Ultralytics 解决方案：利用YOLO11 解决现实世界的问题

Q: How can I use Ultralytics YOLO for real-time object counting?

Ultralytics YOLO11 可利用其先进的物体检测功能进行实时物体计数。您可以按照我们的 "物体计数 "详细指南设置YOLO11 以进行实时视频流分析。只需安装YOLO11 ，加载您的模型，然后处理视频帧，即可动态计数物体。

Ultralytics 解决方案提供了YOLO 模型的前沿应用，提供了物体计数、模糊和安全系统等实际解决方案，提高了各行各业的效率和准确性。了解YOLO11 在实际应用中的强大功能。

观看： 如何从命令行运行Ultralytics 解决方案 (CLI) |Ultralytics YOLO11 🚀

解决方案

以下是我们精心挑选的Ultralytics 解决方案列表，可用于创建超棒的计算机视觉项目。

物体计数：学习使用YOLO11 进行实时物体计数。获得在实时视频流中准确计数物体的专业知识。
对象裁剪：使用YOLO11 掌握对象裁剪，从图像和视频中精确提取对象。
对象模糊：使用YOLO11 对物体进行模糊处理，在图像和视频处理中保护隐私。
锻炼监控：了解如何使用YOLO11 监控锻炼。学习实时跟踪和分析各种健身程序。
区域物体计数：使用YOLO11 对特定区域的物体进行计数，以便在不同区域进行精确检测。
安全警报系统：使用YOLO11 创建一个安全警报系统，在检测到新物体时触发警报。自定义系统以满足您的特定需求。
热图利用检测热图可视化矩阵中的数据强度，为计算机视觉任务提供清晰的洞察力。
实例分割与对象跟踪：利用YOLO11 实施实例分割和对象跟踪，实现精确的对象边界和持续监控。
VisionEye 视图对象映射：开发可模仿人眼对特定物体聚焦的系统，提高计算机辨别和优先处理细节的能力。
速度估算：利用YOLO11 和物体跟踪技术估算物体速度，这对自动驾驶汽车和交通监控等应用至关重要。
距离计算：使用YOLO11 中的边界框中心点计算对象之间的距离，这对空间分析至关重要。
队列管理：使用YOLO11 实施高效的队列管理系统，最大限度地减少等待时间，提高生产率。
停车场管理：利用YOLO11 组织和引导停车区域的车流，优化空间利用率和用户体验。
分析：利用YOLO11 进行描述性、预测性和规范性分析，进行全面的数据分析，以发现模式并做出明智的决策。
使用 Streamlit 进行实时推理：利用YOLO11 的强大功能，通过用户友好的 Streamlit 界面，直接通过网络浏览器进行实时对象检测。
跟踪区域内的对象🚀 新功能：了解如何使用YOLO11 跟踪视频帧特定区域内的对象，以实现精确高效的监控。

解决方案论据

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。
`show_in`	`bool`	`True`	用于控制是否在视频流中显示输入计数的标志。
`show_out`	`bool`	`True`	用于控制是否在视频流中显示输出计数的标志。
`analytics_type`	`str`	`line`	图形类型，即 `line`, `bar`, `area`或 `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	热图使用的颜色图。
`json_file`	`str`	`None`	包含所有停车坐标数据的 JSON 文件的路径。
`up_angle`	`float`	`145.0`	向上 "姿势的角度阈值。
`kpts`	`list[int, int, int]`	`[6, 8, 10]`	用于监控锻炼的关键点列表。这些关键点与肩部、肘部和腕部等身体关节或部位相对应，用于俯卧撑、引体向上、深蹲、腹肌锻炼等运动。
`down_angle`	`float`	`90.0`	俯卧 "姿势的角度阈值。
`blur_ratio`	`float`	`0.5`	调整模糊强度的百分比，取值范围为 `0.1 - 1.0`.
`crop_dir`	`str`	`"cropped-detections"`	用于存储裁剪检测数据的目录名称。
`records`	`int`	`5`	通过安全警报系统触发电子邮件的总探测次数。
`vision_point`	`tuple[int, int]`	`(50, 50)`	视觉将使用 VisionEye 解决方案跟踪物体并绘制路径的点。
`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。
`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。

轨道参数

解决方案还支持以下论点 track包括以下参数 conf, line_width, tracker, model, show, verbose 和 classes.

