Estimativa de Velocidade usando Ultralytics YOLO11 🚀

O que é Estimativa de Velocidade?

Estimativa de velocidade é o processo de calcular a taxa de movimento de um objeto dentro de um determinado contexto, frequentemente empregado em aplicações de visão computacional. Usando o Ultralytics YOLO11, agora você pode calcular a velocidade de objetos usando rastreamento de objetos juntamente com dados de distância e tempo, cruciais para tarefas como monitoramento de tráfego e vigilância. A precisão da estimativa de velocidade influencia diretamente a eficiência e a confiabilidade de várias aplicações, tornando-a um componente-chave no avanço de sistemas inteligentes e processos de tomada de decisão em tempo real.

Assista: Estimativa de Velocidade usando Ultralytics YOLO11

Vantagens da Estimativa de Velocidade

• Controle de Tráfego Eficiente: A estimativa precisa da velocidade auxilia no gerenciamento do fluxo de tráfego, aumentando a segurança e reduzindo o congestionamento nas estradas.
• Navegação Autônoma Precisa: Em sistemas autônomos, como carros autônomos, a estimativa de velocidade confiável garante uma navegação veicular segura e precisa.
• Segurança de Vigilância Aprimorada: A estimativa de velocidade na análise de vigilância ajuda a identificar comportamentos incomuns ou ameaças potenciais, melhorando a eficácia das medidas de segurança.

Aplicações no Mundo Real

Transporte	Transporte
Estimativa de Velocidade em Estrada usando Ultralytics YOLO11	Estimativa de Velocidade em Ponte usando 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 Argumentos

Aqui está uma tabela com o SpeedEstimator argumentos:

O SpeedEstimator solução permite o uso de track parâmetros:

Adicionalmente, as seguintes opções de visualização são suportadas:

FAQ

Como estimo a velocidade do objeto usando o Ultralytics YOLO11?

Estimar a velocidade de um objeto com Ultralytics YOLO11 envolve combinar técnicas de detecção de objetos e rastreamento. Primeiro, você precisa detectar objetos em cada frame usando o modelo YOLO11. Em seguida, rastreie esses objetos através dos frames para calcular seu movimento ao longo do tempo. Finalmente, use a distância percorrida pelo objeto entre os frames e a taxa de frames para estimar sua velocidade.

Exemplo:

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()

Para mais detalhes, consulte nossa postagem oficial no blog.

Quais são os benefícios de usar o Ultralytics YOLO11 para estimativa de velocidade no gerenciamento de tráfego?

Usar o Ultralytics YOLO11 para estimativa de velocidade oferece vantagens significativas no gerenciamento de tráfego:

• Segurança Aprimorada: Estime com precisão a velocidade dos veículos para detectar excesso de velocidade e melhorar a segurança rodoviária.
• Monitoramento em Tempo Real: Beneficie-se da capacidade de detecção de objetos em tempo real do YOLO11 para monitorar o fluxo de tráfego e o congestionamento de forma eficaz.
• Escalabilidade: Implante o modelo em várias configurações de hardware, desde dispositivos de borda até servidores, garantindo soluções flexíveis e escaláveis para implementações em larga escala.

Para mais aplicações, veja as vantagens da estimativa de velocidade.

O YOLO11 pode ser integrado com outras estruturas de IA como TensorFlow ou PyTorch?

Sim, o YOLO11 pode ser integrado com outras frameworks de IA como TensorFlow e PyTorch. A Ultralytics oferece suporte para exportar modelos YOLO11 para vários formatos como ONNX, TensorRT e CoreML, garantindo uma interoperabilidade suave com outras frameworks de ML.

Para exportar um modelo YOLO11 para o formato ONNX:

yolo export --weights yolo11n.pt --include onnx

Saiba mais sobre como exportar modelos no nosso guia de exportação.

Qual a precisão da estimativa de velocidade usando Ultralytics YOLO11?

A precisão da estimativa de velocidade usando Ultralytics YOLO11 depende de vários fatores, incluindo a qualidade do rastreamento de objetos, a resolução e a taxa de quadros do vídeo e as variáveis ambientais. Embora o estimador de velocidade forneça estimativas confiáveis, pode não ser 100% preciso devido a variações na velocidade de processamento de quadros e na oclusão de objetos.

Nota: Sempre considere a margem de erro e valide as estimativas com dados de verdade fundamental quando possível.

Para obter mais dicas sobre como melhorar a precisão, consulte o Argumentos SpeedEstimator seção.

📅 Criado há 1 ano ✏️ Atualizado há 2 meses

Comentários