跳转至内容

使用 Ultralytics YOLO26 进行物体计数

什么是目标计数？

在 Colab 中打开物体计数

使用 Ultralytics YOLO26 进行目标计数涉及在视频和摄像头流中准确识别和计数特定目标。YOLO26 凭借其最先进的算法和 深度学习 能力，在实时应用中表现出色，为人群分析和监控等各种场景提供高效、精确的目标计数。



观看： 如何使用 Ultralytics YOLO26 进行实时目标计数 🍏

对象计数的优势

  • 资源优化： 对象计数通过提供准确的计数来促进高效的资源管理，从而优化库存管理等应用中的资源分配。
  • 增强的安全性： 对象计数通过准确地跟踪和计数实体来增强安全性和监视，有助于主动威胁检测。
  • 知情决策： 对象计数为决策提供了有价值的见解，优化了零售、交通管理和各种其他领域的流程。

实际应用

物流水产养殖
使用 Ultralytics YOLO26 进行传送带包裹计数使用 Ultralytics YOLO26 进行海洋鱼类计数
使用 Ultralytics YOLO26 进行传送带包裹计数使用 Ultralytics YOLO26 进行海洋鱼类计数

使用 Ultralytics YOLO 进行对象计数

# 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)]"

字段 region 参数接受两个点（用于一条线）或一个包含三个或更多点的多边形。按照它们应该连接的顺序定义坐标，以便计数器准确知道入口和出口发生的位置。

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# region_points = [(20, 400), (1080, 400)]                                      # line counting
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]  # rectangular region
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)]   # polygon region

# Video writer
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("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize object counter object
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, e.g., person and car with the COCO pretrained model.
    # tracker="botsort.yaml",  # choose trackers, e.g., "bytetrack.yaml"
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = counter(im0)

    # print(results)  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

ObjectCounter 参数

这是一个包含以下内容的表格 ObjectCounter 参数：

参数类型默认值描述
modelstrNoneUltralytics YOLO 模型文件的路径。
show_inboolTrue控制是否在视频流上显示进入计数的标志。
show_outboolTrue控制是否在视频流上显示离开计数的标志。
regionlist'[(20, 400), (1260, 400)]'定义计数区域的点列表。

字段 ObjectCounter 解决方案允许使用多个 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，例如： bytetrack.yaml 或 botsort.yaml.
conffloat0.1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设置交并比 (IoU) 阈值，用于过滤重叠的检测结果。
classeslistNone按类别索引过滤结果。例如， classes=[0, 2, 3] 仅跟踪指定的类别。
verboseboolTrue控制跟踪结果的显示，提供被跟踪对象的可视化输出。
devicestrNone指定用于推理的设备（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。

此外，还支持下面列出的可视化参数：

参数类型默认值描述
showboolFalse可视化参数： True，则在窗口中显示带注释的图像或视频。这对于开发或测试期间的即时视觉反馈非常有用。
line_widthint or NoneNone指定边界框的线条宽度。 如果 None，则线条宽度会根据图像大小自动调整。 提供视觉自定义以提高清晰度。
show_confboolTrue在标签旁边显示每个检测的置信度分数。 可以深入了解模型对每次检测的确定性。
show_labelsboolTrue在可视化输出中显示每个检测的标签。 能够立即理解检测到的对象。

常见问题

如何在视频中计数物体，使用 Ultralytics YOLO26？

要使用 Ultralytics YOLO26 对视频中的目标进行计数，您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、线等）。
  3. 设置视频捕获并初始化对象计数器。
  4. 处理每一帧以track对象并在定义的区域内进行计数。

这是一个在区域中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")

如需更高级的配置和选项，请查看 RegionCounter 解决方案，以同时计算多个区域中的对象。

使用 Ultralytics YOLO26 进行目标计数有哪些优势？

使用 Ultralytics YOLO26 进行目标计数具有以下几个优势：

  1. 资源优化： 它通过提供准确的计数来促进高效的资源管理，从而帮助优化库存管理等行业的资源分配。
  2. 增强的安全性： 通过准确地跟踪和计数实体，增强了安全性和监视，有助于主动威胁检测和安全系统。
  3. 明智的决策： 它为决策提供了有价值的见解，优化了零售、交通管理等领域的流程。
  4. 实时处理： YOLO26 的架构支持 实时推理，使其适用于实时视频流和时间敏感型应用。

有关实施示例和实际应用，请浏览 TrackZone 解决方案，了解如何在特定区域中跟踪对象。

如何使用 Ultralytics YOLO26 对特定类别的目标进行计数？

要使用 Ultralytics YOLO26 对特定类别的目标进行计数，您需要在 track 阶段指定您感兴趣的类别。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])

在这个例子中， classes_to_count=[0, 2] 表示它计算类别的对象 0 和 2 （例如，COCO 数据集中的人和汽车）。您可以在以下位置找到有关类索引的更多信息 COCO 数据集文档.

为什么在实时应用中应优先选择 YOLO26 而非其他 目标检测 模型？

Ultralytics YOLO26 相较于 Faster R-CNN、SSD 和之前的 YOLO 版本等其他目标检测模型，具有以下几个优势：

  1. 速度与效率： YOLO26 提供实时处理能力，使其成为需要高速推理的应用（如监控和 自动驾驶）的理想选择。
  2. 准确性: 它为对象检测和跟踪任务提供最先进的准确性，减少误报的数量并提高整体系统可靠性。
  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，这对于现代 AI 应用至关重要。
  4. 灵活性： 支持各种任务，如对象检测、分割和跟踪，并提供可配置的模型以满足特定的用例需求。

请查阅 Ultralytics YOLO26 文档，深入了解其功能和性能比较。

YOLO26 能否用于人群分析和交通管理等高级应用？

是的，Ultralytics YOLO26 凭借其实时 detect 能力、可扩展性和集成灵活性，非常适合人群分析和交通管理等高级应用。其先进功能可在动态环境中实现高精度目标 track、计数和分类。示例用例包括：

  • 人群分析： 监控和管理大型聚会，通过基于区域的计数确保安全并优化人群流动。
  • 交通管理： 通过速度估计功能，实时跟踪和计数车辆，分析交通模式并管理拥堵。
  • 零售分析： 分析客户移动模式和产品互动，以优化商店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，并监控生产线以进行质量控制和提高效率。

对于更专业的应用，请浏览 Ultralytics 解决方案，获取一套为应对现实世界计算机视觉挑战而设计的综合工具。



📅 创建于 2 年前 ✏️ 更新于 7 天前
glenn-jocherRizwanMunawarRizwanMunawarMatthewNoycepderrengerleonnilBurhan-QUltralyticsAssistantIvorZhu331AyushExel

评论