Bỏ để qua phần nội dung

Ước tính tốc độ bằng cách sử dụng Ultralytics YOLOv8 🚀

Ước tính tốc độ là gì?

Ước tính tốc độ là quá trình tính toán tốc độ di chuyển của một đối tượng trong một bối cảnh nhất định, thường được sử dụng trong các ứng dụng thị giác máy tính. Sử dụng Ultralytics YOLOv8 Giờ đây, bạn có thể tính toán tốc độ của đối tượng bằng cách sử dụng theo dõi đối tượng cùng với dữ liệu khoảng cách và thời gian, rất quan trọng đối với các nhiệm vụ như lưu lượng truy cập và giám sát. Độ chính xác của ước tính tốc độ ảnh hưởng trực tiếp đến hiệu quả và độ tin cậy của các ứng dụng khác nhau, làm cho nó trở thành một thành phần quan trọng trong sự tiến bộ của các hệ thống thông minh và quy trình ra quyết định theo thời gian thực.



Xem: Ước tính tốc độ bằng cách sử dụng Ultralytics YOLOv8

Kiểm tra blog của chúng tôi

Để biết thông tin chi tiết sâu hơn về ước tính tốc độ, hãy xem bài đăng trên blog của chúng tôi: Ultralytics YOLOv8 để ước tính tốc độ trong các dự án thị giác máy tính

Ưu điểm của ước tính tốc độ?

  • Kiểm soát giao thông hiệu quả: Ước tính tốc độ chính xác hỗ trợ quản lý lưu lượng giao thông, tăng cường an toàn và giảm tắc nghẽn trên đường.
  • Điều hướng tự động chính xác: Trong các hệ thống tự trị như xe tự lái, ước tính tốc độ đáng tin cậy đảm bảo điều hướng xe an toàn và chính xác.
  • Tăng cường an ninh giám sát: Ước tính tốc độ trong phân tích giám sát giúp xác định các hành vi bất thường hoặc các mối đe dọa tiềm ẩn, nâng cao hiệu quả của các biện pháp bảo mật.

Ứng dụng trong thế giới thực

Giao thông vận tải Giao thông vận tải
Ước tính tốc độ trên đường sử dụng Ultralytics YOLOv8 Ước tính tốc độ trên cầu bằng cách sử dụng Ultralytics YOLOv8
Ước tính tốc độ trên đường sử dụng Ultralytics YOLOv8 Ước tính tốc độ trên cầu bằng cách sử dụng Ultralytics YOLOv8

Ước tính tốc độ bằng cách sử dụng YOLOv8 Ví dụ

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
names = model.model.names

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_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

line_pts = [(0, 360), (1280, 360)]

# Init speed-estimation obj
speed_obj = solutions.SpeedEstimator(
    reg_pts=line_pts,
    names=names,
    view_img=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    tracks = model.track(im0, persist=True, show=False)

    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()
Tốc độ là ước tính

Tốc độ sẽ là ước tính và có thể không hoàn toàn chính xác. Ngoài ra, ước tính có thể thay đổi tùy thuộc vào tốc độ GPU.

Lập luận SpeedEstimator

Tên Kiểu Mặc định Sự miêu tả
names dict None Từ điển tên lớp.
reg_pts list [(20, 400), (1260, 400)] Danh sách các điểm khu vực để ước tính tốc độ.
view_img bool False Có hiển thị hình ảnh với chú thích hay không.
line_thickness int 2 Độ dày của các đường để vẽ hộp và bản nhạc.
region_thickness int 5 Độ dày của các đường vùng.
spdl_dist_thresh int 10 Ngưỡng khoảng cách để tính toán tốc độ.

Lập luận model.track

Tên Kiểu Mặc định Sự miêu tả
source im0 None Thư mục nguồn cho hình ảnh hoặc video
persist bool False Các rãnh liên tục giữa các khung hình
tracker str botsort.yaml Phương pháp theo dõi 'bytetrack' hoặc 'botsort'
conf float 0.3 Ngưỡng tin cậy
iou float 0.5 Ngưỡng IOU
classes list None Lọc kết quả theo lớp, tức là lớp = 0 hoặc lớp = [0,2,3]
verbose bool True Hiển thị kết quả theo dõi đối tượng


Created 2024-01-05, Updated 2024-06-10
Authors: glenn-jocher (6), IvorZhu331 (1), RizwanMunawar (2), Burhan-Q (1), AyushExel (1)

Ý kiến