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 可以利用其先进的对象检测功能进行实时对象计数。您可以按照我们关于对象计数的详细指南设置 YOLO11 以进行实时视频流分析。只需安装 YOLO11，加载您的模型，然后处理视频帧以动态计数对象。

Q: How can Ultralytics YOLO improve queue management systems?

Ultralytics YOLO11 可以通过准确地计数和跟踪队列中的人员来显着改善队列管理系统，从而帮助减少等待时间并优化服务效率。请按照我们关于队列管理的详细指南，了解如何实施 YOLO11 以进行有效的队列监控和分析。

Q: Can Ultralytics YOLO be used for workout monitoring?

是的，Ultralytics YOLO11 可以有效地用于监控锻炼，通过实时跟踪和分析健身程序。这可以精确评估运动形式和表现。请浏览我们关于锻炼监控的指南，了解如何使用 YOLO11 设置 AI 驱动的锻炼监控系统。

Ultralytics 解决方案提供 YOLO 模型的前沿应用，提供对象计数、模糊处理和安全系统等实际解决方案，从而提高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 (CLI) 运行 Ultralytics 解决方案 | Ultralytics YOLO11 🚀

解决方案

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

对象计数：学习使用 YOLO11 执行实时对象计数。获得准确计算实时视频流中对象的专业知识。
对象裁剪：掌握使用 YOLO11 进行对象裁剪，以便从图像和视频中精确提取对象。
对象模糊：使用 YOLO11 应用对象模糊，以保护图像和视频处理中的隐私。
Workouts Monitoring：了解如何使用 YOLO11 监控锻炼。学习实时跟踪和分析各种健身活动。
区域中的对象计数：使用 YOLO11 对特定区域中的对象进行计数，以便在不同区域中进行准确检测。
安全警报系统：创建一个使用 YOLO11 的安全警报系统，该系统在检测到新对象时触发警报。自定义系统以满足您的特定需求。
热图：利用检测热图来可视化矩阵中的数据强度，从而在计算机视觉任务中提供清晰的见解。
结合对象跟踪的实例分割：使用 YOLO11 实现实例分割和对象跟踪，以实现精确的对象边界和连续监控。
VisionEye View Objects Mapping：开发模仿人眼聚焦于特定对象的系统，从而增强计算机辨别和优先处理细节的能力。
速度估计：使用 YOLO11 和物体追踪技术来估计物体速度，这对于自动驾驶车辆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，这对于空间分析至关重要。
队列管理：实施高效的队列管理系统，以最大限度地减少等待时间，并使用 YOLO11 提高生产力。
停车管理：使用 YOLO11 组织和引导停车场中的车辆流动，从而优化空间利用率和用户体验。
分析：进行全面的数据分析，以发现模式并做出明智的决策，利用YOLO11进行描述性、预测性和指导性分析。
使用 Streamlit 进行实时推理：通过用户友好的 Streamlit 界面，直接通过 Web 浏览器利用 YOLO11 的强大功能进行实时对象检测。
Track Objects in Zone：学习如何使用 YOLO11 跟踪视频帧的特定区域内的对象，以实现精确高效的监控。
相似性搜索 🚀 新增：通过将 OpenAI CLIP 嵌入与 Meta FAISS 结合，实现智能图像检索，允许使用自然语言查询，例如“拿着包的人”或“行驶中的车辆。”

