用于计算机视觉项目速度估算的Ultralytics YOLOv8

我们可能都见过限速路标。我们中的一些人甚至可能收到过邮寄或电子邮件发送的自动超速违章通知。得益于计算机视觉，人工智能 (AI) 交通管理系统可以自动标记超速违章行为。安装在路灯和高速公路上的摄像头捕获的实时画面用于速度估计，以加强道路安全。

速度估算不仅限于高速公路安全。它还可用于体育、自动驾驶汽车和其他各种应用。在本文中，我们将讨论如何在计算机视觉项目中使用Ultralytics YOLOv8 模型进行速度估算。我们还将逐步介绍一个编码示例，以便您亲自尝试。让我们开始吧！

速度估计使交通管理更加轻松

根据世界卫生组织 (WHO) 的数据，每年约有 119 万 人因超速导致道路交通事故死亡。此外，还有 2000 万至 5000 万人遭受非致命性伤害，其中许多人因此致残。交通安全的重要性不容低估，特别是速度估计有助于预防事故、挽救生命并确保我们的道路安全高效。 

利用计算机视觉进行速度估算涉及检测和 跟踪视频帧中的物体，以计算它们的移动速度。像YOLOv8 这样的算法可以识别和track 连续帧中的物体，如车辆。该系统使用校准过的摄像头或参考点来测量这些物体在现实世界中的移动距离。通过计算物体在两点之间移动所需的时间，系统利用距离-时间比计算出物体的速度。

​

除了抓拍超速者，集成人工智能的测速系统还可以收集数据来预测交通状况。这些预测可以支持交通管理任务，如优化信号配时和资源分配。深入了解交通模式和拥堵原因可用于规划新道路，以减少交通拥堵。

速度估计在其他行业的应用

速度估计的应用不仅限于道路监控。它还可以用于监控运动员的表现，帮助自动驾驶汽车了解周围物体的速度，检测可疑行为等。任何可以使用摄像头测量物体速度的场景，都可以使用计算机视觉进行速度估计。 

以下是一些使用速度估计的例子：

• 特斯拉的自动驾驶汽车使用基于视觉的速度估计来避免碰撞。
  ‍
• 
  ‍
• 智慧城市正在研究行人步态分析，以监测步行速度，提高城市交通的流动性和安全性。这些系统可以提醒司机注意行人的存在，并防止事故发生。
  ‍
• 动物行为监测系统利用速度估算来track 动物的运动，并detect 动物的痛苦或生病迹象。

​

使用计算机视觉估算速度的优势

基于视觉的速度估计系统正取代传统的基于传感器的方法，因为它们具有更高的准确性、成本效益和灵活性。与依赖 LiDAR 等昂贵传感器的系统不同，计算机视觉使用标准摄像头来实时监控和分析速度。用于速度估计的计算机视觉解决方案可以与现有的交通基础设施无缝集成。此外，这些系统可以构建为执行许多复杂的任务，例如车辆类型识别和交通模式分析，以提高整体交通流量和安全性。

自己试试使用YOLOv8估算速度

现在，我们已经清楚地了解了速度估算及其应用，让我们来仔细看看如何通过代码将速度估算集成到计算机视觉项目中。我们将使用YOLOv8 模型detect 移动车辆并估算其速度。

本示例使用了一段从互联网上下载的汽车行驶在道路上的视频。您可以使用相同的视频或任何相关视频。YOLOv8 模型会识别每辆车的中心点，并根据该中心点穿过视频帧中水平线的速度来计算其速度。 

在我们开始之前，需要注意的是，在这种情况下，距离计算是基于欧氏距离的近似计算。相机校准没有考虑在内，因此速度估计可能不完全准确。此外，估算的速度可能会因GPU的速度而异。

第一步：我们先安装Ultralytics 软件包。打开命令提示符或终端，运行下图所示命令。

pip install ultralytics 

请参阅我们的Ultralytics 安装指南 ，了解安装过程的分步说明和最佳实践。如果您在安装YOLOv8 所需软件包时遇到任何问题，我们的常见问题指南会为您提供解决方案和有用的提示。

步骤 2：接下来，我们将导入所需的库。OpenCV 库将帮助我们处理视频。

import cv2
from ultralytics import YOLO, solutions

步骤 3：然后，我们可以加载YOLOv8 模型，并检索该模型可以detect的类的名称。

model = YOLO("yolov8n.pt")
names = model.model.names

查看我们支持的所有模型，了解哪个模型最适合您的项目。

步骤 4：在这一步中，我们将使用OpenCV的 VideoCapture 模块打开输入的视频文件。我们还将提取视频的宽度、高度和每秒帧数（fps）。

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

步骤 5： 在这里，我们将初始化视频写入器以保存速度估计的最终结果。输出视频文件将保存为“speed_estimation.avi”。

video_writer = cv2.VideoWriter("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

‍第 6 步： 接下来，我们可以定义用于速度估计的线段端点。对于我们的输入视频，这条线将水平放置在画面的中间。您可以随意调整这些值，以便根据您的输入视频将线段放置在最合适的位置。

line_pts = [(0, 360), (1280, 360)]

步骤 7： 现在，我们可以使用定义的线点和类别名称来初始化速度估计对象。

speed_obj = solutions.SpeedEstimator(
    reg_pts=line_pts,
    names=names,
    view_img=True,
)

步骤 8：脚本核心逐帧处理视频。我们读取每一帧，并detect 和track 物体。我们会估算被跟踪物体的速度，并将有注释的帧写入输出视频。

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    tracks = model.track(im0, persist=True, show=False)

    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)
  

步骤 9：最后，我们释放视频捕获和写入对象，并关闭所有OpenCV 窗口。

cap.release()
video_writer.release()
cv2.destroyAllWindows()

步骤 10： 保存您的脚本。如果您从终端或命令提示符工作，请使用以下命令运行脚本：

python your_script_name.py

‍
基于视觉的速度估计的挑战

同样重要的是，要了解利用计算机视觉实现速度估算所面临的挑战。雨、雾或雪等不利天气条件会阻碍道路视线，从而给系统带来问题。同样，其他车辆或物体造成的遮挡也会使这些系统难以准确track 和估计目标车辆的速度。光照条件差会造成阴影或阳光刺眼，这也会使速度估算工作变得更加复杂。

另一个挑战涉及计算能力。为了实时估算速度，我们必须处理来自高质量交通摄像头的大量视觉数据。您的解决方案可能需要昂贵的硬件来处理所有这些数据，并确保一切快速运行且没有延迟。

然后，存在隐私问题。这些系统收集的数据可能包括个人的车辆详细信息，如品牌、型号和车牌信息，这些信息是在未经他们同意的情况下收集的。一些现代高清摄像头甚至可以拍摄到车内乘客的图像。这种数据收集可能会引发严重的伦理和法律问题，需要谨慎处理。

驶向未来

使用Ultralytics YOLOv8 模型进行速度估算可为多种用途提供灵活高效的解决方案。虽然存在一些挑战，如在恶劣条件下的准确性和解决隐私问题，但其优势是多方面的。与旧式方法相比，计算机视觉支持的速度估算更具成本效益、适应性更强、更精确。它适用于交通、体育、监控和自动驾驶汽车等多个领域。凭借所有这些优势和应用，它注定会成为未来智能系统的重要组成部分。

对人工智能感兴趣吗？与我们的社区联系！浏览我们的GitHub 存储库，详细了解我们如何利用人工智能在医疗保健和农业等各个行业创建创新解决方案。与我们协作、创新和学习！🚀