Đếm đối tượng bằng Ultralytics YOLO26#

Để đếm đối tượng trong video bằng Ultralytics YOLO26, bạn có thể thực hiện theo các bước sau:

1. Nhập các thư viện cần thiết (cv2, ultralytics).
2. Xác định vùng đếm (ví dụ: đa giác, đường, v.v.).
3. Thiết lập tính năng thu video và khởi tạo bộ đếm đối tượng.
4. Xử lý từng frame để theo dõi đối tượng và đếm chúng trong vùng đã xác định.

Dưới đây là một ví dụ đơn giản về việc đếm trong một vùng:

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")

Để xem các cấu hình và tùy chọn nâng cao hơn, hãy tham khảo giải pháp RegionCounter để đếm đối tượng trong nhiều vùng đồng thời.

Sử dụng Ultralytics YOLO26 để đếm đối tượng mang lại một số ưu điểm:

1. Tối ưu hóa tài nguyên: Công cụ này hỗ trợ quản lý tài nguyên hiệu quả bằng cách cung cấp số lượng chính xác, giúp tối ưu hóa việc phân bổ tài nguyên trong các ngành như quản lý hàng tồn kho.
2. Tăng cường bảo mật: Công cụ này nâng cao khả năng bảo mật và giám sát bằng cách theo dõi, đếm chính xác các thực thể, hỗ trợ phát hiện mối đe dọa chủ động và hệ thống bảo mật.
3. Ra quyết định dựa trên thông tin: Công cụ này cung cấp thông tin chuyên sâu có giá trị cho việc ra quyết định, tối ưu hóa quy trình trong các lĩnh vực như bán lẻ, quản lý giao thông và nhiều lĩnh vực khác.
4. Xử lý thời gian thực: Kiến trúc của YOLO26 cho phép suy luận thời gian thực, phù hợp với các luồng video trực tiếp và các ứng dụng nhạy cảm về thời gian.

Để xem các ví dụ triển khai và ứng dụng thực tế, hãy khám phá giải pháp TrackZone để theo dõi đối tượng trong các vùng cụ thể.

Để đếm các lớp đối tượng cụ thể bằng Ultralytics YOLO26, bạn cần chỉ định những lớp quan tâm trong giai đoạn theo dõi. Dưới đây là một ví dụ bằng Python:

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])

Trong ví dụ này, classes_to_count=[0, 2] có nghĩa là đếm các đối tượng thuộc lớp 0 và 2 (ví dụ: người và ô tô trong bộ dữ liệu COCO). Bạn có thể tìm thêm thông tin về chỉ số lớp trong tài liệu bộ dữ liệu COCO.

Ultralytics YOLO26 mang lại một số ưu điểm so với các model phát hiện đối tượng khác như Faster R-CNN, SSD và các phiên bản YOLO trước đây:

1. Tốc độ và hiệu quả: YOLO26 cung cấp khả năng xử lý thời gian thực, phù hợp với các ứng dụng yêu cầu suy luận tốc độ cao như giám sát và lái xe tự động.
2. Độ chính xác: Model này cung cấp độ chính xác phát hiện và theo dõi hiện đại, giảm các trường hợp dương tính giả và cải thiện độ tin cậy tổng thể của hệ thống.
3. Dễ dàng tích hợp: YOLO26 tích hợp liền mạch với nhiều nền tảng và thiết bị, bao gồm thiết bị di động và thiết bị biên, yếu tố then chốt đối với các ứng dụng AI hiện đại.
4. Tính linh hoạt: Hỗ trợ các tác vụ phát hiện và phân đoạn, kết hợp chế độ theo dõi, cùng các model có thể cấu hình để đáp ứng yêu cầu của từng trường hợp sử dụng.

Hãy tham khảo Tài liệu YOLO26 của Ultralytics để tìm hiểu sâu hơn về các tính năng và so sánh hiệu năng của model.

Có, Ultralytics YOLO26 rất phù hợp với các ứng dụng nâng cao như phân tích đám đông và quản lý giao thông nhờ khả năng phát hiện thời gian thực, khả năng mở rộng và tính linh hoạt khi tích hợp. Các tính năng nâng cao của model cho phép theo dõi, đếm và phân loại đối tượng với độ chính xác cao trong các môi trường năng động. Một số trường hợp sử dụng gồm:

• Phân tích đám đông: Giám sát và quản lý các khu vực tập trung đông người, đảm bảo an toàn và tối ưu hóa luồng di chuyển của đám đông bằng tính năng đếm dựa trên vùng.
• Quản lý giao thông: Theo dõi và đếm phương tiện, phân tích mô hình giao thông và quản lý tình trạng ùn tắc theo thời gian thực bằng khả năng ước tính tốc độ.
• Phân tích bán lẻ: Phân tích mô hình di chuyển của khách hàng và tương tác với sản phẩm để tối ưu hóa bố cục cửa hàng và cải thiện trải nghiệm khách hàng.
• Tự động hóa công nghiệp: Đếm sản phẩm trên băng chuyền và giám sát dây chuyền sản xuất để kiểm soát chất lượng và nâng cao hiệu quả.

Để xem các ứng dụng chuyên biệt hơn, hãy khám phá Các giải pháp Ultralytics với bộ công cụ toàn diện được thiết kế cho các bài toán thị giác máy tính trong thực tế.