使用对象计数Ultralytics YOLO11
什么是对象计数？
使用 Ultralytics YOLO11YOLO11 在实时应用中表现出色，凭借其先进的算法和深度学习能力，可为人群分析和监控等各种场景提供高效、精确的物体计数。
观看： 按类对象计数Ultralytics YOLOv8
物体计数的优势
- 资源优化：物体计数通过提供精确的计数，优化库存管理等应用中的资源分配，从而促进有效的资源管理。
- 增强安全性：物体计数可准确跟踪和计数实体，有助于主动探测威胁，从而增强安全性和监控能力。
- 知情决策：物体计数为决策、优化零售、交通管理和其他各种领域的流程提供了宝贵的见解。
真实世界的应用
| 物流 | 水产养殖 |
|---|---|
 |
 |
| 使用传送带包装计数Ultralytics YOLO11 | 利用海洋数鱼Ultralytics YOLO11 |
使用Ultralytics YOLO进行对象计数
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 论据
下面的表格显示了 ObjectCounter 争论：
| 论据 | 类型 | 默认值 | 说明 |
|---|---|---|---|
model |
str |
None |
Ultralytics YOLO 模型文件的路径。 |
show_in |
bool |
True |
用于控制是否在视频流中显示输入计数的标志。 |
show_out |
bool |
True |
用于控制是否在视频流中显示输出计数的标志。 |
region |
list |
[(20, 400), (1260, 400)] |
定义计数区域的点列表。 |
"(《世界人权宣言》) ObjectCounter 该解决方案允许使用多个 track 争论：
| 论据 | 类型 | 默认值 | 说明 |
|---|---|---|---|
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；数值越低，跟踪的物体越多，但可能会出现误报。 |
iou |
float |
0.5 |
设置交叉重叠 (IoU) 阈值，用于过滤重叠检测。 |
classes |
list |
None |
按类别索引筛选结果。例如 classes=[0, 2, 3] 只跟踪指定的类别。 |
verbose |
bool |
True |
控制跟踪结果的显示，提供被跟踪物体的可视化输出。 |
device |
str |
None |
指定用于推理的设备（例如：......）、 cpu, cuda:0 或 0).允许用户选择CPU 、特定GPU 或其他计算设备执行模型。 |
此外，还支持下面列出的可视化参数：
| 论据 | 类型 | 默认值 | 说明 |
|---|---|---|---|
show |
bool |
False |
如果 True在一个窗口中显示注释的图像或视频。有助于在开发或测试过程中提供即时视觉反馈。 |
line_width |
None or int |
None |
指定边界框的线宽。如果 None根据图像大小自动调整线宽。提供可视化定制，使图像更加清晰。 |
常见问题
如何使用Ultralytics YOLO11 计数视频中的物体？
要使用Ultralytics YOLO11 计数视频中的物体，可以按照以下步骤进行：
- 导入必要的程序库 (
cv2,ultralytics). - 定义计算区域（如多边形、直线等）。
- 设置视频捕捉并初始化对象计数器。
- 处理每个帧，以跟踪定义区域内的对象并对其进行计数。
下面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", "yolo11n.pt")
如需更高级的配置和选项，请查看RegionCounter 解决方案，以同时对多个区域中的对象进行计数。
使用Ultralytics YOLO11 进行物体计数有哪些优势？
使用Ultralytics YOLO11 进行物体计数有几个优点：
- 资源优化：它通过提供精确的计数来促进有效的资源管理，帮助优化库存管理等行业的资源分配。
- 增强安全性：它能准确跟踪和计算实体，协助主动式威胁检测和安全系统，从而加强安全和监控。
- 知情决策：它为零售、交通管理等领域的决策和流程优化提供了宝贵的见解。
- 实时处理： YOLO11 的架构可实现实时推理，因此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，请探索用于在特定区域跟踪物体的TrackZone 解决方案。
如何使用Ultralytics YOLO11 对特定类别的对象进行计数？
要使用Ultralytics YOLO11 统计特定类别的对象，您需要在跟踪阶段指定您感兴趣的类别。下面是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])
在这个例子中 classes_to_count=[0, 2] 的对象。 0 和 2 (例如 COCO 数据集中的人和车）。有关类索引的更多信息，请参阅 COCO 数据集文档.
在实时应用中，为什么要使用YOLO11 而不是其他物体检测模型？
Ultralytics YOLO11 与其他物体检测模型（如Faster R-CNN、SSD 和以前的YOLO 版本）相比，具有多项优势：
- 速度和效率： YOLO11 具有实时处理能力，非常适合需要高速推理的应用，如监控和自动驾驶。
- 准确性：它为物体检测和跟踪任务提供了最先进的准确性，减少了误报的数量，提高了整个系统的可靠性。
- 易于集成： YOLO11 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，这对现代人工智能应用至关重要。
- 灵活性：支持对象检测、分割和跟踪等各种任务，可配置模型以满足特定用例的要求。
请查阅Ultralytics YOLO11 文档，深入了解其功能和性能比较。
我能否将YOLO11 用于人群分析和交通管理等高级应用？
Ultralytics YOLO11 具有实时检测能力、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。其先进的功能可在动态环境中实现高精度的目标跟踪、计数和分类。使用实例包括
- 人群分析：监控和管理大型集会，确保安全，并通过基于区域的计数优化人流。
- 交通管理：跟踪和统计车辆，分析交通模式，并利用速度估算功能实时管理拥堵状况。
- 零售分析：分析顾客流动模式和产品互动，优化店铺布局，改善顾客体验。
- 工业自动化：清点传送带上的产品，监控生产线以控制质量和提高效率。
如需了解更多专业应用，请访问Ultralytics 解决方案，了解专为应对真实世界计算机视觉挑战而设计的一整套工具。
📅创建于 1 年前
✏️已更新 5 天前
