Link to this section使用 Ultralytics YOLO26 进行速度估计 🚀#

Link to this section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中。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，使其成为智能系统和实时决策过程进步的关键组成部分。

Watch: Speed Estimation using Ultralytics YOLO26

查看我们的博客

如需了解关于速度估计的更深入见解，请查看我们的博客文章：Ultralytics YOLO for Speed Estimation in Computer Vision Projects

Link to this section速度估计的优势#

高效交通管制： 准确的速度估计有助于管理交通流、增强安全性并减少道路拥堵。
精确自主导航： 在自动驾驶汽车等自主系统中，可靠的速度估计确保了安全且准确的车辆导航。
增强监控安防： 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。

Link to this section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

速度仅为估算值

速度仅为估算值，可能并不完全准确。此外，估算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

Link to this section`SpeedEstimator` 参数#

以下是 SpeedEstimator 参数表：

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，每个对象可跟踪的最大历史点数。
`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`	视觉叠加中的最高限速（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'`	指定要使用的追踪算法。内置选项包括：`botsort.yaml`、`bytetrack.yaml`、`ocsort.yaml`、`deepocsort.yaml`、`fasttrack.yaml`、`tracktrack.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的对象，但也可能包含误报。
`iou`	`float`	`0.7`	设置用于过滤重叠检测的交并比 (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，提供被跟踪对象的视觉输出。
`device`	`str`	`None`	指定推理设备（例如 `cpu`、`cuda:0` 或 `0`）。允许用户在 CPU、特定的 GPU 或其他计算设备之间进行选择以执行模型。

此外，还支持以下可视化选项：

参数	类型	默认值	描述
`show`	`bool`	`False`	如果为 `True`，则在窗口中显示标注后的图像或视频。这对于开发或测试过程中的即时视觉反馈非常有用。
`line_width`	`int or None`	`None`	指定边界框的线条宽度。如果为 `None`，则线条宽度会根据图像尺寸自动调整。提供用于清晰度的视觉自定义功能。
`show_conf`	`bool`	`True`	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_labels`	`bool`	`True`	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。

Link to this section常见问题解答#

Link to this section我该如何使用 Ultralytics YOLO26 估算物体速度？#

使用 Ultralytics YOLO26 估算物体速度涉及结合目标检测和追踪技术。首先，你需要使用 YOLO26 模型检测每一帧中的物体。然后，跨帧追踪这些物体以计算它们随时间推移的移动情况。最后，利用物体在帧与帧之间移动的距离和帧率来估算其速度。

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()

欲了解更多详细信息，请参考我们的官方博客文章。

Link to this section在交通管理中使用 Ultralytics YOLO26 进行速度估计有什么好处？#

在交通管理中使用 Ultralytics YOLO26 进行速度估计具有显著优势：

增强安全性：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情况。
可扩展性：该模型可部署在从边缘设备到服务器的各种硬件配置上，确保了大规模实施时方案的灵活性和可扩展性。

更多应用请参见速度估计的优势。

Link to this sectionYOLO26 能否与 TensorFlow 或 PyTorch 等其他 AI 框架集成？#

是的，YOLO26 可以与 TensorFlow 和 PyTorch 等其他 AI 框架集成。Ultralytics 支持将 YOLO26 模型导出为多种格式，例如 ONNX、TensorRT 和 CoreML，确保了与其他 ML 框架之间的顺畅互操作性。

若要将 YOLO26 模型导出为 ONNX 格式：

yolo export model=yolo26n.pt format=onnx

在我们的导出指南中了解关于模型导出的更多信息。