Ultralytics YOLO27：

使用 Ultralytics YOLO26 进行目标计数#

什么是目标计数？#

Open Object Counting In Colab

使用 Ultralytics YOLO26 进行目标计数，涉及对视频和摄像头流中的特定目标进行准确识别和计数。得益于先进的算法和 深度学习 能力，YOLO26 在实时应用中表现出色，可为人群分析、监控等各种场景提供高效且精准的目标计数。



Watch: How to Perform Real-Time Object Counting with Ultralytics YOLO26 🚀

目标计数的优势#

  • **资源优化：**目标计数可提供准确的计数结果，从而实现高效的资源管理，优化 库存管理 等应用中的资源分配。
  • **增强安全性：**目标计数可准确跟踪和计数实体，从而增强安全与监控能力，帮助主动进行 威胁检测。
  • **助力决策：**目标计数可为决策提供有价值的洞察，优化零售、交通管理 及其他领域中的流程。

实际应用#

物流水产养殖
使用 Ultralytics YOLO26 对传送带上的包裹进行计数使用 Ultralytics YOLO26 对海中鱼类进行计数
使用 Ultralytics YOLO26 对传送带上的包裹进行计数使用 Ultralytics YOLO26 对海中鱼类进行计数

使用 YOLO26 计数目标#

定义一个计数 region——直线需要两个点，多边形需要三个或更多点——并将其传递给 ObjectCounter 解决方案。计数器会跨帧跟踪每个目标，并在被跟踪目标穿过直线或通过区域时统计 IN/OUT 数量，返回一个带标注的帧，你可以将其写入输出视频。

使用 Ultralytics YOLO 进行目标计数
# Run a counting example
yolo solutions count show=True

# Pass a source video
yolo solutions count source="path/to/video.mp4"

# Pass region coordinates
yolo solutions count region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]"

region 参数可以接受两个点（用于直线），也可以接受一个包含三个或更多点的多边形。按照点的连接顺序定义坐标，以便计数器准确了解入口和出口的位置。

ObjectCounter 参数#

下面是 ObjectCounter 参数表：

参数类型默认值描述
modelstrNoneUltralytics YOLO 模型文件的路径。
show_inboolTrue控制是否在视频流中显示进入计数的标志。
show_outboolTrue控制是否在视频流中显示离开计数的标志。
regionlist 或 dictNone定义感兴趣区域的点，可以是 (x, y) 元组列表，也可以是将区域名称映射到多区域点列表的字典（仅限 RegionCounter）。当 None 时，需要区域的解决方案会回退到预定义的默认区域。
line_widthint2解决方案绘制的框、关键点和计数的线条粗细。
verboseboolTrue启用解决方案逐帧记录输入形状、类别计数和处理速度的日志。跟踪调用本身始终保持静默。

ObjectCounter 解决方案支持使用多个 track 参数：

参数类型默认值描述
trackerstr'botsort.yaml'指定要使用的跟踪算法。内置选项：botsort.yaml、bytetrack.yaml、ocsort.yaml、deepocsort.yaml、fasttrack.yaml、tracktrack.yaml。
conffloat0.25设置检测的置信度阈值；较低的值允许跟踪更多对象，但可能包含误报。
ioufloat0.7设置用于过滤重叠检测结果的交并比（IoU）阈值。
classeslistNone按类别索引过滤结果。例如，classes=[0, 2, 3] 仅跟踪指定类别。
devicestrNone指定推理设备（例如 cpu、cuda:0 或 0）。允许用户在 CPU、特定 GPU 或其他计算设备之间进行选择，以执行模型。
imgszint or tuple640目标推理图像大小：用于正方形的整数或 (height, width) 对。形状会根据模型步长进行调整。
max_detint300在跟踪前每帧保留的最大检测数，用于限制解决方案在密集场景中处理的对象数量。
quantizeint or strNone推理精度：针对 PyTorch 和 TorchScript 模型，使用 16 (FP16) 或 32/不设置 (FP32)；其他格式则在其工件和运行时选择的精度下进行计算。它替代了已弃用的 half 标志。