解决方案参数

参数	类型	默认值	描述
`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`	控制是否在视频流上显示进入计数的标志。
`show_out`	`bool`	`True`	控制是否在视频流上显示离开计数的标志。
`analytics_type`	`str`	`line`	图形类型，即 `line`, `bar`, `area`或 `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	用于热图的颜色映射。
`json_file`	`str`	`None`	包含所有停车坐标数据的 JSON 文件路径。
`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。这些关键点对应于身体关节或部位，例如肩部、肘部和腕部，适用于俯卧撑、引体向上、深蹲、腹部锻炼等运动。
`down_angle`	`float`	`90.0`	“向下”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'`	用于存储裁剪检测结果的目录名。
`records`	`int`	`5`	触发带有安全警报系统的电子邮件的总检测计数。
`vision_point`	`tuple[int, int]`	`(20, 20)`	视觉将跟踪对象并使用 VisionEye 解决方案绘制路径的点。
`source`	`str`	`None`	输入源（视频、RTSP 等）的路径。仅适用于 Solutions 命令行界面 (CLI)。
`figsize`	`tuple[int, int]`	`(12.8, 7.2)`	用于分析图表（如热图或图形）的图形大小。
`fps`	`float`	`30.0`	用于速度计算的每秒帧数。
`max_hist`	`int`	`5`	用于速度/方向计算的每个对象要跟踪的最大历史点数。
`meter_per_pixel`	`float`	`0.05`	用于将像素距离转换为真实世界单位的比例因子。
`max_speed`	`int`	`120`	视觉叠加中的最大速度限制（用于警报）。
`data`	`str`	`'images'`	用于相似性搜索的图像目录的路径。

跟踪 args

解决方案还支持来自以下方面的一些参数 track，包括诸如以下的参数 conf, line_width, tracker, model, show, verbose 和 classes.

参数	类型	默认值	描述
`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；较低的值允许跟踪更多对象，但可能包含误报。
`iou`	`float`	`0.5`	设置用于过滤重叠检测的 Intersection over Union (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`）。允许用户在 CPU、特定 GPU 或其他计算设备之间进行选择，以执行模型。

可视化参数

您可以使用 show_conf, show_labels，以及其他提到的参数来自定义可视化。

参数	类型	默认值	描述
`show`	`bool`	`False`	可视化参数： `True`，则在窗口中显示带注释的图像或视频。这对于开发或测试期间的即时视觉反馈非常有用。
`line_width`	`None or int`	`None`	指定边界框的线条宽度。如果 `None`，则线条宽度会根据图像大小自动调整。提供视觉自定义以提高清晰度。
`show_conf`	`bool`	`True`	在标签旁边显示每个检测的置信度分数。可以深入了解模型对每次检测的确定性。
`show_labels`	`bool`	`True`	在可视化输出中显示每个检测的标签。能够立即理解检测到的对象。

SolutionAnnotator 的用法

所有 Ultralytics Solutions 都使用单独的类 SolutionAnnotator，它扩展了主要的 Annotator 类，并具有以下方法：

方法	返回类型	描述
`draw_region()`	`None`	使用指定的点、颜色和粗细绘制区域。
`queue_counts_display()`	`None`	显示指定区域中的队列计数。
`display_analytics()`	`None`	显示停车场管理的总体统计信息。
`estimate_pose_angle()`	`float`	计算对象姿势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、步数和锻炼监控阶段。
`plot_distance_and_line()`	`None`	显示质心之间的距离，并用一条线连接它们。
`display_objects_labels()`	`None`	使用对象类别标签标注边界框。
`sweep_annotator()`	`None`	可视化垂直扫描线和可选标签。
`visioneye()`	`None`	将对象质心映射并连接到视觉“眼睛”点。
`adaptive_label()`	`None`	在边界框的中心绘制圆形或矩形背景形状标签。

使用 SolutionResults

除了 Similarity Search，每个 Solution 调用都会返回一个列表，其中包含 SolutionResults 对象。

对于物体计数，结果包括 in_count, out_count和 classwise_count.

SolutionResults

import cv2

from ultralytics import solutions

im0 = cv2.imread("path/to/img")

region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]

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(im0)
print(results.in_count)  # display in_counts
print(results.out_count)  # display out_counts
print(results.classwise_count)  # display classwise_count

