Ngày 23 tháng 5 năm 2024
Khám phá cách mô hình Ultralytics YOLOv8 có thể được sử dụng để ước tính tốc độ trong các dự án thị giác máy tính của bạn. Hãy tự mình thử nghiệm với một ví dụ mã hóa đơn giản.
Có lẽ tất cả chúng ta đều đã từng thấy biển báo giới hạn tốc độ. Một số người trong chúng ta thậm chí có thể đã nhận được thông báo vi phạm giới hạn tốc độ tự động qua đường bưu điện hoặc email. Hệ thống quản lý giao thông trí tuệ nhân tạo (AI) có thể tự động đánh dấu các hành vi vi phạm tốc độ nhờ vào công nghệ thị giác máy tính. Cảnh quay thời gian thực do camera tại đèn đường và trên đường cao tốc ghi lại được sử dụng để ước tính tốc độ và tăng cường an toàn giao thông.
Ước tính tốc độ không chỉ giới hạn ở an toàn đường bộ. Nó có thể được sử dụng trong thể thao, xe tự hành và nhiều ứng dụng khác. Trong bài viết này, chúng tôi sẽ thảo luận về cách bạn có thể sử dụng mô hình Ultralytics YOLOv8 để ước tính tốc độ trong các dự án thị giác máy tính của mình. Chúng tôi cũng sẽ hướng dẫn từng bước thông qua một ví dụ mã hóa để bạn có thể tự mình thử nghiệm. Hãy bắt đầu nào!
Theo Tổ chức Y tế Thế giới (WHO), khoảng 1,19 triệu người tử vong hàng năm do tai nạn giao thông đường bộ do chạy quá tốc độ. Ngoài ra, 20 đến 50 triệu người khác bị thương không tử vong, trong đó nhiều người bị thương tật. Tầm quan trọng của an toàn giao thông không thể được cường điệu hóa, đặc biệt là khi ước tính tốc độ giúp ngăn ngừa tai nạn, cứu sống và giữ cho đường sá của chúng ta an toàn và hiệu quả.
Ước tính tốc độ bằng thị giác máy tính bao gồm việc phát hiện và theo dõi các vật thể trong khung hình video để tính toán tốc độ di chuyển của chúng. Các thuật toán như YOLOv8 có thể xác định và theo dõi các vật thể như xe cộ qua các khung hình liên tiếp. Hệ thống đo khoảng cách mà các vật thể này di chuyển bằng các camera được hiệu chuẩn hoặc các điểm tham chiếu để đánh giá khoảng cách trong thế giới thực. Bằng cách tính thời gian các vật thể di chuyển giữa hai điểm, hệ thống tính toán tốc độ của chúng bằng tỷ lệ khoảng cách-thời gian.
Ngoài việc bắt những người lái xe quá tốc độ, các hệ thống ước tính tốc độ tích hợp AI có thể thu thập dữ liệu để đưa ra dự đoán về giao thông. Những dự đoán này có thể hỗ trợ các nhiệm vụ quản lý giao thông như tối ưu hóa thời gian tín hiệu và phân bổ nguồn lực. Thông tin chi tiết về các mô hình giao thông và nguyên nhân tắc nghẽn có thể được sử dụng để lập kế hoạch cho các tuyến đường mới nhằm giảm tắc nghẽn giao thông.
Các ứng dụng ước tính tốc độ không chỉ dừng lại ở việc giám sát đường sá. Nó cũng có thể hữu ích để theo dõi hiệu suất của các vận động viên, giúp xe tự hành hiểu được tốc độ của các vật thể di chuyển xung quanh chúng, phát hiện hành vi đáng ngờ, v.v. Bất cứ nơi nào có thể sử dụng camera để đo tốc độ của một vật thể, có thể sử dụng ước tính tốc độ bằng thị giác máy tính.
