20 ноября 2024 г.
Присоединяйтесь к нам и рассмотрите подробнее, как использовать Ultralytics YOLO11 для отслеживания объектов в режиме реального времени в таких приложениях, как видеонаблюдение, сельское хозяйство и производство.
Допустим, вы хотите контролировать и track перемещение компонентов на сборочной линии на производстве, чтобы обеспечить контроль качества и повысить эффективность рабочего процесса. Как правило, для этого требуется ручная проверка или использование базовых датчиков для track элементов, что может отнимать много времени и чревато ошибками. Однако компьютерное зрение и отслеживание объектов могут быть использованы для автоматизации и улучшения этого процесса.
Отслеживание объектов - это задача компьютерного зрения, которая помогает detect, идентифицировать и track объекты на видео. Она может использоваться в самых разных областях, от наблюдения за животными на фермах до обеспечения безопасности и наблюдения в розничных магазинах. Объекты, отслеживаемые на видео, обычно визуализируются с помощью ограничительных рамок, чтобы помочь пользователю увидеть, где именно они расположены и обнаружены в кадре видео.
Презентация состоялась во время ежегодного гибридного мероприятияUltralytics YOLO Vision 2024 (YV24), Ultralytics YOLO11 это модель компьютерного зрения, способная решать широкий спектр задач искусственного интеллекта, включая отслеживание объектов. В этой статье мы рассмотрим, как работает отслеживание объектов, и обсудим реальные приложения. Мы также рассмотрим, как вы можете попробовать отслеживание объектов с помощью YOLO11. Давайте начнем!
Отслеживание объектов - важнейшая техника компьютерного зрения. Она позволяет идентифицировать и отслеживать объекты на видео с течением времени. Отслеживание объектов может показаться очень похожим на другую задачу компьютерного зрения - обнаружение объектов. Ключевое различие между ними заключается в том, как они обрабатывают видеокадры. Обнаружение объектов рассматривает каждый кадр в отдельности, идентифицируя и классифицируя объекты без учета предыдущих или последующих кадров. Отслеживание объектов, с другой стороны, соединяет точки между кадрами, следя за одними и теми же объектами во времени и track их перемещения.
Вот более подробное описание того, как работает отслеживание объектов:
Ultralytics поддерживает отслеживание объектов в реальном времени, используя передовые алгоритмы отслеживания, такие как BoT-SORT и ByteTrack. Он также легко работает с моделями сегментации и оценки позы YOLO11 , что делает его гибким инструментом для широкого спектра задач отслеживания.
Универсальные возможности моделиUltralytics YOLO11 открывают широкий спектр возможных применений во многих отраслях. Давайте подробнее рассмотрим некоторые случаи использования YOLO11 для отслеживания объектов.
Отслеживание объектов имеет решающее значение для обеспечения безопасной и эффективной работы самоуправляемых автомобилей. Эти транспортные средства должны постоянно понимать свое окружение, чтобы принимать решения в режиме реального времени, такие как остановка, поворот или смена полосы движения. Обнаружение объектов позволяет автомобилю идентифицировать ключевые элементы в окружающей среде, такие как пешеходы, велосипедисты, другие транспортные средства и дорожные знаки. Однако обнаружения этих объектов в один момент недостаточно для безопасной навигации.
Именно здесь на помощь приходит отслеживание объектов. Оно позволяет автомобилю следить за этими объектами во времени, отслеживая их движения по нескольким кадрам. Например, это помогает автономным транспортным средствам предсказывать, куда направляется пешеход, отслеживать скорость и направление близлежащих транспортных средств или распознавать, что светофор не изменился. Благодаря сочетанию обнаружения и отслеживания, самоуправляемые автомобили могут предвидеть движение объектов вокруг них, реагировать проактивно и водить безопасно и плавно.
Отслеживание животных на ферме, например, крупного рогатого скота, жизненно важно для эффективного управления, но это может быть утомительной и трудоемкой задачей. Традиционные методы, такие как использование датчиков или бирок, часто имеют недостатки. Эти устройства могут вызывать стресс у животных при прикреплении и склонны к отваливанию или повреждению, что нарушает отслеживание.
Компьютерное зрение предлагает фермерам лучшее решение для мониторинга и track животных без необходимости использования физических меток. Отслеживание объектов может дать фермерам ценные сведения о поведении и здоровье животных. Например, с его помощью можно detect такие заболевания, как хромота, которая влияет на то, как животное ходит. Используя отслеживание объектов, фермеры могут заметить едва уловимые изменения в движении и на ранней стадии решить проблемы со здоровьем.
