Ultralytics Çözümleri: Gerçek Dünya Sorunlarını Çözmek İçin YOLO11'den Yararlanın

Q: How can Ultralytics YOLO improve queue management systems?

Ultralytics YOLO11, kuyruklardaki kişileri doğru bir şekilde sayıp izleyerek, bekleme sürelerini azaltmaya ve hizmet verimliliğini optimize etmeye yardımcı olarak kuyruk yönetim sistemlerini önemli ölçüde iyileştirebilir. Etkili kuyruk izleme ve analizi için YOLO11'i nasıl uygulayacağınızı öğrenmek için Kuyruk Yönetimi hakkındaki ayrıntılı kılavuzumuzu takip edin.

Ultralytics Çözümleri, YOLO modellerinin en son uygulamalarını sunarak, nesne sayma, bulanıklaştırma ve güvenlik sistemleri gibi gerçek dünya çözümleri sunarak çeşitli sektörlerde verimliliği ve doğruluğu artırır. Pratik, etkili uygulamalar için YOLO11'in gücünü keşfedin.

İzle: Ultralytics Çözümleri Komut Satırından (CLI) Nasıl Çalıştırılır | Ultralytics YOLO11 🚀

Çözümler

İşte harika bilgisayar görüşü projeleri oluşturmak için kullanılabilecek, özenle seçilmiş Ultralytics çözümleri listemiz.

Nesne Sayma: YOLO11 ile gerçek zamanlı nesne saymayı öğrenin. Canlı video akışlarında nesneleri doğru bir şekilde sayma uzmanlığı kazanın.
Nesne Kırpma: Görüntülerden ve videolardan nesnelerin hassas bir şekilde çıkarılması için YOLO11 ile nesne kırpmada uzmanlaşın.
Nesne Bulanıklaştırma: Görüntü ve video işlemede gizliliği korumak için YOLO11 kullanarak nesne bulanıklaştırması uygulayın.
Workouts Monitoring: YOLO11 kullanarak egzersizleri nasıl izleyeceğinizi keşfedin. Çeşitli fitness rutinlerini gerçek zamanlı olarak izlemeyi ve analiz etmeyi öğrenin.
Bölgelerdeki Nesneleri Sayma: Çeşitli alanlarda doğru tespit için YOLO11 kullanarak belirli bölgelerdeki nesneleri sayın.
Güvenlik Alarm Sistemi: Yeni nesneler algılandığında uyarıları tetikleyen YOLO11 ile bir güvenlik alarm sistemi oluşturun. Sistemi özel ihtiyaçlarınıza uyacak şekilde özelleştirin.
Isı haritaları: Bir matris üzerindeki veri yoğunluğunu görselleştirmek için algılama ısı haritalarını kullanın ve bilgisayarlı görü görevlerinde net içgörüler sağlayın.
Nesne İzleme ile Örnek Bölütleme: Hassas nesne sınırları ve sürekli izleme elde etmek için YOLO11 ile örnek bölütleme ve nesne izlemeyi uygulayın.
VisionEye View Objects Mapping: Bilgisayarın ayrıntıları ayırt etme ve önceliklendirme yeteneğini geliştirerek, insan gözünün belirli nesnelere odaklanmasını taklit eden sistemler geliştirin.
Hız Tahmini: Otonom araçlar ve trafik izleme gibi uygulamalar için çok önemli olan YOLO11 ve nesne izleme tekniklerini kullanarak nesne hızını tahmin edin.
Mesafe Hesaplama: Uzamsal analiz için gerekli olan YOLO11'de sınırlayıcı kutu merkez noktalarını kullanarak nesneler arasındaki mesafeleri hesaplayın.
Sıra Yönetimi: YOLO11 kullanarak bekleme sürelerini en aza indirmek ve üretkenliği artırmak için verimli sıra yönetim sistemleri uygulayın.
Park Yönetimi: Alan kullanımını ve kullanıcı deneyimini optimize ederek YOLO11 ile park alanlarındaki araç akışını düzenleyin ve yönetin.
Analitik: Tanımlayıcı, tahmini ve reçeteli analizler için YOLO11'den yararlanarak kalıpları keşfetmek ve bilinçli kararlar almak için kapsamlı veri analizi yapın.
Streamlit ile Canlı Çıkarım: Kullanıcı dostu bir Streamlit arayüzü ile doğrudan web tarayıcınız üzerinden gerçek zamanlı nesne tespiti için YOLO11'in gücünden yararlanın.
Bölgedeki Nesneleri İzle: Hassas ve verimli izleme için YOLO11'i kullanarak video karelerinin belirli bölgelerindeki nesneleri nasıl izleyeceğinizi öğrenin.
Benzerlik araması 🚀 YENİ: OpenAI CLIP gömme işlemlerini Meta FAISS ile birleştirerek akıllı görüntü alımını etkinleştirin ve "çanta tutan kişi" veya "hareket halindeki araçlar" gibi doğal dil sorgularına olanak tanıyın.

