YOLO Vision 2026：

使用 Ultralytics YOLO26 进行物体计数#

什么是物体计数？#

Open Object Counting In Colab

使用 Ultralytics YOLO26 进行对象计数包括对视频和摄像头流中的特定对象进行准确识别和计数。得益于其最先进的算法和深度学习功能，YOLO26 在实时应用中表现出色，可为人群分析和监控等各种场景提供高效、精确的对象计数。



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

物体计数的优势#

  • 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，优化库存管理等应用中的资源分配。
  • 增强安全性： 对象计数通过准确跟踪和计数实体来增强安全性和监控，有助于主动进行威胁检测。
  • 明智的决策： 对象计数为决策提供有价值的见解，优化零售、交通管理以及各种其他领域的流程。

现实世界应用#

物流水产养殖
Conveyor Belt Packets Counting Using Ultralytics YOLO26Fish Counting in Sea using Ultralytics YOLO26
使用 Ultralytics YOLO26 进行传送带包裹计数使用 Ultralytics YOLO26 进行海中鱼类计数

使用 YOLO26 进行物体计数#

定义一个计数 region（一条线需要两个点，一个多边形需要三个或更多点），并将其传递给 ObjectCounter 解决方案。计数器会在各帧之间跟踪每个对象，并在被跟踪的对象穿过线条或区域时统计进出（IN/OUT）计数，从而返回可写入输出视频的带标注的帧。

使用 Ultralytics YOLO 进行物体计数
# 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 参数接受两个点（用于线）或具有三个或更多点的多边形。按照连接顺序定义坐标，以便计数器准确知晓进出发生的位置。

ObjectCounter 参数#

以下是包含 ObjectCounter 参数的表格：

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 或 dictNone定义感兴趣区域的点，可以是 (x, y) 元组的列表，也可以是将区域名称映射到多个区域的点列表的字典（仅限 RegionCounter）。当为 None 时，需要区域的解决方案将回退到预定义的默认值。
line_widthint2解决方案绘制的框、关键点和计数的线条粗细。
verboseboolTrue启用解决方案针对每帧的输入形状、类别计数和处理速度的日志记录。跟踪调用本身始终是静默的。

ObjectCounter 解决方案允许使用几个 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的对象，但也可能包含误报。
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] 仅跟踪指定的类别。
devicestrNone指定用于推理的设备（例如 cpu、cuda:0 或 0）。允许用户在 CPU、特定的 GPU 或用于模型执行的其他计算设备之间进行选择。

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如果为 True，则在窗口中显示带注释的图像或视频。对于开发或测试期间的即时视觉反馈非常有用。
show_confboolTrue在标签旁显示每次检测的置信度得分。让你深入了解模型对每次检测的确定性。
show_labelsboolTrue在视觉输出中显示每次检测的标签。提供对检测到对象的即时理解。

常见问题解答#

  • 要使用 Ultralytics YOLO26 对视频中的物体进行计数，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、线段等）。
    3. 设置视频捕获并初始化物体计数器。
    4. 处理每一帧以跟踪物体并在定义的区域内进行计数。

    这是一个简单的区域计数示例：

    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")

    有关更高级的配置和选项，请查看 RegionCounter solution 以了解如何在多个区域中同时对对象进行计数。

  • 使用 Ultralytics YOLO26 进行物体计数有以下几点优势：

    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，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性和监控，有助于主动进行威胁检测和安全系统建设。
    3. 明智的决策制定： 它为决策提供有价值的见解，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，使其适用于实时视频流和时间敏感型应用。

    有关实现示例和实际应用，请探索 TrackZone solution 以在特定区域中跟踪对象。

  • 要使用 Ultralytics YOLO26 统计特定类别的物体，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] 意味着它对类 0 和 2 的对象进行计数（例如 COCO 数据集中的 person 和 car）。你可以在 COCO dataset documentation 中找到有关类索引的更多信息。

  • 与 Faster R-CNN、SSD 和之前的 YOLO 版本等其他物体检测模型相比，Ultralytics YOLO26 具有以下优势：

    1. 速度与效率： YOLO26 提供实时处理能力，非常适合需要高速推理的应用，例如监控和自动驾驶。
    2. Accuracy: 它提供最先进的检测和追踪准确率，减少误报并提高整体系统可靠性。
    3. 易于集成： YOLO26 提供与各种平台和设备（包括移动设备和边缘设备）的无缝集成，这对于现代 AI 应用至关重要。
    4. Flexibility: 支持基于 track mode 的 detection 和 segmentation 任务，并拥有可配置的模型以满足特定的用例需求。

    查看 Ultralytics YOLO26 Documentation 以深入了解其功能和性能比较。

  • 可以，由于 Ultralytics YOLO26 具备实时检测能力、可扩展性和集成灵活性，它非常适合人群分析和交通管理等高级应用。其先进的功能允许在动态环境中进行高精度的物体跟踪、计数和分类。示例用例包括：

    • 人群分析： 监控和管理大型集会，利用基于区域的计数确保安全并优化人群流动。
    • 交通管理： 借助速度估计功能实时跟踪和计算车辆、分析交通模式并管理拥堵。
    • 零售分析： 分析顾客的移动模式和产品互动，从而优化门店布局并改善顾客体验。
    • 工业自动化： 统计传送带上的产品并监控生产线，以进行质量控制和效率提升。

    对于更专业的应用，请探索 Ultralytics Solutions，以获取专为现实世界计算机视觉挑战而设计的一整套工具。

贡献者
GLglenn-jocher24RIRizwanMunawar24RAraimbekovm5MAMatthewNoyce2JEJESUSROYETH1PDpderrenger1LEleonnil1BUBurhan-Q1IVIvorZhu3311AYAyushExel1

评论