تقدير السرعة باستخدام Ultralytics YOLO11 🚀

ما هو تقدير السرعة؟

تقدير السرعة هو عملية حساب معدل حركة الكائن داخل سياق معين، وغالبًا ما يتم استخدامه في تطبيقات رؤية الكمبيوتر. باستخدام Ultralytics YOLO11، يمكنك الآن حساب سرعة الكائنات باستخدام تتبع الكائنات جنبًا إلى جنب مع بيانات المسافة والوقت، وهو أمر بالغ الأهمية لمهام مثل مراقبة حركة المرور والمراقبة. تؤثر دقة تقدير السرعة بشكل مباشر على كفاءة وموثوقية التطبيقات المختلفة، مما يجعلها مكونًا رئيسيًا في تطوير الأنظمة الذكية وعمليات اتخاذ القرار في الوقت الفعلي.

شاهد: تقدير السرعة باستخدام Ultralytics YOLO11

مزايا تقدير السرعة

• التحكم الفعال في حركة المرور: يساعد تقدير السرعة الدقيق في إدارة تدفق حركة المرور، وتعزيز السلامة، وتقليل الازدحام على الطرق.
• ملاحة ذاتية دقيقة: في الأنظمة الذاتية مثل السيارات ذاتية القيادة، يضمن تقدير السرعة الموثوق به ملاحة آمنة ودقيقة للمركبة.
• أمن المراقبة المحسن: يساعد تقدير السرعة في تحليلات المراقبة على تحديد السلوكيات غير العادية أو التهديدات المحتملة، مما يحسن فعالية التدابير الأمنية.

تطبيقات العالم الحقيقي

المواصلات	المواصلات
تقدير السرعة على الطريق باستخدام Ultralytics YOLO11	تقدير السرعة على الجسر باستخدام Ultralytics YOLO11

# Run a speed example
yolo solutions speed show=True

# Pass a source video
yolo solutions speed source="path/to/video.mp4"

# Adjust meter per pixel value based on camera configuration
yolo solutions speed meter_per_pixel=0.05

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

# Initialize speed estimation object
speedestimator = solutions.SpeedEstimator(
    show=True,  # display the output
    model="yolo11n.pt",  # path to the YOLO11 model file.
    fps=fps,  # adjust speed based on frame per second
    # max_speed=120,  # cap speed to a max value (km/h) to avoid outliers
    # max_hist=5,  # minimum frames object tracked before computing speed
    # meter_per_pixel=0.05,  # highly depends on the camera configuration
    # classes=[0, 2],  # estimate speed of specific classes.
    # line_width=2,  # adjust the line width for bounding boxes
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = speedestimator(im0)

    # print(results)  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

SpeedEstimator الوسائط

إليك جدول مع SpeedEstimator arguments:

في SpeedEstimator يسمح الحل باستخدام track المعلمات:

بالإضافة إلى ذلك، يتم دعم خيارات العرض المرئي التالية:

الأسئلة الشائعة

كيف يمكنني تقدير سرعة الكائن باستخدام Ultralytics YOLO11؟

يتضمن تقدير سرعة الكائن باستخدام Ultralytics YOLO11 الجمع بين اكتشاف الكائن وتقنيات التتبع. أولاً، تحتاج إلى اكتشاف الكائنات في كل إطار باستخدام نموذج YOLO11. ثم، تتبع هذه الكائنات عبر الإطارات لحساب حركتها بمرور الوقت. أخيرًا، استخدم المسافة التي قطعها الكائن بين الإطارات ومعدل الإطارات لتقدير سرعته.

مثال:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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
speedestimator = solutions.SpeedEstimator(
    model="yolo11n.pt",
    show=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = speedestimator(im0)
    video_writer.write(results.plot_im)

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

لمزيد من التفاصيل، راجع منشور المدونة الرسمي الخاص بنا.

ما هي فوائد استخدام Ultralytics YOLO11 لتقدير السرعة في إدارة حركة المرور؟

يوفر استخدام Ultralytics YOLO11 لتقدير السرعة مزايا كبيرة في إدارة حركة المرور:

• السلامة المعززة: تقدير سرعات المركبات بدقة لاكتشاف تجاوز السرعة وتحسين السلامة على الطرق.
• مراقبة في الوقت الفعلي: استفد من إمكانية اكتشاف الكائنات في الوقت الفعلي لـ YOLO11 لمراقبة تدفق حركة المرور والازدحام بفعالية.
• قابلية التوسع: انشر النموذج على إعدادات أجهزة متنوعة، من الأجهزة الطرفية إلى الخوادم، مما يضمن حلولاً مرنة وقابلة للتطوير لتطبيقات واسعة النطاق.

لمزيد من التطبيقات، راجع مزايا تقدير السرعة.

هل يمكن دمج YOLO11 مع أطر عمل الذكاء الاصطناعي الأخرى مثل TensorFlow أو PyTorch؟

نعم، يمكن دمج YOLO11 مع أطر عمل الذكاء الاصطناعي الأخرى مثل TensorFlow و PyTorch. توفر Ultralytics دعمًا لتصدير نماذج YOLO11 إلى تنسيقات مختلفة مثل ONNX و TensorRT و CoreML، مما يضمن التشغيل البيني السلس مع أطر عمل ML الأخرى.

لتصدير نموذج YOLO11 إلى تنسيق ONNX:

yolo export model=yolo11n.pt format=onnx

تعرف على المزيد حول تصدير النماذج في دليل التصدير الخاص بنا.

ما مدى دقة تقدير السرعة باستخدام Ultralytics YOLO11؟

تعتمد دقة تقدير السرعة باستخدام Ultralytics YOLO11 على عدة عوامل، بما في ذلك جودة تتبع الكائنات، ودقة ومعدل إطارات الفيديو، والمتغيرات البيئية. في حين أن مقدِّر السرعة يوفر تقديرات موثوقة، فقد لا يكون دقيقًا بنسبة 100٪ بسبب الاختلافات في سرعة معالجة الإطارات وإخفاء الكائنات.

ملاحظة: ضع في اعتبارك دائمًا هامش الخطأ وتحقق من صحة التقديرات ببيانات الواقع الفعلي متى أمكن ذلك.

للحصول على مزيد من النصائح حول تحسين الدقة، تحقق من الوسائط SpeedEstimator القسم.

📅 تم الإنشاء منذ سنة واحدة ✏️ تم التحديث منذ 0 أيام

تعليقات