Присоединяйся к нам, чтобы поближе познакомиться с тем, как использовать Ultralytics YOLO11 для отслеживания объектов в реальном времени в таких приложениях, как видеонаблюдение, сельское хозяйство и производство.
Допустим, ты хочешь контролировать и отслеживать перемещение компонентов на сборочной линии на производстве, чтобы обеспечить контроль качества и повысить эффективность рабочего процесса. Как правило, для этого приходится проводить ручной осмотр или использовать базовые датчики 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 приложениях, 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.
Презентация состоялась во время ежегодного гибридного мероприятияUltralytics', YOLO Vision 2024 (YV24), Ultralytics YOLO11 это модель компьютерного зрения, которая может решать самые разные задачи Vision AI, включая отслеживание объектов. В этой статье мы рассмотрим, как работает отслеживание объектов, и обсудим реальные приложения. Также мы рассмотрим, как ты можешь попробовать отслеживание объектов с помощью YOLO11. Давай приступим!
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 по отдельности, идентифицируя и классифицируя объекты без учета предыдущих или последующих кадров. Отслеживание объектов, напротив, 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 трекинга.
Универсальные возможности моделиUltralytics YOLO11 открывают широкий спектр возможных применений во многих отраслях. Давай подробнее рассмотрим некоторые случаи использования YOLO11 для отслеживания объектов.
Слежение за объектами имеет решающее значение для обеспечения безопасной и эффективной работы самодвижущихся автомобилей. Этим машинам необходимо постоянно понимать окружающую обстановку, чтобы принимать решения в реальном 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.
Вот тут-то и приходит на помощь отслеживание объектов. Оно позволяет автомобилю следовать за этими объектами во времени, отслеживая их перемещения по нескольким кадрам. Например, это помогает автономным автомобилям предсказывать, куда направляется пешеход, следить за скоростью и направлением движения близлежащих машин или распознавать, что сигнал светофора не изменился. Комбинируя обнаружение и слежение, самодвижущиеся автомобили могут предугадывать движение окружающих их объектов, реагировать на них проактивно и ездить безопасно и плавно.
Отслеживание животных на ферме, например скота, жизненно важно для эффективного управления, но это может быть утомительной и трудоемкой задачей. Традиционные методы, такие как использование датчиков или меток, часто имеют отрицательные стороны. Эти устройства могут вызывать стресс у животных, когда они прикреплены к ним, а также склонны к падению или повреждению, что нарушает процесс слежения.
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, оно может помочь обнаружить такие заболевания, как хромота, которая влияет на то, как животное ходит. Используя отслеживание объектов, фермеры могут заметить едва уловимые изменения в движениях и решить проблемы со здоровьем на ранней стадии.
Помимо мониторинга состояния здоровья, компьютерное зрение может помочь фермерам понять и другие особенности поведения, такие как социальное взаимодействие, пищевые привычки и характер движения. Эти знания могут улучшить управление стадом, оптимизировать график кормления и способствовать общему благополучию животных. Сокращая ручной труд и минимизируя стресс для животных, слежение с помощью компьютерного зрения является практичным и эффективным инструментом для современного фермерского 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, пока они движутся по конвейеру. Эти системы также могут быть интегрированы с другими системами компьютерного зрения для выполнения дополнительных задач. Например, предмет с дефектом можно определить с помощью системы обнаружения дефектов и отследить его с помощью системы отслеживания объектов, чтобы убедиться, что о нем позаботились должным образом.
Еще одно важное применение слежения за объектами 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 помечены и постоянно контролироваться с помощью систем компьютерного зрения, а супервайзеры могут быть уведомлены, если рабочие (за которыми ведется слежение) приближаются к таким зонам. Такие системы безопасности также можно использовать для обнаружения и отслеживания оборудования, предотвращая вероятность его кражи.
Отслеживание объектов в реальном времени широко используется в системах безопасности и наблюдения. Эти системы можно использовать 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 бесперебойное наблюдение. Например, во время пандемии системы слежения за объектами использовались для того, чтобы отслеживать места скопления людей и следить за тем, чтобы люди соблюдали социальную дистанцию.
Слежение за объектами можно использовать и при наблюдении за дорожным движением. Слежение за объектами позволяет отслеживать и анализировать поведение автомобилей, выявляя необычные или подозрительные действия в режиме реального времени, чтобы помочь предотвратить аварии или преступления. Хороший пример - системы оценки скорости. Они могут обнаружить и отследить автомобиль, чтобы определить его скорость.
Теперь, когда мы изучили некоторые приложения для отслеживания объектов, давай обсудим, как ты можешь попробовать их на практике, используя модельUltralytics YOLO11 .
Чтобы начать работу, установи пакетUltralytics Python с помощью pip, conda или Docker. Если во время установки ты столкнешься с какими-либо трудностями, в нашем руководстве по общим проблемам ты найдешь полезные советы по устранению неполадок.
После того как ты успешно установил пакет, запусти следующий код. В нем описано, как загрузить модель Ultralytics YOLO11 и использовать ее для отслеживания объектов в видеофайле. Модель, используемая в коде, - "yolo11n.pt". Буква "n" означает Nano - самый маленький вариант модели YOLO11 . Также есть и другие варианты моделей на выбор - small, medium, large и extra-large.
Ты также можешь выбрать использование модели, обученной на заказ, вместо предварительно обученной модели. Пользовательское обучение подразумевает тонкую настройку предварительно обученной модели под твое конкретное приложение.
Как уже говорилось, отслеживание объектов поддерживается для следующих моделей YOLO11 : обнаружение объектов, оценка позы и сегментация экземпляров. Если у тебя есть конкретное приложение, связанное с отслеживанием, ты можешь настраивать любую из этих моделей в зависимости от своего приложения. Настроить модель можно с помощью пакетаUltralytics Python или платформы без кода Ultralytics HUB.
Ultralytics YOLO11 Это отличный инструмент для отслеживания объектов на видео, который можно использовать в самых разных сферах, например, при создании самоуправляемых автомобилей, в сельском хозяйстве, на производстве и в сфере безопасности. Он может обнаруживать и отслеживать объекты в режиме реального времени, помогая предприятиям и отраслям 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, посети наш репозиторий на GitHub и присоединяйся к нашему сообществу. Изучи применение ИИ в самодвижущихся автомобилях и сельском хозяйстве на страницах наших решений. 🚀
Начни свое путешествие с будущим машинного обучения