此外，还支持以下列出的可视化参数：

参数类型默认值描述
showboolFalse如果为 True，则会在窗口中显示带标注的图像或视频。适用于开发或测试期间获取即时视觉反馈。
show_confboolTrue在每个检测结果旁显示其置信度分数，让你了解模型对每个检测结果的确定程度。
show_labelsboolTrue在可视化输出中显示每个检测结果的标签，帮助你立即了解检测到的对象。

常见问题#

  • 要使用 Ultralytics YOLO26 对视频中的目标进行计数，你可以按照以下步骤操作：

    1. 导入必要的库（cv2、ultralytics）。
    2. 定义计数区域（例如多边形、直线等）。
    3. 设置视频捕获并初始化目标计数器。
    4. 处理每一帧，以跟踪目标并统计定义区域内的目标数量。

    下面是一个在区域内进行计数的简单示例：

    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")

    如需了解更高级的配置和选项，请查看 RegionCounter solution，以同时统计多个区域中的目标。

  • 使用 Ultralytics YOLO26 进行目标计数具有以下多项优势：

    1. **资源优化：**它通过提供准确的计数结果，促进高效的资源管理，帮助优化 库存管理 等行业中的资源分配。
    2. **增强安全性：**它通过准确跟踪和计数实体来增强安全与监控能力，帮助主动进行威胁检测和 安全系统 防护。
    3. **助力决策：**它可为决策提供有价值的洞察，优化零售、交通管理等领域中的流程。
    4. **实时处理：**YOLO26 的架构支持 实时推理，因此适用于实时视频流和对时间敏感的应用。

    如需查看实现示例和实际应用，请探索 TrackZone solution，了解如何跟踪特定区域中的目标。

  • 要使用 Ultralytics YOLO26 对特定类别的目标进行计数，你需要在跟踪阶段指定感兴趣的类别。下面是一个 Python 示例：

    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])

    在此示例中，classes_to_count=[0, 2] 表示它会统计类别为 0 和 2 的目标（例如 COCO 数据集中的人和汽车）。你可以在 COCO 数据集文档中找到有关类别索引的更多信息。

  • 与 Faster R-CNN、SSD 和之前的 YOLO 版本等其他目标检测模型相比，Ultralytics YOLO26 具有以下多项优势：

    1. **速度和效率：**YOLO26 支持实时处理，非常适合需要高速推理的应用，例如监控和自动驾驶。
    2. **准确性：**它提供先进的检测和跟踪准确性，可减少误报并提升整体系统可靠性。
    3. **易于集成：**YOLO26 可与各种平台和设备无缝集成，包括移动设备和边缘设备，这对现代 AI 应用至关重要。
    4. **灵活性：**支持检测和分割任务，并可叠加使用跟踪模式，同时支持可配置模型以满足特定用例的需求。

    查看 Ultralytics YOLO26 文档，深入了解其功能和性能对比。

  • 可以，凭借实时检测能力、可扩展性和灵活的集成能力，Ultralytics YOLO26 非常适合人群分析和交通管理等高级应用。其高级功能支持在动态环境中高精度地跟踪、计数和分类目标。示例用例包括：

    • **人群分析：**监控和管理大型聚集活动，借助基于区域的计数确保安全并优化人群流动。
    • **交通管理：**利用速度估计能力跟踪和计数车辆、分析交通模式，并实时管理拥堵。
    • **零售分析：**分析客户移动模式和产品互动，以优化店铺布局并改善客户体验。
    • **工业自动化：**统计传送带上的产品数量，并监控生产线，以改善质量控制和生产效率。

    如需了解更多专业应用，请探索 Ultralytics Solutions，其中提供了一套全面的工具，用于应对现实世界中的计算机视觉挑战。

贡献者
GLglenn-jocher24RIRizwanMunawar24RAraimbekovm6MAMatthewNoyce2JEJESUSROYETH1PDpderrenger1LEleonnil1BUBurhan-Q1IVIvorZhu3311AYAyushExel1

评论