使用 Ultralytics YOLO11 进行目标计数

Q: How do I count objects in a video using Ultralytics YOLO11?

要使用 Ultralytics YOLO11 在视频中计数对象，您可以按照以下步骤操作：这是一个在区域中计数的简单示例：有关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。

Q: What are the advantages of using Ultralytics YOLO11 for object counting?

使用 Ultralytics YOLO11 进行对象计数具有以下几个优势：有关实施示例和实际应用，请浏览 TrackZone 解决方案，以跟踪特定区域中的对象。

Q: How can I count specific classes of objects using Ultralytics YOLO11?

要使用 Ultralytics YOLO11 计数特定类别的对象，您需要在跟踪阶段指定您感兴趣的类别。以下是一个 python 示例：在此示例中，classes_to_count=[0, 2] 表示它计算类别 0 和 2 的对象（例如，COCO 数据集中的人和汽车）。您可以在 COCO 数据集文档中找到有关类索引的更多信息。

Q: Can I use YOLO11 for advanced applications like crowd analysis and traffic management?

是的，由于 Ultralytics YOLO11 具有实时检测能力、可扩展性和集成灵活性，因此非常适合人群分析和交通管理等高级应用。它的高级功能允许在动态环境中进行高精度的对象跟踪、计数和分类。用例包括：对于更专业的应用，请浏览 Ultralytics 解决方案，以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。

什么是目标计数？

使用 Ultralytics YOLO11 进行目标计数包括准确识别和计数视频及摄像头流中的特定目标。YOLO11 在实时应用中表现出色，凭借其最先进的算法和深度学习能力，为人群分析和监控等各种场景提供高效而精确的目标计数。

观看： 如何使用 Ultralytics YOLO11 执行实时对象计数 🍏

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 YOLO11 进行传送带数据包计数	使用 Ultralytics YOLO11 进行海洋鱼类计数

使用 Ultralytics YOLO 进行对象计数

CLIPython

# 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)]"

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)]  # rectangle 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="yolo11n.pt",  # model="yolo11n-obb.pt" for object counting with OBB model.
    # classes=[0, 2],  # count specific classes i.e. person and car with COCO pretrained model.
    # tracker="botsort.yaml",  # choose trackers i.e "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
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`show_in`	`bool`	`True`	控制是否在视频流上显示进入计数的标志。
`show_out`	`bool`	`True`	控制是否在视频流上显示离开计数的标志。
`region`	`list`	`'[(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
`tracker`	`str`	`'botsort.yaml'`	指定要使用的跟踪算法，例如： `bytetrack.yaml` 或 `botsort.yaml`.
`conf`	`float`	`0.3`	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。
`iou`	`float`	`0.5`	设置用于过滤重叠检测的 Intersection over Union (IoU) 阈值。
`classes`	`list`	`None`	按类别索引过滤结果。例如， `classes=[0, 2, 3]` 仅跟踪指定的类别。
`verbose`	`bool`	`True`	控制跟踪结果的显示，提供被跟踪对象的可视化输出。
`device`	`str`	`None`	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
`show`	`bool`	`False`	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_width`	`None or int`	`None`	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_conf`	`bool`	`True`	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_labels`	`bool`	`True`	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

如何使用 Ultralytics YOLO11 在视频中计数目标？

要使用 Ultralytics YOLO11 计数视频中的对象，您可以按照以下步骤操作：

导入必要的库（cv2, ultralytics）。
定义计数区域（例如，多边形、线等）。
设置视频捕获并初始化对象计数器。
处理每一帧以跟踪对象并在定义的区域内对其进行计数。

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", "yolo11n.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 YOLO11 进行目标计数有哪些优势？

使用 Ultralytics YOLO11 进行对象计数具有以下优势：

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。
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。
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。
实时处理: YOLO11 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 YOLO11 计数特定类别的目标？

要使用 Ultralytics YOLO11 计数特定类别的对象，您需要在跟踪阶段指定您感兴趣的类别。以下是一个 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", "yolo11n.pt", [0, 2])