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。

VisionEye object mapping with YOLO tracking

Link to this section使用 YOLO26 进行物体映射#

VisionEye 会在画面中固定一个观察点，并从该点向每个被跟踪的物体绘制射线，这样你就能直观地看到从单一视角观察场景的效果。将 vision_point 设置为观察者的像素坐标，然后通过 Python API 或 CLI 在你的视频上运行该解决方案。

使用 Ultralytics YOLO 进行 VisionEye 映射

# 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 section`VisionEye` 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 通过在画面中建立一个固定的视觉点，并从该点向检测到的物体绘制线条来工作。这模拟了人类视觉如何从单一视点聚焦多个物体。该解决方案使用 object tracking 来保持物体在帧间的一致性识别，从而创建观察者（视觉点）与场景中物体之间空间关系的视觉呈现。

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 distance calculation 或 speed estimation）相结合，你可以构建出不仅能跟踪物体，还能理解其空间关系和行为的综合系统。

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 windows

Link 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，请查阅 Ultralytics YOLO26 documentation。

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 等多种机器学习工具无缝集成，从而增强实验跟踪、协作和可重复性。请参考 how to use YOLOv5 with Comet 以及 integrate YOLO26 with ClearML 的详细指南来开始使用。

如需进一步探索和查看集成示例，请查阅我们的 Ultralytics Integrations Guide。

贡献者

GLglenn-jocher²² RIRizwanMunawar⁵ RAraimbekovm³ MAMatthewNoyce¹ IVIvorZhu331¹

创建于 2023年12月18日更新于 4天前