基于区域的 Ultralytics YOLO11 物体计数

对象计数听起来很简单，但在道路、商店或仓库等繁忙场所，这很快就会成为一个真正的挑战。多年来，对象计数主要依靠人工完成。人们花费数小时来统计车辆、跟踪进出商店的人流或监控安全目的的移动。然而，这种方法非常耗时、容易出错，且难以扩展。

这就是人工智能（AI），特别是计算机视觉发挥作用的地方。计算机视觉是人工智能的一个子领域，它像人类一样处理视觉数据。其主要应用之一是对象计数，这有助于自动检测和跟踪特定区域内的对象。

通常，对象计数仅限于统计项目总数；它无法显示这些对象在哪里。基于区域的计数或使用计数区域可以通过关注图像内的特定区域来解决这个问题。它提供了更详细的洞察，并有助于以更有意义的方式跟踪移动。

Ultralytics YOLO11 是一种支持多种计算机视觉任务（如对象检测和跟踪）的计算机视觉模型，可用于基于区域的对象计数。在本文中，我们将探讨如何使用 Ultralytics YOLO11 在特定区域内进行对象计数、其现实应用以及主要优势。让我们开始吧！

Link to this section区域对象计数概述#

检测和统计图像中的对象所能提供的信息非常有限，尤其是在机场或商场等场所，人们可能在单个帧的多个区域内聚集。了解这些对象的确切位置以及有多少对象通过特定区域更为重要。

YOLO11 等计算机视觉模型可以轻松用于此类计算机视觉应用。通过为登机口或候机室等关键位置分配区域，YOLO11 可用于仅统计该特定空间内的对象。可移动区域也可用于实时统计不同区域的对象数量。

图 1. 使用 YOLO 进行体育运动中基于区域的球员计数的示例。

Ultralytics YOLO11 可以使这一过程变得简单且高效。它可以帮助检测对象、跟踪其移动并根据它们进入或离开的区域进行计数。YOLO11 的独特之处在于它能够在不牺牲准确性的前提下提供实时结果。它还支持在每个定义的区域内进行多对象跟踪，从而帮助系统同时计数和分类各种对象。

Link to this section使用 Ultralytics YOLO11 进行区域对象计数#

Ultralytics 提供了易于使用的解决方案，展示了 YOLO 模型的前沿用例。其中包括对象计数、可移动区域中的对象计数、模糊处理和速度估计等实际解决方案。

设置和运行用于基于区域的对象计数的 Ultralytics 解决方案既简单又直接。这使用户能够专注于洞察结果，而不是复杂的配置。

在后台，基于区域的对象计数解决方案使用 YOLO11 来检测视频每一帧中的对象。然后，这些检测结果会通过跟踪算法（例如 BoT-SORT 或 ByteTrack），为每个对象分配跨帧的一致 ID。

一旦对象被检测并跟踪，系统就会检查它们是否与任何预定义区域（多边形、矩形或线条）相交。如果是，它们会根据进入或穿过这些区域的动作进行计数。

以下是 Ultralytics 基于区域的对象计数解决方案的其他一些主要功能：

• 快速处理： 该解决方案利用 YOLO11 实现实时对象计数，确保对视频流进行快速高效的分析。

• 可自定义区域： 用户可以使用多边形、矩形或线条在视频帧中定义特定区域，从而精确控制计数发生的范围。

• 多对象计数： 该系统可以同时检测和统计同一定义区域内多种类型的对象。

• 易于集成： 使用 Ultralytics Python API 或命令行界面可以无缝集成到现有系统中，只需极少的配置工作。

Link to this section动手实践区域对象计数#

要开始使用 Ultralytics 的基于区域的计数解决方案，你可以查阅官方的 Ultralytics 文档，其中逐步介绍了如何使用 YOLO11 来统计区域内的对象。

