Đếm đối tượng bằng Ultralytics YOLO26#

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

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

Dưới đây là 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 có các cấu hình và tùy chọn nâng cao hơn, hãy xem qua RegionCounter solution để đếm các đối tượng ở nhiều vùng đồng thời.

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

1. Tối ưu hóa tài nguyên: Nó giúp 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 inventory management.
2. Bảo mật nâng cao: Nó nâng cao bảo mật và giám sát bằng cách theo dõi và đếm chính xác các thực thể, hỗ trợ phát hiện mối đe dọa chủ động và security systems.
3. Ra quyết định dựa trên dữ liệu: Nó cung cấp thông tin chi tiết 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 hơn thế nữa.
4. Xử lý thời gian thực: Kiến trúc của YOLO26 cho phép real-time inference, giúp nó phù hợp với các luồng video trực tiếp và các ứng dụng đòi hỏi độ trễ thấp.

Đối với các ví dụ thực thi và ứng dụng thực tế, hãy khám phá TrackZone solution để theo dõi các đối tượng trong các khu vực cụ thể.

Để đếm các lớp đối tượng cụ thể bằng Ultralytics YOLO26, bạn cần chỉ định các lớp bạn quan tâm trong giai đoạn theo dõi. Dưới đây là 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 nó đếm các đối tượng thuộc lớp 0 và 2 (ví dụ: person và car trong tập dữ liệu COCO). Bạn có thể tìm thêm thông tin về các chỉ số lớp trong COCO dataset documentation.

Ultralytics YOLO26 cung cấp một số ưu điểm so với các mô hình phát hiện đối tượng khác như Faster R-CNN, SSD và các phiên bản YOLO trước đó:

1. Tốc độ và hiệu quả: YOLO26 cung cấp khả năng xử lý thời gian thực, lý tưởng cho các ứng dụng đòi hỏi suy luận tốc độ cao, như giám sát và autonomous driving.
2. Accuracy: Mang lại độ chính xác về phát hiện và theo dõi đạt tiêu chuẩn tiên tiến, giảm thiểu các kết quả dương tính giả và cải thiện độ tin cậy tổng thể của hệ thống.
3. Dễ tích hợp: YOLO26 cung cấp khả năng tích hợp liền mạch với nhiều nền tảng và thiết bị khác nhau, bao gồm di động và edge devices, điều rất quan trọng đối với các ứng dụng AI hiện đại.
4. Flexibility: Hỗ trợ các tác vụ detection và segmentation cùng với chế độ track mode phía trên, đồng thời cung cấp các model có thể cấu hình để đáp ứng các yêu cầu cụ thể của trường hợp sử dụng.

Hãy xem YOLO26 Documentation của Ultralytics để tìm hiểu sâu hơn về các tính năng và so sánh hiệu suất.

Có, Ultralytics YOLO26 hoàn toàn phù hợp cho 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 sự linh hoạt trong tích hợp. Các tính năng tiên tiến của nó cho phép theo dõi, đếm và phân loại đối tượng với độ chính xác cao trong các môi trường năng động. Các trường hợp sử dụng ví dụ bao gồm:

• Phân tích đám đông: Theo dõi và quản lý các cuộc tụ tập lớn, đảm bảo an toàn và tối ưu hóa luồng đám đông với các tính năng region-based counting.
• Quản lý giao thông: Theo dõi và đếm phương tiện, phân tích các mẫu giao thông, và quản lý ùn tắc trong thời gian thực với khả năng speed estimation.
• Phân tích bán lẻ: Phân tích các mô hình di chuyển của khách hàng và tương tác với sản phẩm để tối ưu hóa bố trí cửa hàng và cải thiện trải nghiệm khách hàng.
• Tự động hóa công nghiệp: Đếm sản phẩm trên băng chuyền và giám sát các dây chuyền sản xuất để kiểm soát chất lượng và cải thiện hiệu suất.

Đối với các ứng dụng chuyên specialized hơn, hãy khám phá Ultralytics Solutions để có một bộ công cụ toàn diện được thiết kế cho các thách thức thị giác máy tính trong thế giới thực.