20 ноября 2024 г.
Присоединяйтесь к нам, и мы внимательнее рассмотрим, как использовать Ultralytics YOLO11 для отслеживания объектов в приложениях реального времени, таких как наблюдение, сельское хозяйство и производство.
Предположим, вы хотите отслеживать перемещение компонентов на сборочной линии на производственном предприятии, чтобы обеспечить контроль качества и повысить эффективность рабочего процесса. Обычно это предполагает ручные проверки или использование базовых датчиков для отслеживания элементов, что может занять много времени и привести к ошибкам. Однако компьютерное зрение и отслеживание объектов можно использовать для автоматизации и улучшения этого процесса.
Отслеживание объектов — это задача компьютерного зрения, которая помогает обнаруживать, идентифицировать и отслеживать объекты в видео. Его можно использовать для широкого спектра приложений, от мониторинга животных на фермах до безопасности и наблюдения в розничных магазинах. Объекты, за которыми ведется наблюдение в видео, обычно визуализируются с использованием ограничительных рамок, чтобы помочь пользователю увидеть, где именно они расположены и обнаружены в видеокадре.
Представленная во время ежегодного гибридного мероприятия Ultralytics, YOLO Vision 2024 (YV24), Ultralytics YOLO11 — это модель компьютерного зрения, которая может решать широкий спектр задач Vision AI, включая отслеживание объектов. В этой статье мы рассмотрим, как работает отслеживание объектов, и обсудим реальные примеры применения. Мы также рассмотрим, как можно опробовать отслеживание объектов с помощью YOLO11. Давайте начнем!
Отслеживание объектов — важный метод компьютерного зрения. Он позволяет идентифицировать и отслеживать объекты в 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 индивидуально, идентифицируя и классифицируя объекты, не учитывая предыдущие или будущие кадры. Отслеживание объектов, с другой стороны, соединяет точки между кадрами, отслеживая одни и те же объекты с течением времени и отслеживая их движения.
Вот более подробное описание того, как работает отслеживание объектов:
Ultralytics поддерживает отслеживание объектов в реальном времени, используя передовые алгоритмы, такие как BoT-SORT и ByteTrack. Он также бесперебойно работает с сегментацией и оценкой позы моделей YOLO11, что делает его гибким инструментом для широкого спектра задач отслеживания.
Универсальные возможности модели Ultralytics YOLO11 открывают широкий спектр возможных применений во многих отраслях. Давайте подробнее рассмотрим некоторые варианты использования отслеживания объектов YOLO11.
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 предоставляет фермерам лучшее решение для мониторинга и отслеживания животных без необходимости использования физических меток. Отслеживание объектов может дать фермерам ценную информацию о поведении и здоровье животных. Например, оно может помочь выявить такие состояния, как хромота, влияющая на походку животного. Используя отслеживание объектов, фермеры могут выявлять незначительные изменения в движении и своевременно решать 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 отслеживания объектов могут использоваться для обнаружения и отслеживания работников в потенциально опасных производственных средах. Опасные зоны могут быть отмечены и постоянно контролироваться с помощью систем компьютерного зрения, и supervisors могут быть уведомлены, если работники (находящиеся под наблюдением) приближаются к таким зонам. Такие системы безопасности также могут использоваться для обнаружения и отслеживания оборудования, предотвращая возможность кражи.
Отслеживание объектов в реальном времени широко используется в системах безопасности и наблюдения. Эти системы можно использовать для мониторинга общественных мест, транспортных узлов и крупных торговых площадей, таких как торговые центры. В больших, людных местах эта технология может использоваться для отслеживания подозрительных лиц или поведения толпы, обеспечивая комплексное решение для наблюдения. Например, во время пандемии системы отслеживания объектов использовались для отслеживания людных мест и обеспечения соблюдения людьми социальной дистанции.
Отслеживание объектов также можно использовать в системах видеонаблюдения за дорожным движением. Отслеживание объектов позволяет отслеживать и анализировать поведение транспортных средств, выявляя необычные или подозрительные действия в режиме реального времени, чтобы помочь предотвратить несчастные случаи или преступления. Хорошим примером являются системы оценки скорости. Они могут обнаруживать и отслеживать транспортное средство для определения его скорости.
Теперь, когда мы рассмотрели некоторые приложения для отслеживания объектов, давайте обсудим, как вы можете попробовать это, используя модель Ultralytics YOLO11.
Чтобы начать работу, установите пакет Ultralytics Python с помощью pip, conda или Docker. Если у вас возникнут какие-либо трудности во время установки, наши Рекомендации по решению распространенных проблем предлагают полезные советы по устранению неполадок.
После успешной установки пакета запустите следующий код. В нем описывается, как загрузить модель Ultralytics YOLO11 и использовать ее для отслеживания объектов в видеофайле. Модель, используемая в коде, — «yolo11n.pt». «n» означает Nano — самый маленький вариант модели YOLO11. Есть также другие варианты моделей на выбор — small, medium, large и extra-large.
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 упоминалось ранее, отслеживание объектов поддерживается для следующих моделей YOLO11: обнаружение объектов, оценка позы и сегментация экземпляров. Если у вас есть конкретное приложение, связанное с отслеживанием, вы можете выполнить пользовательскую тренировку любой из этих моделей в зависимости от вашего приложения. Вы можете выполнить пользовательскую тренировку модели, используя пакет Ultralytics Python или платформу без кода Ultralytics HUB.
Ultralytics YOLO11 — отличный инструмент для отслеживания объектов в видео, и его можно использовать во многих различных областях, таких как самоуправляемые автомобили, сельское хозяйство, производство и безопасность. Он может обнаруживать и отслеживать объекты в режиме реального времени, помогая предприятиям и отраслям отслеживать своих работников и оборудование. Модель проста в использовании и может быть настроена для конкретных нужд, что делает ее хорошим вариантом для всех, 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. 🚀
.webp)