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 отслеживать 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 отслеживания 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 обнаруживать, идентифицировать и отслеживать 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.
Модель Ultralytics YOLO11, представленная в ходе ежегодного гибридного мероприятия Ultralytics YOLO Vision 2024 (YV24), представляет собой модель компьютерного зрения, способную решать широкий спектр задач Vision AI, 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 отслеживая 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 модели Ultralytics 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 автомобили должны постоянно понимать окружающую обстановку, чтобы принимать решения в режиме реального времени, например, останавливаться, поворачивать или менять полосу движения. Обнаружение объектов позволяет автомобилю определять ключевые элементы окружения, такие как пешеходы, велосипедисты, другие транспортные средства и дорожные знаки. Однако одномоментного обнаружения этих объектов недостаточно для безопасной навигации.
Именно здесь на помощь приходит функция отслеживания объектов. Оно позволяет автомобилю следить за этими объектами во времени, отслеживая их перемещения по нескольким кадрам. Например, это помогает автономным автомобилям предсказать, куда направляется пешеход, проследить за скоростью и направлением движения близлежащих автомобилей или понять, что сигнал светофора не изменился. Комбинируя обнаружение и отслеживание, самоуправляемые автомобили могут предвидеть движение окружающих их объектов, реагировать на них с упреждением и вести безопасное и плавное движение.
Отслеживание животных на ферме, например крупного рогатого скота, необходимо для эффективного управления, но это может быть утомительной и трудоемкой задачей. Традиционные методы, такие как использование датчиков или меток, часто имеют свои недостатки. Эти устройства могут вызывать стресс у животных, когда они прикреплены к ним, а также могут упасть или повредиться, что нарушает процесс отслеживания.
Компьютерное зрение предлагает фермерам лучшее решение для мониторинга и отслеживания животных без необходимости использования физических меток. Отслеживание объектов может дать фермерам ценные сведения о поведении и здоровье животных. Например, с его помощью можно обнаружить 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 состояния здоровья, компьютерное зрение может помочь фермерам понять и другие особенности поведения, такие как социальное взаимодействие, пищевые привычки и характер движения. Эти данные могут улучшить управление стадом, оптимизировать график кормления и способствовать общему благополучию животных. Сокращая ручной труд и минимизируя стресс для животных, система слежения на основе компьютерного зрения является практичным и эффективным инструментом для современного фермерского хозяйства.
Отслеживание объектов имеет множество применений в производственном секторе. Например, системы обнаружения и отслеживания объектов могут контролировать производственные линии. Продукты или сырье можно легко отслеживать и подсчитывать, пока они движутся по конвейеру. Эти системы также могут быть интегрированы с другими системами компьютерного зрения для выполнения дополнительных задач. Например, изделие с дефектом может быть идентифицировано с помощью системы обнаружения дефектов и отслежено с помощью системы отслеживания объектов для обеспечения надлежащего ухода за ним.
Еще одно важное применение отслеживания объектов в производстве связано с безопасностью. Системы слежения за объектами могут использоваться для обнаружения и отслеживания 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 обнаружения и отслеживания 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 отслеживания подозрительных лиц или поведения толпы, обеспечивая беспрепятственное наблюдение. Например, во время пандемии системы слежения за объектами использовались для отслеживания мест скопления людей и обеспечения социальной дистанции между ними.
Слежение за объектами может использоваться и для наблюдения за дорожным движением. Слежение за объектами позволяет отслеживать и анализировать поведение транспортных средств, выявлять необычные или подозрительные действия в режиме реального времени, чтобы помочь предотвратить аварии или преступления. Хорошим примером являются системы оценки скорости. Они могут обнаруживать и отслеживать транспортное средство, чтобы определить его скорость.
Теперь, когда мы рассмотрели некоторые приложения для отслеживания объектов, давайте обсудим, как вы можете опробовать их на примере модели Ultralytics YOLO11.
Чтобы начать работу, установите пакет Ultralytics 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 отслеживания 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.
Вместо предварительно обученной модели вы также можете использовать модель, обученную на заказ. Пользовательское обучение подразумевает тонкую настройку предварительно обученной модели под конкретное приложение.
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 пакет Ultralytics 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 обнаруживать и отслеживать объекты в режиме реального времени, помогая предприятиям и промышленным компаниям следить 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 применение ИИ в самоуправляемых автомобилях и сельском хозяйстве на страницах наших решений. 🚀
RU
EN
ZH
KO
JA
DE
FR
ES
PT
IT
TR
VI
AR
.webp)
.webp)