SolutionResults 对象具有以下属性：

属性	类型	描述
`plot_im`	`np.ndarray`	带有视觉覆盖的图像，例如计数、模糊效果或特定于解决方案的增强功能。
`in_count`	`int`	视频流中检测到的进入定义区域的对象总数。
`out_count`	`int`	视频流中检测到的离开定义区域的对象总数。
`classwise_count`	`Dict[str, int]`	记录用于高级分析的各类别的对象进/出计数的字典。
`queue_count`	`int`	当前在预定义队列或等待区域内的对象数量（适用于队列管理）。
`workout_count`	`int`	运动跟踪期间完成的锻炼重复总次数。
`workout_angle`	`float`	在锻炼期间计算关节或姿势角度，用于评估姿势。
`workout_stage`	`str`	当前的锻炼阶段或运动阶段（例如，“向上”、“向下”）。
`pixels_distance`	`float`	两个物体或点（例如，边界框）之间基于像素的距离。（适用于距离计算）。
`available_slots`	`int`	监控区域中未占用插槽的数量（适用于停车管理）。
`filled_slots`	`int`	监控区域中已占用插槽的数量。（适用于停车管理）
`email_sent`	`bool`	指示是否已成功发送通知或警报电子邮件（适用于安全警报）。
`total_tracks`	`int`	视频分析期间观察到的唯一对象轨迹总数。
`region_counts`	`Dict[str, int]`	用户定义区域或区域内的对象计数。
`speed_dict`	`Dict[str, float]`	按轨迹计算的对象速度字典，可用于速度分析。
`total_crop_objects`	`int`	ObjectCropper 解决方案生成的裁剪对象图像总数。
`speed`	`Dict[str, float]`	包含用于跟踪和解决方案处理的性能指标的字典。

有关更多详细信息，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 是一个必需的关键词。
SOLUTION_NAME 是以下之一： ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS （可选）是自定义的 arg=value 键值对，例如 show_in=True，用于覆盖默认设置。

yolo solutions count show=True # for object counting

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

贡献我们的解决方案

我们欢迎社区的贡献！如果您掌握了 Ultralytics YOLO 的某个特定方面，但我们的解决方案尚未涵盖，我们鼓励您分享您的专业知识。编写指南是回馈社区的好方法，并帮助我们使文档更全面、更易于使用。

要开始使用，请阅读我们的贡献指南，了解如何发起 Pull Request (PR) 🛠️。我们期待您的贡献！

让我们携手合作，使 Ultralytics YOLO 生态系统更加强大和通用 🙏！

常见问题

如何使用 Ultralytics YOLO 进行实时对象计数？

Ultralytics YOLO11 可以通过利用其先进的对象检测功能来进行实时对象计数。您可以按照我们关于对象计数的详细指南来设置 YOLO11 以进行实时视频流分析。只需安装 YOLO11，加载您的模型，然后处理视频帧以动态地计算对象。

使用 Ultralytics YOLO 进行安全系统有哪些好处？

Ultralytics YOLO11 通过提供实时对象检测和警报机制来增强安全系统。通过使用 YOLO11，您可以创建一个安全警报系统，该系统在监控区域中检测到新对象时触发警报。了解如何使用 YOLO11 设置安全警报系统以进行强大的安全监控。

Ultralytics YOLO 如何改进排队管理系统？

Ultralytics YOLO11 可以通过准确地计算和跟踪队列中的人数来显着改进队列管理系统，从而有助于减少等待时间并优化服务效率。请按照我们关于排队管理的详细指南，了解如何实施 YOLO11 以进行有效的队列监控和分析。

Ultralytics YOLO 可以用于锻炼监控吗？

是的，Ultralytics YOLO11 可以通过实时跟踪和分析健身项目来有效地用于监控锻炼。这可以对运动形式和表现进行精确评估。请浏览我们关于锻炼监控的指南，了解如何使用 YOLO11 设置 AI 驱动的锻炼监控系统。

Ultralytics YOLO 如何帮助创建热图以进行数据可视化？

Ultralytics YOLO11 可以生成热图，以可视化给定区域内的数据强度，突出显示高活动或感兴趣的区域。此功能在理解各种计算机视觉任务中的模式和趋势方面特别有用。了解有关使用 YOLO11 创建和使用热图以进行全面数据分析和可视化的更多信息。

📅 创建于 1 年前 ✏️ 更新于 2 个月前