini içeren sözlük. |
Daha fazla ayrıntı için bkz. SolutionResults sınıf dokümantasyonu.
CLI ile Çözümler 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
- ÇÖZÜMLER gerekli bir anahtar kelimedir.
- ÇÖZÜM_ADI şunlardan biridir:
['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye']. - ARGÜMANLAR (isteğe bağlı) özeldir
arg=valuegibi çiftlershow_in=True, varsayılan ayarları geçersiz kılmak için.
yolo solutions count show=True # for object counting
yolo solutions count source="path/to/video.mp4" # specify video file path
Çözümlerimize Katkıda Bulunun
Topluluktan katkıları memnuniyetle karşılıyoruz! Ultralytics YOLO'nun çözümlerimizde henüz ele alınmayan belirli bir alanında uzmanlaştıysanız, uzmanlığınızı paylaşmanızı öneririz. Bir kılavuz yazmak, topluluğa geri vermenin ve belgelerimizi daha kapsamlı ve kullanıcı dostu hale getirmemize yardımcı olmanın harika bir yoludur.
Başlamak için lütfen bir Çekme İsteği (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
Ultralytics YOLO'yu gerçek zamanlı nesne sayımı için nasıl kullanabilirim?
Ultralytics YOLO26, gelişmiş nesne tespit yeteneklerinden yararlanarak gerçek zamanlı nesne sayma için kullanılabilir. YOLO26'yı canlı video akışı analizi için kurmak üzere Nesne Sayma hakkındaki detaylı rehberimizi takip edebilirsiniz. Nesneleri dinamik olarak saymak için sadece YOLO26'yı kurun, modelinizi yükleyin ve video karelerini işleyin.
Ultralytics YOLO'yu güvenlik sistemleri için kullanmanın faydaları nelerdir?
Ultralytics YOLO26, gerçek zamanlı nesne tespiti ve uyarı mekanizmaları sunarak güvenlik sistemlerini geliştirir. YOLO26'yı kullanarak, gözetim alanında yeni nesneler tespit edildiğinde uyarıları tetikleyen bir güvenlik alarm sistemi oluşturabilirsiniz. Sağlam güvenlik izleme için YOLO26 ile bir Güvenlik Alarm Sistemi nasıl kurulacağını öğrenin.
Ultralytics YOLO kuyruk yönetim sistemlerini nasıl iyileştirebilir?
Ultralytics YOLO26, kuyruklardaki insanları doğru bir şekilde sayarak ve track ederek kuyruk yönetim sistemlerini önemli ölçüde iyileştirebilir, böylece bekleme sürelerini azaltmaya ve hizmet verimliliğini optimize etmeye yardımcı olur. Etkili kuyruk izleme ve analizi için YOLO26'yı nasıl uygulayacağınızı öğrenmek üzere Kuyruk Yönetimi hakkındaki detaylı rehberimizi takip edin.
Ultralytics YOLO egzersiz takibi için kullanılabilir mi?
Evet, Ultralytics YOLO26, fitness rutinlerini gerçek zamanlı olarak track ederek ve analiz ederek antrenmanları izlemek için etkili bir şekilde kullanılabilir. Bu, egzersiz formunun ve performansının hassas bir şekilde değerlendirilmesini sağlar. YOLO26 kullanarak yapay zeka destekli bir antrenman izleme sistemi nasıl kurulacağını öğrenmek için Antrenman İzleme rehberimizi inceleyin.
Ultralytics YOLO, veri görselleştirme için ısı haritaları oluşturmaya nasıl yardımcı olur?
Ultralytics YOLO26, belirli bir alandaki veri yoğunluğunu görselleştirmek için ısı haritaları oluşturabilir, yüksek aktivite veya ilgi alanlarını vurgular. Bu özellik, çeşitli bilgisayar görüşü görevlerindeki desenleri ve eğilimleri anlamada özellikle faydalıdır. Kapsamlı veri analizi ve görselleştirme için YOLO26 ile Isı Haritaları oluşturma ve kullanma hakkında daha fazla bilgi edinin.
