23 de mayo de 2024
Descubra cómo puede utilizar el modelo YOLOv8 de Ultralytics para estimar la velocidad en sus proyectos de visión por ordenador. Pruébelo usted mismo con un sencillo ejemplo de codificación.
Probablemente todos hemos visto señales de tráfico de límite de velocidad. Algunos incluso habremos recibido una notificación automática de infracción por correo postal o electrónico. Los sistemas de gestión del tráfico basados en inteligencia artificial (IA) pueden señalar automáticamente infracciones de velocidad gracias a la visión por ordenador. Las imágenes en tiempo real captadas por cámaras situadas en semáforos y carreteras se utilizan para estimar la velocidad y reforzar la seguridad vial.
La estimación de la velocidad no se limita a la seguridad en carretera. Puede utilizarse en deportes, vehículos autónomos y otras aplicaciones. En este artículo explicaremos cómo utilizar el modelo YOLOv8 de Ultralytics para la estimación de la velocidad en tus proyectos de visión por computador. También te mostraremos paso a paso un ejemplo de codificación para que puedas probarlo por ti mismo. Empecemos.
Según la Organización Mundial de la Salud (OMS), aproximadamente 1,19 millones de personas mueren cada año en accidentes de tráfico como consecuencia del exceso de velocidad. Además, entre 20 y 50 millones más sufren lesiones no mortales, muchas de las cuales provocan discapacidades. No se puede exagerar la importancia de la seguridad vial, especialmente cuando la estimación de la velocidad ayuda a prevenir accidentes, salva vidas y mantiene nuestras carreteras seguras y eficientes.
La estimación de la velocidad mediante visión por ordenador consiste en detectar y seguir objetos en fotogramas de vídeo para calcular la velocidad a la que se mueven. Algoritmos como YOLOv8 pueden identificar y seguir objetos, como vehículos, en fotogramas consecutivos. El sistema mide la distancia que recorren estos objetos utilizando cámaras calibradas o puntos de referencia para calibrar las distancias en el mundo real. Al cronometrar el tiempo que tardan los objetos en desplazarse entre dos puntos, el sistema calcula su velocidad mediante la relación distancia-tiempo.
Además de detectar a los infractores, los sistemas de estimación de la velocidad integrados en la IA pueden recopilar datos para hacer predicciones sobre el tráfico. Estas predicciones pueden contribuir a tareas de gestión del tráfico como la optimización de los tiempos de señalización y la asignación de recursos. La información sobre las pautas de tráfico y las causas de los atascos puede utilizarse para planificar nuevas carreteras que reduzcan la congestión.
Las aplicaciones de la estimación de la velocidad van más allá de la vigilancia de las carreteras. También puede ser útil para controlar el rendimiento de los deportistas, ayudar a los vehículos autónomos a comprender la velocidad de los objetos que se mueven a su alrededor, detectar comportamientos sospechosos, etc. En cualquier lugar en el que se pueda utilizar una cámara para medir la velocidad de un objeto, se puede utilizar la estimación de la velocidad mediante visión por ordenador.
He aquí algunos ejemplos de aplicación de la estimación de la velocidad:
Los sistemas de estimación de la velocidad basados en la visión están sustituyendo a los métodos tradicionales basados en sensores por su mayor precisión, rentabilidad y flexibilidad. A diferencia de los sistemas que dependen de sensores caros como LiDAR, la visión por ordenador utiliza cámaras estándar para controlar y analizar la velocidad en tiempo real. Las soluciones de visión por ordenador para la estimación de la velocidad pueden integrarse perfectamente en la infraestructura de tráfico existente. Además, estos sistemas pueden construirse para realizar una serie de tareas complejas como la identificación del tipo de vehículo y el análisis de patrones de tráfico para mejorar el flujo y la seguridad del tráfico en general.
Ahora que tenemos una comprensión clara de la estimación de la velocidad y sus aplicaciones, vamos a echar un vistazo más de cerca a cómo se puede integrar la estimación de la velocidad en sus proyectos de visión por computador a través de código. Detectaremos vehículos en movimiento y estimaremos su velocidad utilizando el modelo YOLOv8.
Este ejemplo utiliza un vídeo de coches en una carretera descargado de Internet. Puede utilizar el mismo vídeo o cualquier otro vídeo relevante. El modelo YOLOv8 identifica el centro de cada vehículo y calcula su velocidad en función de la rapidez con la que este centro cruza una línea horizontal en el fotograma del vídeo.
Antes de entrar en materia, es importante señalar que, en este caso, el cálculo de la distancia es aproximado y se basa en la distancia euclidiana. La calibración de la cámara no se tiene en cuenta, por lo que la estimación de la velocidad puede no ser del todo precisa. Además, la velocidad estimada puede variar en función de la velocidad de tu GPU.