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。

解决方案注释器的使用

所有Ultralytics 解决方案都使用单独的类 SolutionAnnotator，扩展了主 Annotator 类，并具有以下方法：

方法	返回类型	说明
`draw_region()`	`None`	使用指定的点、颜色和厚度绘制区域。
`queue_counts_display()`	`None`	显示指定区域的队列计数。
`display_analytics()`	`None`	显示停车场管理的总体统计数据。
`estimate_pose_angle()`	`float`	计算物体姿态中三个点之间的角度。
`draw_specific_points()`	`None`	在图像上绘制特定的关键点。
`plot_workout_information()`	`None`	在图像上绘制带标签的文本框。
`plot_angle_and_count_and_stage()`	`None`	可视化角度、步数和阶段，以监测锻炼情况。
`plot_distance_and_line()`	`None`	显示中心点之间的距离，并用直线将它们连接起来。
`display_objects_labels()`	`None`	用对象类别标签注释包围盒。
`seg_bbox()`	`None`	为分割后的对象绘制轮廓线，并选择性地对其进行标注。
`sweep_annotator()`	`None`	显示垂直扫掠线和可选标签。
`visioneye()`	`None`	将物体中心点映射并连接到视觉 "眼睛 "点。
`circle_label()`	`None`	用圆形标签代替边界框。
`text_label()`	`None`	用矩形标签代替边界框。

使用解决方案结果

所有解决方案调用都会返回一个 SolutionResults 对象，其中包含有关解决方案的全面信息。

在物体计数方面，结果包括 incounts, outcounts和 classwise_counts.

解决方案结果

counter = solutions.ObjectCounter(
    show=True,  # display the output
    region=region_points,  # pass region points
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object counting with OBB model.
    # classes=[0, 2],           # count specific classes i.e. person and car with COCO pretrained model.
    # tracker="botsort.yaml"    # Choose trackers i.e "bytetrack.yaml"
)
results = counter.count(im0)
print(results.in_counts)  # display in_counts
print(results.out_counts)  # display out_counts

有关详细信息，请参阅 SolutionResults 类文档.

通过CLI使用解决方案

命令信息

大多数解决方案都可以通过命令行界面直接使用，包括

Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference

语法

yolo SOLUTIONS SOLUTION_NAME ARGS

SOLUTIONS是必填关键字。
解决方案名称 是其中之一： ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS (可选）是自定义的 arg=value 对，如 show_in=True，以覆盖默认设置。

yolo solutions count show=True # for object counting

yolo solutions source="path/to/video.mp4" # specify video file path

为我们的解决方案做贡献

我们欢迎来自社区的贡献！如果您已经掌握了Ultralytics YOLO 的某一方面，而我们的解决方案尚未涵盖，我们鼓励您分享您的专业知识。撰写指南是回馈社区的好方法，可以帮助我们使文档更全面、更方便用户使用。

要开始使用，请阅读我们的贡献指南，了解如何打开拉取请求 (PR) 🛠️。我们期待您的贡献！

让我们共同努力，使Ultralytics YOLO 生态系统更加强大和灵活🙏！

常见问题

如何使用Ultralytics YOLO 进行实时物体计数？

Ultralytics YOLO11 可利用其先进的物体检测功能进行实时物体计数。您可以按照我们的 "物体计数"详细指南设置YOLO11 以进行实时视频流分析。只需安装YOLO11 ，加载您的模型，然后处理视频帧，即可动态计数物体。

在安全系统中使用Ultralytics YOLO 有什么好处？

Ultralytics YOLO11 通过提供实时物体检测和警报机制，增强了安防系统的功能。通过使用YOLO11 ，您可以创建一个安防报警系统，在监控区域检测到新物体时触发警报。了解如何利用YOLO11 设置安防报警系统，实现强大的安防监控。

Ultralytics YOLO 如何改进排队管理系统？

Ultralytics YOLO11 通过准确计算和跟踪排队人数，可以大大改善排队管理系统，从而帮助减少等待时间，优化服务效率。请跟随我们的队列管理详细指南，了解如何实施YOLO11 以进行有效的队列监控和分析。

Ultralytics YOLO 可用于锻炼监测吗？

是的，Ultralytics YOLO11 通过实时跟踪和分析健身程序，可有效用于监控锻炼情况。这样就可以对锻炼形式和效果进行精确评估。请浏览我们的锻炼监控指南，了解如何使用YOLO11 建立人工智能驱动的锻炼监控系统。

Ultralytics YOLO 如何帮助创建数据可视化热图？

Ultralytics YOLO11 可以生成热图，直观显示给定区域内的数据强度，突出显示活跃度高或感兴趣的区域。这一功能对于了解各种计算机视觉任务中的模式和趋势尤为有用。了解有关利用YOLO11 创建和使用热图进行综合数据分析和可视化的更多信息。

📅创建于 9 个月前 ✏️1 天前已更新