Çözümler Argümanları

Argüman	Tür	Varsayılan	Açıklama
`model`	`str`	`None`	Ultralytics YOLO Model Dosyasına Giden Yol.
`region`	`list`	`'[(20, 400), (1260, 400)]'`	Sayma bölgesini tanımlayan nokta listesi.
`show_in`	`bool`	`True`	Video akışında giriş sayılarının görüntülenip görüntülenmeyeceğini kontrol etme işareti.
`show_out`	`bool`	`True`	Video akışında çıkış sayılarının görüntülenip görüntülenmeyeceğini kontrol etme işareti.
`analytics_type`	`str`	`line`	Grafik türü, örneğin, `line`, `bar`, `area`, veya `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	Isı haritası için kullanılacak renk haritası.
`json_file`	`str`	`None`	Tüm otopark koordinat verilerini içeren JSON dosyasına giden yol.
`up_angle`	`float`	`145.0`	'Yukarı' pozu için açı eşiği.
`kpts`	`list[int, int, int]`	`'[6, 8, 10]'`	Egzersizleri izlemek için kullanılan anahtar noktaların listesi. Bu anahtar noktalar, şınav, barfiks, squat, karın egzersizleri gibi egzersizler için omuzlar, dirsekler ve bilekler gibi vücut eklemlerine veya parçalarına karşılık gelir.
`down_angle`	`float`	`90.0`	'Aşağı' pozu için açı eşiği.
`blur_ratio`	`float`	`0.5`	Bulanıklık yoğunluğunun yüzdesini ayarlar, aralıktaki değerlerle `0.1 - 1.0`.
`crop_dir`	`str`	`'cropped-detections'`	Kırpılmış algılamaların saklanacağı dizin adı.
`records`	`int`	`5`	Güvenlik alarm sistemiyle bir e-posta tetiklemek için toplam tespit sayısı.
`vision_point`	`tuple[int, int]`	`(20, 20)`	VisionEye Solution kullanılarak nesnelerin izleneceği ve yolların çizileceği nokta.
`source`	`str`	`None`	Giriş kaynağının yolu (video, RTSP, vb.). Yalnızca Solutions komut satırı arayüzü (CLI) ile kullanılabilir.
`figsize`	`tuple[int, int]`	`(12.8, 7.2)`	Isı haritaları veya grafikler gibi analiz çizelgeleri için şekil boyutu.
`fps`	`float`	`30.0`	Hız hesaplamaları için kullanılan saniye başına kare sayısı.
`max_hist`	`int`	`5`	Hız/yön hesaplamaları için nesne başına izlenecek maksimum geçmiş nokta sayısı.
`meter_per_pixel`	`float`	`0.05`	Piksel mesafesini gerçek dünya birimlerine dönüştürmek için kullanılan ölçekleme faktörü.
`max_speed`	`int`	`120`	Görsel katmanlarda maksimum hız sınırı (uyarılarda kullanılır).
`data`	`str`	`'images'`	Benzerlik araması için kullanılan resim dizininin yolu.

