Ultralytics YOLOv8 用于计算机视觉项目中的速度估算

我们可能都见过限速路牌。我们中的一些人甚至可能收到过通过邮寄或电子邮件发送的自动限速违规通知。人工智能（AI）交通管理系统可以利用计算机视觉技术自动标记超速违规行为。路灯和高速公路上的摄像头拍摄的实时画面可用于估算车速和加强道路安全。

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 模型进行速度估计。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！

车速估算让交通管理更轻松

据世界卫生组织（WHO）统计，每年约有119 万人因超速行驶而死于道路交通事故。此外，还有 2,000 万至 5,000 万人受到非致命伤害，其中许多人因此致残。交通安全的重要性怎么强调都不为过，尤其是当车速估算有助于预防事故、挽救生命并保持道路安全和高效时。 

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。YOLOv8 等算法可以识别和跟踪连续帧中的物体，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，系统可以利用距离-时间比计算出物体的速度。

‍

除了抓超速者，集成了人工智能的速度估算系统还能收集数据，对交通进行预测。这些预测可以支持交通管理任务，如优化信号灯时间和资源分配。对交通模式和拥堵原因的洞察可用于规划新道路，以减少交通拥堵。

速度估算在其他行业的应用

速度估算的应用不仅限于监控道路。它还可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移动速度、检测可疑行为等。在任何可以使用摄像头测量物体速度的地方，都可以使用计算机视觉进行速度估算。 

以下是一些使用速度估算的例子：

• 特斯拉自动驾驶汽车使用基于视觉的速度估计来避免碰撞。
• 2024 年奥运会将使用计算机视觉和速度估算技术来改进田径项目的成绩分析。
• 智能城市正在研究行人步态分析，以监测步行速度，提高城市流动性和安全性。这些系统可以提醒司机注意行人的存在，防止事故发生。
• 动物行为监测系统利用速度估算来跟踪动物的运动，并检测动物的痛苦或生病迹象。

‍

使用计算机视觉估算速度的好处

基于视觉的速度估算系统因其更高的准确性、成本效益和灵活性，正在取代传统的基于传感器的方法。与依赖激光雷达等昂贵传感器的系统不同，计算机视觉系统使用标准摄像头实时监控和分析速度。用于速度估算的计算机视觉解决方案可与现有交通基础设施无缝集成。此外，这些系统还可以执行许多复杂的任务，如车辆类型识别和交通模式分析，以改善整体交通流量和安全性。

自己试试速度估算YOLOv8

既然我们已经清楚地了解了速度估算及其应用，那么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 模型检测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 模型可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。

步骤 1：首先安装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

请查看我们的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 所需的软件包时遇到任何问题，我们的常见问题指南将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，并检索该模型可以检测到的类的名称。

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

查看我们支持的所有型号，了解哪种型号最适合您的项目。

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：在此，我们将初始化视频写入器，以保存速度估算的最终结果。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))

‍步骤6：接下来，我们可以定义用于速度估算的线点。对于我们的输入视频，这条线将水平放置在帧的中间。您可以根据输入视频的情况，随意调整数值，将线条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名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，并检测和跟踪物体。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:        
    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：保存脚本。如果您在终端或命令提示符下工作，请使用以下命令运行脚本：

python your_script_name.py

如果代码执行成功，输出的视频文件将如下所示。

‍
基于视觉的速度估计所面临的挑战

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跟踪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。

另一个挑战与计算能力有关。为了实时估算车速，我们必须处理来自高质量交通摄像头的大量可视数据。您的解决方案可能需要昂贵的硬件来处理所有这些数据，并确保一切都能快速运行，不会出现延误。

此外，还有隐私问题。这些系统收集的数据可能包括个人车辆的详细信息，如品牌、型号和车牌信息，而这些信息是在未经个人同意的情况下收集的。一些现代高清摄像头甚至可以捕捉到车内人员的图像。此类数据收集可能会引发严重的伦理和法律问题，需要极其谨慎地处理。

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。有了这些优势和应用，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？与我们的社区联系！探索我们的GitHub 存储库，了解我们如何利用人工智能在医疗保健和农业等各行各业创造创新解决方案。与我们一起合作、创新和学习！🚀