使用 Ultralytics YOLO26 进行速度估计 🚀

什么是速度估计？

速度估计是计算物体在特定场景下移动速率的过程，常用于计算机视觉应用。使用 Ultralytics YOLO26，你现在可以结合目标追踪以及距离和时间数据来计算物体速度，这对于交通监控和安防等任务至关重要。速度估计的准确性直接影响各种应用的效率和可靠性，使其成为推动智能系统和实时决策过程的关键组件。

Watch: Speed Estimation using Ultralytics YOLO26

查看我们的博客

欲了解有关速度估计的深入见解，请查看我们的博客文章：Ultralytics YOLO 计算机视觉项目中的速度估计

速度估计的优势

高效的交通管制： 准确的速度估计有助于管理交通流、提高安全性并减少道路拥堵。
精确的自动驾驶导航： 在自动驾驶汽车等自动系统中，可靠的速度估计可确保车辆导航的安全与精确。
增强的监控安防： 监控分析中的速度估计有助于识别异常行为或潜在威胁，从而提高安防措施的有效性。

现实世界应用

交通运输	交通运输

使用 Ultralytics YOLO26 进行道路速度估计	使用 Ultralytics YOLO26 进行桥梁速度估计

速度是一种估算值

速度属于估算值，可能无法完全准确。此外，估计结果可能会因摄像机规格及相关因素而有所不同。

使用 Ultralytics YOLO 进行速度估计

# Run a speed example
yolo solutions speed show=True

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

# Adjust meter per pixel value based on camera configuration
yolo solutions speed meter_per_pixel=0.05

`SpeedEstimator` 参数

以下是包含 SpeedEstimator 参数的表格：

参数	类型	默认值	描述
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`fps`	`float`	`30.0`	用于速度计算的每秒帧数。
`max_hist`	`int`	`5`	用于速度/方向计算时，每个对象最大追踪的历史点数。
`meter_per_pixel`	`float`	`0.05`	用于将像素距离转换为现实世界单位的比例因子。
`max_speed`	`int`	`120`	视觉叠加层中的最高速度限制（用于警报）。

SpeedEstimator 解决方案允许使用 track 参数：

参数	类型	默认值	描述
`tracker`	`str`	`'botsort.yaml'`	指定使用的跟踪算法，例如 `bytetrack.yaml` 或 `botsort.yaml`。
`conf`	`float`	`0.1`	设置检测的置信度阈值；较低的值允许跟踪更多对象，但可能会包含误报。
`iou`	`float`	`0.7`	设置过滤重叠检测的 Intersection over Union (IoU) 阈值。
`classes`	`list`	`None`	按类别索引过滤结果。例如，`classes=[0, 2, 3]` 将仅跟踪指定的类别。
`verbose`	`bool`	`True`	控制跟踪结果的显示，提供跟踪对象的视觉输出。
`device`	`str`	`None`	指定推理设备（例如 `cpu`、`cuda:0` 或 `0`）。允许用户选择 CPU、特定的 GPU 或其他计算设备来执行模型。

此外，还支持以下可视化选项：

参数	类型	默认值	描述
`show`	`bool`	`False`	如果设为 `True`，则在一个窗口中显示标注后的图像或视频。这对于开发或测试期间的即时视觉反馈非常有用。
`line_width`	`int or None`	`None`	指定边界框的线宽。如果为 `None`，线宽将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结果的置信度分数。让你可以洞察模型对每个检测的确定性。
`show_labels`	`bool`	`True`	在可视化输出中显示每个检测结果的标签。提供对检测对象的即时了解。

常见问题 (FAQ)

如何使用 Ultralytics YOLO26 估计物体速度？

使用 Ultralytics YOLO26 估计物体速度需要结合目标检测和追踪技术。首先，你需要使用 YOLO26 模型在每一帧中检测物体。然后，跨帧追踪这些物体以计算它们随时间推移的位移。最后，利用物体在帧与帧之间移动的距离以及帧率来估算其速度。

示例：

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
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("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize SpeedEstimator
speedestimator = solutions.SpeedEstimator(
    model="yolo26n.pt",
    show=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = speedestimator(im0)
    video_writer.write(results.plot_im)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

欲了解更多详情，请参考我们的官方博客文章。

使用 Ultralytics YOLO26 进行交通管理中的速度估计有什么好处？

使用 Ultralytics YOLO26 进行速度估计在交通管理方面具有显著优势：

提高安全性：准确估算车速以检测超速行为并改善道路安全。
实时监控：利用 YOLO26 的实时目标检测能力，有效监控交通流和拥堵状况。
可扩展性：将模型部署在各种硬件设置上，从边缘设备到服务器，确保为大规模实施提供灵活且可扩展的解决方案。

欲了解更多应用，请参阅速度估计的优势。

YOLO26 是否可以与其他 AI 框架（如 TensorFlow 或 PyTorch）集成？

是的，YOLO26 可以与其他 AI 框架（如 TensorFlow 和 PyTorch）集成。Ultralytics 支持将 YOLO26 模型导出为多种格式，例如 ONNX、TensorRT 和 CoreML，从而确保与其他机器学习框架的平滑互操作性。

将 YOLO26 模型导出为 ONNX 格式的方法：

yolo export model=yolo26n.pt format=onnx

在我们的导出指南中了解更多关于模型导出的信息。