如果在设置解决方案时遇到任何问题，请记住以下一些提示：

• 确保已正确安装 Ultralytics Python 包。查看官方文档中的故障排除指南。

• 验证区域设置，并确保在界面中正确设置了定义的区域。

• 检查更新和新版本，并保持 Ultralytics Python 包为最新版本。

Link to this section区域对象计数的实际应用#

现在我们已经更好地了解了如何使用 Ultralytics YOLO11 进行基于区域的对象计数，让我们探讨一下它可以用于的一些实际应用。

Link to this section跟踪客户流以进行零售分析#

基于区域的对象计数可以轻松回答与客户在商店中停留时间最长位置相关的问题。YOLO11 可以帮助零售商跟踪关键位置的移动模式，例如出口点、收银台和高关注度产品区。这种基于区域的方法不仅仅是测量整体客流量，还能深入了解有多少客户访问了特定区域。

使用 Ultralytics 解决方案可以帮助零售商消除对手动编码或复杂设置过程的需求。零售商可以使用多边形或矩形线条轻松标记商店的不同部分，以跟踪客户移动和客流量。

YOLO11 可以检测对象、跟踪其移动，并在人们进入或离开该区域时实时更新计数。这有助于零售商了解客户流、衡量参与度并做出数据驱动的决策。

图 2. 使用 YOLO 进行商店外部基于区域的检测人数统计。

Link to this section收费站的交通管理#

城市交通总是繁忙，车辆并入高速公路、在红绿灯处停车以及在繁忙的十字路口排队。交通管理是保持道路安全和交通顺畅的关键部分。

使用 YOLO11 进行基于区域的对象计数可以通过将道路划分为不同的路段（如十字路口或收费车道）来支持这一需求。交通管理团队可以实时监控每个区域的车辆数量。这些实时数据有助于更快速地响应、更好的交通规划以及更顺畅的整体交通流。

这方面的一个有趣用例是收费站，如果不进行适当的监控，收费站很快就会变得拥挤。借助 Ultralytics 的基于区域的计数解决方案，可以单独跟踪每个收费车道。

该系统不监控所有交通，而是仅关注通过特定车道的车辆。当汽车进入或离开时，YOLO11 可以立即统计它们，帮助操作员监控哪些车道变得繁忙。

图 3. YOLO11 在收费站实现的基于区域的计数。

Link to this section农场和避难所的动物计数#

统计动物可能很困难，尤其是在它们成群结队通过狭窄空间时。漏掉几次计数可能会导致饲养、健康检查或农场记录方面的问题。对于农民来说，在不减慢速度的情况下保持准确的数据至关重要。

Ultralytics YOLO11 让这个过程变得顺畅得多。农民可以使用它创建自定义跟踪区域，无论是宽门、窄路径还是弯曲的围栏。在这些区域内，模型可以实时检测动物，用边框标记它们，并跟踪它们的移动。例如，它可以在没有任何人工干预的情况下，快速准确地统计大型羊群或山羊群通过围栏通道的情况。

Link to this section公共安全的人群监控#

公共空间的人群可以在几分钟内从空旷变得拥挤。在地铁、机场或音乐会中，过多的人集中在一个地方可能会减慢人流并造成安全隐患。实时监控人流量可以让当局及早发现人群拥挤，并在情况失控前采取行动。

具体来说，使用 YOLO11 进行基于区域的计数使得监控特定区域（如入口、站台或候车区）的移动成为可能，而不是跟踪视野内的所有人。这使安保团队能够专注于移动模式，快速识别拥堵点，并做出更好的运营决策，从时间表调整到人员部署。

图 4. 使用 YOLO11 在区域内统计人数以改善地铁人群管理。

Link to this section关键要点#

使用 Ultralytics YOLO11 进行基于区域的对象计数，使跟踪特定区域内的对象变得更加高效和准确。无论是在零售、交通管理还是公共安全领域，这种视觉 AI 驱动的方法都能帮助企业和城市规划者做出更好的、以数据为支撑的决策。自动化计数减少了人工工作量并提高了整体效率。

在未来，人工智能和计算机视觉可能会使对象计数变得更加智能。我们可以期待更高的准确性、能够处理不同环境的自适应学习，以及与自动化和 IoT（物联网）系统的集成。这种智能自动化正在塑造我们管理空间、人员和移动方式的未来。

在我们的 GitHub 仓库上了解更多关于 AI 的信息，并加入我们不断壮大的社区。探索汽车 AI 和农业计算机视觉方面的进展。查看我们的许可选项，让你的视觉 AI 项目变为现实。