Bağımsız değişkenleri izle

Çözümler ayrıca şuradaki argümanlardan bazılarını destekler: track, gibi parametreler dahil conf, line_width, tracker, model, show, verbose ve classes.

Argüman	Tür	Varsayılan	Açıklama
`tracker`	`str`	`'botsort.yaml'`	Kullanılacak izleme algoritmasını belirtir, örneğin: `bytetrack.yaml` veya `botsort.yaml`.
`conf`	`float`	`0.3`	Algılamalar için güven eşiğini ayarlar; daha düşük değerler daha fazla nesnenin izlenmesine olanak tanır ancak yanlış pozitifleri içerebilir.
`iou`	`float`	`0.5`	Çakışan algılamaları filtrelemek için Intersection over Union (IoU) eşiğini ayarlar.
`classes`	`list`	`None`	Sonuçları sınıf indeksine göre filtreler. Örneğin, `classes=[0, 2, 3]` yalnızca belirtilen sınıfları izler.
`verbose`	`bool`	`True`	İzleme sonuçlarının görüntülenmesini kontrol eder ve izlenen nesnelerin görsel bir çıktısını sağlar.
`device`	`str`	`None`	Çıkarım için cihazı belirtir (örn. `cpu`, `cuda:0` veya `0`). Kullanıcıların model yürütme için CPU, belirli bir GPU veya diğer işlem cihazları arasında seçim yapmasına olanak tanır.

Görselleştirme argümanları

Şunu kullanabilirsiniz: show_conf, show_labels, ve görselleştirmeyi özelleştirmek için bahsedilen diğer argümanlar.

Argüman	Tür	Varsayılan	Açıklama
`show`	`bool`	`False`	Eğer `True`, ek açıklamalı görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim için kullanışlıdır.
`line_width`	`None or int`	`None`	Sınırlayıcı kutuların çizgi genişliğini belirtir. Eğer `None`, çizgi genişliği, görüntü boyutuna göre otomatik olarak ayarlanır. Netlik için görsel özelleştirme sağlar.
`show_conf`	`bool`	`True`	Etiketin yanında her algılama için güvenilirlik puanını görüntüler. Modelin her algılama için kesinliği hakkında fikir verir.
`show_labels`	`bool`	`True`	Görsel çıktıdaki her algılama için etiketleri görüntüler. Algılanan nesnelerin anında anlaşılmasını sağlar.

SolutionAnnotator Kullanımı

Tüm Ultralytics Çözümleri ayrı sınıfı kullanır SolutionAnnotator, ana bölümü genişleten Annotator sınıfı ve aşağıdaki yöntemlere sahiptir:

Metot	Dönüş Türü	Açıklama
`draw_region()`	`None`	Belirtilen noktaları, renkleri ve kalınlığı kullanarak bir bölge çizer.
`queue_counts_display()`	`None`	Belirtilen bölgedeki kuyruk sayılarını görüntüler.
`display_analytics()`	`None`	Otopark yönetimi için genel istatistikleri görüntüler.
`estimate_pose_angle()`	`float`	Bir nesne pozundaki üç nokta arasındaki açıyı hesaplar.
`draw_specific_points()`	`None`	Görüntü üzerinde belirli anahtar noktaları çizer.
`plot_workout_information()`	`None`	Görüntü üzerine etiketli bir metin kutusu çizer.
`plot_angle_and_count_and_stage()`	`None`	Egzersiz takibi için açıyı, adım sayısını ve aşamayı görselleştirir.
`plot_distance_and_line()`	`None`	Ağırlık merkezleri arasındaki mesafeyi görüntüler ve bunları bir çizgiyle birbirine bağlar.
`display_objects_labels()`	`None`	Sınırlayıcı kutuları nesne sınıfı etiketleriyle açıklar.
`seg_bbox()`	`None`	Segmentlere ayrılmış nesneler için konturlar çizer ve isteğe bağlı olarak etiketler.
`visioneye()`	`None`	Nesne merkez noktalarını görsel bir "göz" noktasına eşler ve bağlar.
`circle_label()`	`None`	Sınırlayıcı kutu yerine dairesel bir etiket çizer.
`text_label()`	`None`	Sınırlayıcı kutu yerine dikdörtgen bir etiket çizer.