Помимо мониторинга здоровья, компьютерное зрение также может помочь фермерам понять другие модели поведения, такие как социальное взаимодействие, привычки питания и модели передвижения. Эти данные могут улучшить управление стадом, оптимизировать графики кормления и способствовать общему благополучию животных. Благодаря сокращению ручного труда и минимизации стресса для животных, отслеживание на основе компьютерного зрения является практичным и эффективным инструментом для современного сельского хозяйства.
Отслеживание объектов имеет множество вариантов использования в производственном секторе. Например, системы обнаружения и отслеживания объектов могут контролировать производственные линии. Продукты или сырье можно легко отслеживать и подсчитывать по мере их перемещения по конвейерной ленте. Эти системы также могут быть интегрированы с другими системами компьютерного зрения для выполнения дополнительных задач. Например, элемент с дефектом можно идентифицировать с помощью системы обнаружения дефектов и отслеживать с помощью отслеживания объектов, чтобы обеспечить надлежащий уход за ним.
Еще одно важное применение отслеживания объектов в производстве связано с безопасностью. Системы слежения за объектами могут использоваться для detect и track работников в потенциально опасных производственных условиях. Опасные зоны могут быть отмечены и постоянно контролироваться с помощью систем компьютерного зрения, а руководители могут быть уведомлены, если работники (за которыми ведется слежение) приближаются к таким зонам. Такие системы безопасности также могут использоваться для detect и track оборудования, предотвращая возможность его кражи.
Отслеживание объектов в реальном времени широко используется в системах безопасности и наблюдения. Эти системы могут использоваться для наблюдения за общественными местами, транспортными узлами и крупными торговыми объектами, например, торговыми центрами. В больших и многолюдных местах эта технология может использоваться для track подозрительных лиц или поведения толпы, обеспечивая беспрепятственное наблюдение. Например, во время пандемии системы слежения за объектами использовались для track мест скопления людей и обеспечения социальной дистанции между ними.
Слежение за объектами может использоваться и для наблюдения за дорожным движением. Слежение за объектами позволяет track и анализировать поведение транспортных средств, выявляя необычные или подозрительные действия в режиме реального времени, чтобы помочь предотвратить аварии или преступления. Хорошим примером являются системы оценки скорости. Они могут detect и track транспортное средство, чтобы определить его скорость.
Теперь, когда мы рассмотрели некоторые приложения для отслеживания объектов, давайте обсудим, как вы можете опробовать их на примере моделиUltralytics YOLO11 .
Чтобы начать работу, установите пакетUltralytics Python с помощью pip, conda или Docker. Если во время установки у вас возникнут проблемы, в нашем руководстве по общим проблемам вы найдете полезные советы по устранению неполадок.
После успешной установки пакета выполните следующий код. В нем описано, как загрузить модель Ultralytics YOLO11 и использовать ее для track объектов в видеофайле. В коде используется модель "yolo11n.pt". Буква "n" означает Nano - самый маленький вариант модели YOLO11 . Существуют и другие варианты модели - малый, средний, большой и сверхбольшой.
Вы также можете использовать модель, обученную под заказ, вместо предварительно обученной модели. Индивидуальное обучение включает в себя точную настройку предварительно обученной модели в соответствии с вашим конкретным приложением.
Как уже говорилось, отслеживание объектов поддерживается следующими моделями YOLO11 : обнаружение объектов, оценка позы и сегментация экземпляров. Если у вас есть конкретное приложение, связанное с отслеживанием, вы можете настраивать любую из этих моделей в зависимости от вашего приложения. Для обучения модели можно использовать пакетUltralytics Python или платформу Ultralytics HUB, не требующую кода.
Ultralytics YOLO11 - это отличный инструмент для отслеживания объектов на видео, который можно использовать в самых разных областях, таких как самоуправляемые автомобили, сельское хозяйство, производство и безопасность. Он может detect и отслеживать объекты в режиме реального времени, помогая предприятиям и промышленным компаниям track за своими работниками и оборудованием. Модель проста в использовании и может быть настроена под конкретные нужды, что делает ее хорошим вариантом для тех, кто заинтересован в беспрепятственном внедрении возможностей компьютерного зрения.
Чтобы узнать больше, посетите наш репозиторий GitHub и присоединяйтесь к нашему сообществу. Изучите приложения AI в автомобилях с автоматическим управлением и сельском хозяйстве на страницах наших решений. 🚀