Sau đây là một số ví dụ về nơi ước tính tốc độ đang được sử dụng:
Các hệ thống ước tính tốc độ dựa trên tầm nhìn đang thay thế các phương pháp dựa trên cảm biến truyền thống vì độ chính xác, hiệu quả về chi phí và tính linh hoạt được cải thiện. Không giống như các hệ thống dựa trên các cảm biến đắt tiền như LiDAR, thị giác máy tính sử dụng các camera tiêu chuẩn để giám sát và phân tích tốc độ theo thời gian thực. Các giải pháp thị giác máy tính để ước tính tốc độ có thể được tích hợp liền mạch với cơ sở hạ tầng giao thông hiện có. Ngoài ra, các hệ thống này có thể được xây dựng để thực hiện một số nhiệm vụ phức tạp như nhận dạng loại xe và phân tích mô hình giao thông để cải thiện lưu lượng giao thông và an toàn nói chung.
Bây giờ chúng ta đã hiểu rõ về ước tính tốc độ và các ứng dụng của nó, hãy cùng xem xét kỹ hơn cách bạn có thể tích hợp ước tính tốc độ vào các dự án thị giác máy tính của mình thông qua mã . Chúng ta sẽ phát hiện các phương tiện đang di chuyển và ước tính tốc độ của chúng bằng mô hình YOLOv8.
Ví dụ này sử dụng video về xe ô tô trên đường được tải xuống từ internet. Bạn có thể sử dụng cùng một video hoặc bất kỳ video nào có liên quan. Mô hình YOLOv8 xác định tâm của từng xe và tính toán tốc độ của xe dựa trên tốc độ tâm này vượt qua đường ngang trong khung video.
Trước khi đi sâu hơn, điều quan trọng cần lưu ý là trong trường hợp này, phép tính khoảng cách là gần đúng và dựa trên Khoảng cách Euclid. Hiệu chuẩn máy ảnh không được tính đến, do đó ước tính tốc độ có thể không hoàn toàn chính xác. Ngoài ra, tốc độ ước tính có thể thay đổi tùy thuộc vào tốc độ GPU của bạn.
Bước 1: Chúng ta sẽ bắt đầu bằng cách cài đặt gói Ultralytics. Mở dấu nhắc lệnh hoặc terminal và chạy lệnh được hiển thị bên dưới.
Hãy xem hướng dẫn cài đặt Ultralytics của chúng tôi để biết hướng dẫn từng bước và các biện pháp thực hành tốt nhất về quy trình cài đặt. Nếu bạn gặp bất kỳ sự cố nào khi cài đặt các gói cần thiết cho YOLOv8, hướng dẫn Sự cố thường gặp của chúng tôi có các giải pháp và mẹo hữu ích.
Bước 2: Tiếp theo, chúng ta sẽ nhập các thư viện cần thiết. Thư viện OpenCV sẽ giúp chúng ta xử lý video.
Bước 3: Sau đó, chúng ta có thể tải mô hình YOLOv8 và lấy tên các lớp mà mô hình có thể phát hiện.
Hãy xem qua tất cả các mô hình chúng tôi hỗ trợ để hiểu mô hình nào phù hợp nhất với dự án của bạn.
Bước 4: Trong bước này, chúng ta sẽ mở tệp video đầu vào bằng mô-đun VideoCapture của OpenCV. Chúng ta cũng sẽ trích xuất chiều rộng, chiều cao và khung hình trên giây (fps) của video.
Bước 5: Tại đây, chúng ta sẽ khởi tạo trình ghi video để lưu kết quả ước tính tốc độ cuối cùng của chúng ta. Tệp video đầu ra sẽ được lưu dưới dạng “speed_estimation.avi”.
Bước 6: Tiếp theo, chúng ta có thể xác định các điểm đường để ước tính tốc độ. Đối với video đầu vào của chúng ta, đường này sẽ được đặt theo chiều ngang ở giữa khung hình. Hãy thoải mái thay đổi các giá trị để đặt đường ở vị trí phù hợp nhất, tùy thuộc vào video đầu vào của bạn.