SolutionResults ile Çalışmak

Hariç Similarity Search, her Çözüm çağrısı bir listesini döndürür SolutionResults nesnesi.

Nesne sayımı için sonuçlar şunları içerir: in_count, out_countve 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 nesne aşağıdaki özelliklere sahiptir:

Özellik	Tür	Açıklama
`plot_im`	`np.ndarray`	Sayım, bulanıklık efektleri veya çözüme özel geliştirmeler gibi görsel katmanlara sahip görüntü.
`in_count`	`int`	Video akışında tanımlanan bölgeye giren tespit edilen nesnelerin toplam sayısı.
`out_count`	`int`	Video akışında tanımlanan bölgeden çıkan tespit edilen nesnelerin toplam sayısı.
`classwise_count`	`Dict[str, int]`	Gelişmiş analizler için sınıf bazında giriş/çıkış nesne sayılarını kaydeden sözlük.
`queue_count`	`int`	Önceden tanımlanmış bir kuyruk veya bekleme alanında bulunan nesne sayısı (kuyruk yönetimi için uygundur).
`workout_count`	`int`	Egzersiz takibi sırasında tamamlanan toplam egzersiz tekrarı sayısı.
`workout_angle`	`float`	Form değerlendirmesi için egzersiz sırasında hesaplanan eklem veya poz açısı.
`workout_stage`	`str`	Mevcut egzersiz aşaması veya hareket evresi (örneğin, 'yukarı', 'aşağı').
`pixels_distance`	`float`	İki nesne veya nokta arasındaki piksel tabanlı mesafe, örneğin sınırlayıcı kutular (mesafe hesaplamaları için uygundur).
`available_slots`	`int`	İzlenen bir alandaki boş yuva sayısı (park yönetimi için uygundur).
`filled_slots`	`int`	İzlenen bir alandaki dolu yuva sayısı (park yönetimi için uygundur).
`email_sent`	`bool`	Bir bildirim veya uyarı e-postasının başarıyla gönderilip gönderilmediğini belirtir (güvenlik alarmı için uygundur).
`total_tracks`	`int`	Video analizi sırasında gözlemlenen toplam benzersiz nesne izi sayısı.
`region_counts`	`Dict[str, int]`	Kullanıcı tanımlı bölgeler veya alanlar içindeki nesne sayıları.
`speed_dict`	`Dict[str, float]`	Hız analizi için kullanışlı olan, hesaplanan nesne hızlarının izleme bazlı sözlüğü.
`total_crop_objects`	`int`	ObjectCropper çözümü tarafından oluşturulan kırpılmış nesne görüntülerinin toplam sayısı.
`speed`	`Dict[str, float]`	İzleme ve çözüm işleme için performans metriklerini içeren sözlük.

Daha fazla ayrıntı için bkz. SolutionResults sınıf dokümantasyonu.

CLI ile Çözümler Kullanımı

Komut Bilgisi

Çözümlerin çoğu, aşağıdakiler de dahil olmak üzere doğrudan komut satırı arayüzü aracılığıyla kullanılabilir:

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

Sözdizimi

yolo SOLUTIONS SOLUTION_NAME ARGS

ÇÖZÜMLER gerekli bir anahtar kelimedir.
ÇÖZÜM_ADI şunlardan biridir: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGÜMANLAR (isteğe bağlı) özeldir arg=value gibi çiftler show_in=True, varsayılan ayarları geçersiz kılmak için.

yolo solutions count show=True # for object counting

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

Çözümlerimize Katkıda Bulunun

Topluluktan katkıları memnuniyetle karşılıyoruz! Ultralytics YOLO'nun çözümlerimizde henüz ele alınmayan belirli bir alanında uzmanlaştıysanız, uzmanlığınızı paylaşmanızı öneririz. Bir kılavuz yazmak, topluluğa geri vermenin ve belgelerimizi daha kapsamlı ve kullanıcı dostu hale getirmemize yardımcı olmanın harika bir yoludur.