Paso 1: Comenzaremos instalando el paquete Ultralytics. Abra su símbolo del sistema o terminal y ejecute el comando que se muestra a continuación.
Eche un vistazo a nuestra guía de instalación de Ultralytics para obtener instrucciones paso a paso y las mejores prácticas sobre el proceso de instalación. Si tiene algún problema al instalar los paquetes necesarios para YOLOv8, en nuestra guía de problemas comunes encontrará soluciones y consejos útiles.
Paso 2: A continuación, importaremos las bibliotecas necesarias. La biblioteca OpenCV nos ayudará a manejar el procesamiento de vídeo.
Paso 3: A continuación, podemos cargar el modelo YOLOv8 y recuperar los nombres de las clases que el modelo puede detectar.
Consulte todos los modelos que ofrecemos para saber cuál se adapta mejor a su proyecto.
Paso 4: En este paso, abriremos el archivo de vídeo de entrada utilizando el módulo VideoCapture de OpenCV. También extraeremos la anchura, la altura y los fotogramas por segundo (fps) del vídeo.
Paso 5: Aquí, inicializaremos el grabador de video para guardar nuestros resultados finales de estimación de velocidad. El archivo de vídeo de salida se guardará como "speed_estimation.avi".
Paso6: A continuación, podemos definir los puntos de la línea para la estimación de la velocidad. Para nuestro vídeo de entrada, esta línea se colocará horizontalmente en el centro del fotograma. Siéntase libre de jugar con los valores para colocar la línea en las posiciones más adecuadas, dependiendo de su vídeo de entrada.
Paso 7: Ahora, podemos inicializar el objeto de estimación de velocidad utilizando los puntos de línea definidos y los nombres de clase.
Paso 8: El núcleo del script procesa el vídeo fotograma a fotograma. Se lee cada fotograma y se detectan y rastrean los objetos. Se estima la velocidad de los objetos rastreados y el fotograma anotado se escribe en el vídeo de salida.
Paso 9: Finalmente, liberamos los objetos de captura y escritura de vídeo y cerramos cualquier ventana de OpenCV.
Paso 10: Guarde el script. Si está trabajando desde su terminal o símbolo del sistema, ejecute el script utilizando el siguiente comando:
Si el código se ejecuta correctamente, el archivo de vídeo de salida tendrá este aspecto.
También es importante comprender los retos que plantea la aplicación de la estimación de la velocidad mediante visión por ordenador. Las condiciones meteorológicas desfavorables, como la lluvia, la niebla o la nieve, pueden causar problemas al sistema, ya que pueden obstruir la visibilidad de la carretera. Del mismo modo, las oclusiones causadas por otros vehículos u objetos pueden dificultar a estos sistemas el seguimiento y la estimación precisa de la velocidad de un vehículo objetivo. Las malas condiciones de iluminación que provocan sombras o el resplandor del sol también pueden complicar aún más la tarea de estimación de la velocidad.
Otro reto es la potencia de cálculo. Para estimar la velocidad en tiempo real, hay que procesar muchos datos visuales de cámaras de tráfico de alta calidad. Su solución puede requerir un hardware caro para gestionar todo esto y garantizar que todo funcione rápidamente sin retrasos.
Además, está la cuestión de la privacidad. Los datos recogidos por estos sistemas pueden incluir detalles del vehículo de una persona, como la marca, el modelo y la matrícula, que se recopilan sin su consentimiento. Algunas cámaras HD modernas pueden incluso captar imágenes de los ocupantes dentro del coche. Esta recogida de datos puede plantear graves problemas éticos y jurídicos que deben tratarse con sumo cuidado.
El uso del modelo YOLOv8 de Ultralytics para la estimación de la velocidad ofrece una solución flexible y eficaz para muchos usos. Aunque existen algunos retos, como la precisión en condiciones difíciles y los problemas de privacidad, las ventajas son múltiples. La estimación de la velocidad mediante visión por ordenador es más rentable, adaptable y precisa que los métodos antiguos. Es útil en diversos sectores, como el transporte, los deportes, la vigilancia y los coches autónomos. Con todas sus ventajas y aplicaciones, está destinada a ser una pieza clave de los futuros sistemas inteligentes.
¿Le interesa la IA? Conéctese con nuestra comunidad. Explore nuestro repositorio de GitHub para obtener más información sobre cómo utilizamos la IA para crear soluciones innovadoras en diversos sectores, como la sanidad y la agricultura. ¡Colabora, innova y aprende con nosotros! 🚀