Bước 7: Bây giờ, chúng ta có thể khởi tạo đối tượng ước tính tốc độ bằng cách sử dụng các điểm đường thẳng và tên lớp đã xác định.
Bước 8: Lõi của tập lệnh xử lý video theo từng khung hình. Chúng tôi đọc từng khung hình và phát hiện và theo dõi các đối tượng. Tốc độ của các đối tượng được theo dõi được ước tính và khung hình được chú thích được ghi vào video đầu ra.
Bước 9: Cuối cùng, chúng ta giải phóng các đối tượng ghi và chụp video và đóng mọi cửa sổ OpenCV.
Bước 10: Lưu tập lệnh của bạn. Nếu bạn đang làm việc từ terminal hoặc dấu nhắc lệnh, hãy chạy tập lệnh bằng lệnh sau:
Nếu mã của bạn được thực thi thành công, tệp video đầu ra của bạn sẽ trông như thế này.
Điều quan trọng nữa là phải hiểu những thách thức liên quan đến việc triển khai ước tính tốc độ bằng thị giác máy tính. Các điều kiện thời tiết bất lợi như mưa, sương mù hoặc tuyết có thể gây ra sự cố cho hệ thống vì chúng có thể cản trở tầm nhìn của đường. Tương tự như vậy, sự che khuất do các phương tiện hoặc vật thể khác gây ra có thể khiến các hệ thống này khó theo dõi và ước tính chính xác tốc độ của phương tiện mục tiêu. Điều kiện ánh sáng kém gây ra bóng tối hoặc ánh sáng chói từ mặt trời cũng có thể làm phức tạp thêm nhiệm vụ ước tính tốc độ.
Một thách thức khác liên quan đến sức mạnh tính toán . Để ước tính tốc độ theo thời gian thực, chúng ta phải xử lý rất nhiều dữ liệu trực quan từ camera giao thông chất lượng cao. Giải pháp của bạn có thể yêu cầu phần cứng đắt tiền để xử lý tất cả những điều này và đảm bảo mọi thứ hoạt động nhanh chóng mà không bị chậm trễ.
Sau đó, có vấn đề về quyền riêng tư. Dữ liệu được thu thập bởi các hệ thống này có thể bao gồm thông tin chi tiết về xe của một cá nhân như nhãn hiệu, kiểu xe và thông tin biển số xe, được thu thập mà không có sự đồng ý của họ. Một số camera HD hiện đại thậm chí có thể chụp ảnh những người ngồi trong xe. Việc thu thập dữ liệu như vậy có thể gây ra các vấn đề nghiêm trọng về mặt đạo đức và pháp lý cần được xử lý hết sức cẩn thận.
Sử dụng mô hình Ultralytics YOLOv8 để ước tính tốc độ cung cấp một giải pháp linh hoạt và hiệu quả cho nhiều mục đích sử dụng. Mặc dù có những thách thức, như độ chính xác trong điều kiện khắc nghiệt và giải quyết các vấn đề về quyền riêng tư, nhưng lợi thế là rất nhiều. Ước tính tốc độ hỗ trợ thị giác máy tính tiết kiệm chi phí hơn, dễ thích ứng hơn và chính xác hơn so với các phương pháp cũ. Nó hữu ích trong nhiều lĩnh vực như giao thông vận tải, thể thao, giám sát và xe tự lái. Với tất cả các lợi ích và ứng dụng, nó được định sẵn là một phần quan trọng của các hệ thống thông minh trong tương lai.
Bạn có hứng thú với AI không? Hãy kết nối với cộng đồng của chúng tôi! Khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về cách chúng tôi sử dụng AI để tạo ra các giải pháp sáng tạo trong nhiều ngành công nghiệp khác nhau như chăm sóc sức khỏe và nông nghiệp . Hãy hợp tác, sáng tạo và học hỏi cùng chúng tôi! 🚀
.webp)