使用Ultralytics YOLOv8 🚀 进行速度估计

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 YOLOv8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 YOLOv8

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 YOLOv8	桥梁速度估算Ultralytics YOLOv8

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
names = model.model.names

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

line_pts = [(0, 360), (1280, 360)]

# Init speed-estimation obj
speed_obj = solutions.SpeedEstimator(
    reg_pts=line_pts,
    names=names,
    view_img=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    tracks = model.track(im0, persist=True, show=False)

    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

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

论据 SpeedEstimator

论据 model.track

常见问题

如何使用Ultralytics YOLOv8 估算物体速度？

使用Ultralytics YOLOv8 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YOLOv8 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，使用物体在帧间移动的距离和帧频来估算其速度。

示例：

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
names = model.model.names

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(
    reg_pts=[(0, 360), (1280, 360)],
    names=names,
    view_img=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = speed_obj.estimate_speed(im0, tracks)
    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 YOLOv8 进行速度估算有什么好处？

使用Ultralytics YOLOv8 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YOLOv8 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该模型，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。

YOLOv8 能否与TensorFlow 或PyTorch 等其他人工智能框架集成？

是的，YOLOv8 可与其他人工智能框架集成，如TensorFlow 和PyTorch 。Ultralytics 支持将YOLOv8 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YOLOv8 模型导出为ONNX 格式：

yolo export --weights yolov8n.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 YOLOv8 估算速度的准确性如何？

使用Ultralytics YOLOv8 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 YOLOv8 而不是其他对象检测模型（如TensorFlow Object Detection API）？

Ultralytics YOLOv8 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：YOLOv8 针对实时检测进行了优化，速度快、精度高。
• 易于使用：YOLOv8 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：YOLOv8 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YOLOv8 优点的更多信息，请访问我们的详细型号页面。

评论