使用Ultralytics YOLO11 🚀 进行速度估计

什么是速度估算？

速度估算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现在，您可以使用物体跟踪以及距离和时间数据来计算物体的速度，这对交通和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

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

# Run a speed example
yolo solutions speed show=True

# Pass a source video
yolo solutions speed source="path/to/video/file.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/file.mp4")
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
video_writer = cv2.VideoWriter("speed_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

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

speed = solutions.SpeedEstimator(
    show=True,  # Display the output
    model="yolo11n-pose.pt",  # Path to the YOLO11 model file.
    region=speed_region,  # Pass region points
    # classes=[0, 2],  # If you want to estimate speed of specific classes.
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

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

    if success:
        out = speed.estimate_speed(im0)
        video_writer.write(im0)
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
        continue

    print("Video frame is empty or video processing has been successfully completed.")
    break

cap.release()
cv2.destroyAllWindows()

论据 SpeedEstimator

论据 model.track

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/file.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
speed_obj = solutions.SpeedEstimator(
    region=[(0, 360), (1280, 360)],
    model="yolo11n.pt",
    show=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = speed_obj.estimate_speed(im0)
    video_writer.write(im0)

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：

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.

为什么选择Ultralytics YOLO11 而不是其他对象检测模型（如TensorFlow Object Detection API）？

Ultralytics YOLO11 与其他对象检测模型（如TensorFlow Object Detection API）相比，它具有多项优势：

• 实时性能：YOLO11 针对实时检测进行了优化，速度快、精度高。
• 易于使用：YOLO11 设计有用户友好界面，简化了模型培训和部署。
• 多功能性：支持多种任务，包括物体检测、分割和姿态估计。
• 社区和支持：YOLO11 有一个活跃的社区和大量的文档支持，确保开发人员获得所需的资源。

有关YOLO11 优点的更多信息，请访问我们的详细型号页面。

📅 Created 11 months ago ✏️ Updated 17 days ago

评论