Başlamak için lütfen bir Çekme İsteği (PR) 🛠️ nasıl açılacağına ilişkin yönergeler için Katkıda Bulunma Kılavuzumuzu okuyun. Katkılarınızı dört gözle bekliyoruz!

Ultralytics YOLO ekosistemini daha sağlam ve çok yönlü hale getirmek için birlikte çalışalım 🙏!

SSS

Ultralytics YOLO'yu gerçek zamanlı nesne sayımı için nasıl kullanabilirim?

Ultralytics YOLO11, gelişmiş nesne algılama yeteneklerinden yararlanarak gerçek zamanlı nesne sayımı için kullanılabilir. Canlı video akışı analizi için YOLO11'i kurmak üzere Nesne Sayımı hakkındaki ayrıntılı kılavuzumuzu takip edebilirsiniz. Dinamik olarak nesneleri saymak için YOLO11'i kurun, modelinizi yükleyin ve video karelerini işleyin.

Ultralytics YOLO'yu güvenlik sistemleri için kullanmanın faydaları nelerdir?

Ultralytics YOLO11, gerçek zamanlı nesne algılama ve uyarı mekanizmaları sunarak güvenlik sistemlerini geliştirir. YOLO11'i kullanarak, gözetim alanında yeni nesneler algılandığında uyarıları tetikleyen bir güvenlik alarm sistemi oluşturabilirsiniz. Güvenilir güvenlik izlemesi için YOLO11 ile bir Güvenlik Alarm Sistemi kurmayı öğrenin.

Ultralytics YOLO kuyruk yönetim sistemlerini nasıl iyileştirebilir?

Ultralytics YOLO11, kuyruklardaki insanları doğru bir şekilde sayıp izleyerek sıra yönetim sistemlerini önemli ölçüde iyileştirebilir, böylece bekleme sürelerini azaltmaya ve hizmet verimliliğini optimize etmeye yardımcı olur. Etkili sıra izleme ve analizi için YOLO11'i nasıl uygulayacağınızı öğrenmek için Sıra Yönetimi hakkındaki ayrıntılı kılavuzumuzu takip edin.

Ultralytics YOLO egzersiz takibi için kullanılabilir mi?

Evet, Ultralytics YOLO11, fitness rutinlerini gerçek zamanlı olarak izleyip analiz ederek egzersizleri izlemek için etkili bir şekilde kullanılabilir. Bu, egzersiz formunun ve performansının hassas bir şekilde değerlendirilmesini sağlar. YOLO11'i kullanarak yapay zeka destekli bir egzersiz izleme sistemi kurmayı öğrenmek için Egzersiz İzleme kılavuzumuzu inceleyin.

Ultralytics YOLO, veri görselleştirme için ısı haritaları oluşturmaya nasıl yardımcı olur?

Ultralytics YOLO11, belirli bir alandaki veri yoğunluğunu görselleştirmek, yüksek aktivite veya ilgi alanlarını vurgulamak için ısı haritaları oluşturabilir. Bu özellik, çeşitli bilgisayarlı görü görevlerindeki kalıpları ve eğilimleri anlamada özellikle yararlıdır. Kapsamlı veri analizi ve görselleştirme için YOLO11 ile Isı Haritaları oluşturma ve kullanma hakkında daha fazla bilgi edinin.

📅 1 yıl önce oluşturuldu ✏️ 5 gün önce güncellendi