Link to this section使用 Ultralytics YOLO26 进行 VisionEye 视图对象映射 🚀#
Link to this section什么是 VisionEye 对象映射？#
Ultralytics YOLO26 VisionEye 为计算机提供了识别和定位对象的能力，模拟了人眼的观察精度。此功能使计算机能够像人眼从特定视点观察细节一样，识别并聚焦于特定对象。
# Monitor objects position with visioneye
yolo solutions visioneye show=True
# Pass a source video
yolo solutions visioneye source="path/to/video.mp4"
# Monitor the specific classes
yolo solutions visioneye classes="[0, 5]"Link to this sectionVisionEye 参数#
下表列出了 VisionEye 的参数：
| 参数 | 类型 | 默认值 | 描述 |
|---|---|---|---|
model | str | None | Ultralytics YOLO 模型文件的路径。 |
vision_point | tuple[int, int] | (20, 20) | 使用 VisionEye 解决方案跟踪对象并绘制路径的视点。 |
You can also utilize various track arguments within the VisionEye solution:
| 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，还支持一些可视化参数，如下所示：
| 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 sectionVisionEye 的工作原理#
VisionEye 的工作原理是在画面中建立一个固定的视点，并从该点向检测到的对象绘制线条。这模拟了人类视觉如何从单一视点聚焦于多个对象。该解决方案使用 对象追踪 来保持跨帧对象识别的一致性，从而直观地呈现出观察者（视点）与场景中对象之间的空间关系。
VisionEye 类中的 process 方法执行几个关键操作：
- 从输入图像中提取追踪信息（边界框、类别和掩码）
- 创建一个标注器以绘制边界框和标签
- 对于每个检测到的对象，绘制一个框标签并从视点创建一个视觉线
- 返回带有追踪统计信息的标注图像
这种方法特别适用于需要空间感知和对象关系可视化的应用，例如监控系统、自动驾驶导航和交互式装置。
Link to this sectionVisionEye 的应用#
VisionEye 对象映射在各个行业中有着广泛的实际应用：
- 安防与监控：从固定摄像机位置监控多个感兴趣的对象
- 零售分析：追踪顾客移动模式与商店陈列的关系
- 体育分析：从教练的视角分析运动员的定位和移动
- 自动驾驶汽车：可视化汽车如何“观察”并优先处理环境中的对象
- 人机交互：创建能响应空间关系的更直观的界面
通过将 VisionEye 与其他 Ultralytics 解决方案（如 距离计算 或 速度估计）相结合，你可以构建全面的系统，不仅能够追踪对象，还能理解它们的空间关系和行为。
Link to this section注意#
如有任何疑问，请随时在 Ultralytics 问题板块 或下方提到的讨论区发布你的问题。
Link to this section常见问题解答#
Link to this section如何开始使用 Ultralytics YOLO26 进行 VisionEye 对象映射？#
要开始使用 Ultralytics YOLO26 进行 VisionEye 对象映射，首先需要通过 pip 安装 Ultralytics YOLO 包。然后，你可以使用文档中提供的示例代码来设置 VisionEye 对象检测。这是一个帮助你入门的简单示例：
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("vision-eye-mapping.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))
# Init vision eye object
visioneye = solutions.VisionEye(
show=True, # display the output
model="yolo26n.pt", # use any model that Ultralytics supports, e.g., YOLOv10
classes=[0, 2], # generate visioneye view for specific classes
)
# Process video
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or video processing has been successfully completed.")
break
results = visioneye(im0)
print(results) # access the output
video_writer.write(results.plot_im) # write the video file
cap.release()
video_writer.release()
cv2.destroyAllWindows() # destroy all opened windowsLink to this section为什么要使用 Ultralytics YOLO26 进行对象映射和追踪？#
Ultralytics YOLO26 以其速度、准确性 和易于集成而闻名，使其成为对象映射和追踪的首选。主要优势包括：
- 最先进的性能：在实时对象检测中提供高准确度。
- 灵活性：支持检测、追踪和距离计算等多种任务。
- 社区与支持：拥有广泛的文档和活跃的 GitHub 社区，用于故障排除和功能增强。
- 易用性：直观的 API 简化了复杂任务，从而实现快速部署和迭代。
有关应用和优势的更多信息，请查看 Ultralytics YOLO26 文档。
Link to this section如何将 VisionEye 与其他 机器学习 工具（如 Comet 或 ClearML）集成？#
Ultralytics YOLO26 可以与 Comet 和 ClearML 等各种机器学习工具无缝集成，从而增强实验追踪、协作和可重复性。请参考关于 如何将 YOLOv5 与 Comet 一起使用 和 将 YOLO26 与 ClearML 集成 的详细指南以开始使用。
如需进一步探索和查看集成示例，请访问我们的 Ultralytics 集成指南。