使用Ultralytics YOLO11 🚀 进行速度估计

Q: What are the benefits of using Ultralytics YOLO11 for speed estimation in traffic management?

使用Ultralytics YOLO11 进行速度估算在交通管理方面具有显著优势：有关更多应用，请参阅速度估算的优势。

Q: Can YOLO11 be integrated with other AI frameworks like TensorFlow or PyTorch?

是的，YOLO11 可以与其他人工智能框架集成，如TensorFlow 和PyTorch 。Ultralytics 支持将YOLO11 模型导出为各种格式，如ONNX 、TensorRT 和CoreML ，确保与其他 ML 框架顺利互操作。将YOLO11 模型导出为ONNX 格式：在我们的导出指南中了解更多有关导出模型的信息。

什么是速度估算？

速度估计是在给定环境下计算物体运动速度的过程，通常用于计算机视觉应用中。使用 Ultralytics YOLO11您现在可以利用物体跟踪以及距离和时间数据来计算物体的速度，这对于交通监控等任务至关重要。速度估计的准确性直接影响到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成部分。

观看： 速度估算使用Ultralytics YOLO11

查看我们的博客

要深入了解速度估算，请查看我们的博文：Ultralytics YOLO11 用于计算机视觉项目中的速度估算

速度估算的优势

高效的交通控制：准确的速度估计有助于管理交通流量、提高安全性和减少道路拥堵。
精确的自主导航：在自动驾驶汽车等自主系统中，可靠的速度估计可确保车辆导航的安全性和准确性。
增强监控安全性：监控分析中的速度估算有助于识别异常行为或潜在威胁，提高安全措施的有效性。

真实世界的应用

交通运输	交通运输

道路速度估算Ultralytics YOLO11	桥梁速度估算Ultralytics YOLO11

速度只是估计值

速度只是估计值，可能不完全准确。此外，估计值会因GPU 速度和环境因素而变化。

使用Ultralytics YOLO估算速度

CLIPython

# Run a speed example
yolo solutions speed show=True

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

# Pass region coordinates
yolo solutions speed 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"

# 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("speed_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# speed region points
speed_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)]

# Initialize speed estimation object
speedestimator = solutions.SpeedEstimator(
    show=True,  # display the output
    model="yolo11n.pt",  # path to the YOLO11 model file.
    region=speed_region,  # pass region points
    # classes=[0, 2],  # estimate speed of specific classes.
    # line_width=2,  # adjust the line width for bounding boxes
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = speedestimator(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

`SpeedEstimator` 论据

下面的表格显示了 SpeedEstimator 争论：

论据	类型	默认值	说明
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`region`	`list`	`[(20, 400), (1260, 400)]`	定义计数区域的点列表。

"(《世界人权宣言》) SpeedEstimator 解决方案允许使用 track 参数

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，还支持以下可视化选项：

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 估算物体速度？

使用Ultralytics YOLO11 估算物体速度需要结合物体检测和跟踪技术。首先，需要使用YOLO11 模型检测每帧中的物体。然后，跨帧跟踪这些物体，计算它们在一段时间内的移动情况。最后，利用物体在帧间移动的距离和帧频来估算其速度。

例如

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(
    region=[(0, 360), (1280, 360)],
    model="yolo11n.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()

更多详情，请参阅我们的官方博文。

在交通管理中使用Ultralytics YOLO11 进行速度估算有什么好处？

使用Ultralytics YOLO11 进行速度估算在交通管理方面具有显著优势：

增强安全性：准确估算车速，检测超速行驶，提高道路安全性。
实时监控：利用YOLO11 的实时目标检测功能，有效监控交通流量和拥堵情况。
可扩展性：在从边缘设备到服务器的各种硬件设置上部署模型，确保为大规模实施提供灵活、可扩展的解决方案。

有关更多应用，请参阅速度估算的优势。

YOLO11 能否与其他人工智能框架集成，如 TensorFlow或 PyTorch?

是的，YOLO11 可以与TensorFlow 和PyTorch 等其他人工智能框架集成。Ultralytics 支持将YOLO11 模型导出为各种格式，如 ONNX, TensorRT和 CoreML，确保与其他 ML 框架的顺畅互操作性。

将YOLO11 模型导出为ONNX 格式：

yolo export --weights yolo11n.pt --include onnx

有关导出模型的更多信息，请参阅我们的导出指南。

使用Ultralytics YOLO11 估算速度的准确性如何？

使用Ultralytics YOLO11 估算速度的准确性取决于多个因素，包括物体跟踪的质量、视频的分辨率和帧速率以及环境变量。虽然速度估算器能提供可靠的估算结果，但由于帧处理速度和物体遮挡的差异，它可能无法达到 100% 的准确度。

注意：一定要考虑误差范围，并尽可能用地面实况数据验证估算结果。

有关提高精度的更多提示，请查看论据 SpeedEstimator 部分.

📅创建于 1 年前 ✏️已更新 5 天前