使用Ultralytics YOLO11进行速度估计 🚀

什么是速度估计？

速度估计是指在特定情境下计算物体移动速率的过程，通常用于计算机视觉应用中。使用Ultralytics YOLO11，您现在可以结合物体跟踪以及距离和时间数据来计算物体的速度，这对于交通和监控等任务至关重要。速度估计的准确性直接影响各种应用的效率和可靠性，使其成为智能系统和实时决策过程中的关键组成部分。

观看: 使用Ultralytics YOLO11进行速度估计

查看我们的博客

要深入了解速度估计，请查看我们的博客文章：Ultralytics YOLO11在计算机视觉项目中的速度估计

速度估计的优势？

高效的交通控制： 准确的速度估计有助于管理交通流量，提高安全性，并减少道路上的拥堵。
精确的自主导航： 在自动驾驶汽车等自主系统中，可靠的速度估计确保了安全和准确的车辆导航。
增强的监控安全性： 监控分析中的速度估计有助于识别异常行为或潜在威胁，提高安全措施的有效性。

实际应用

交通	交通

使用Ultralytics YOLO11在道路上进行速度估计	使用Ultralytics YOLO11在桥梁上进行速度估计

使用YOLO11进行速度估计示例

速度估计

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("Path/to/video/file.mp4")

assert cap.isOpened(), "错误读取视频文件"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

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

speed_region = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

speed = solutions.SpeedEstimator(model="yolo11n.pt", region=speed_region, show=True)

while cap.isOpened():
    success, im0 = cap.read()

    if success:
        out = speed.estimate_speed(im0)
        video_writer.write(im0)
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
        continue

    print("视频帧为空或视频处理已成功完成。")
    break

cap.release()
cv2.destroyAllWindows()

速度是估计值

速度将是一个估计值，可能不完全准确。此外，估计值可能会因GPU速度而有所不同。

参数 `SpeedEstimator`

名称	类型	默认值	描述
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径
`region`	`list`	`[(20, 400), (1260, 400)]`	定义计数区域的点的列表。
`line_width`	`int`	`2`	边界框的线条厚度。
`show`	`bool`	`False`	控制是否显示视频流的标志。

参数 `model.track`

参数	类型	默认值	描述
`source`	`str`	`None`	指定图像或视频的源目录。支持文件路径和URL。
`persist`	`bool`	`False`	启用帧间对象的持续跟踪，在视频序列中保持ID一致。
`tracker`	`str`	`botsort.yaml`	指定要使用的跟踪算法，例如 `bytetrack.yaml` 或 `botsort.yaml`。
`conf`	`float`	`0.3`	设置检测的置信度阈值；较低的值允许更多对象被跟踪，但可能包含误报。
`iou`	`float`	`0.5`	设置用于过滤重叠检测的交并比 (IoU) 阈值。
`classes`	`list`	`None`	按类别索引过滤结果。例如，`classes=[0, 2, 3]` 仅跟踪指定的类别。
`verbose`	`bool`	`True`	控制跟踪结果的显示，提供被跟踪对象的视觉输出。

常见问题

如何使用Ultralytics YOLO11估计物体速度？

使用Ultralytics YOLO11估计物体速度涉及结合物体检测和跟踪技术。首先，您需要使用YOLO11模型检测每一帧中的物体。然后，跟踪这些物体在帧之间的移动，以计算它们随时间的移动。最后，使用物体在帧之间的移动距离和帧率来估计其速度。

示例:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# 初始化SpeedEstimator
speed_obj = solutions.SpeedEstimator(
    region=[(0, 360), (1280, 360)],
    model="yolo11n.pt",
    show=True,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = speed_obj.estimate_speed(im0)
    video_writer.write(im0)

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

更多详情，请参阅我们的官方博客文章。

在交通管理中使用Ultralytics YOLO11进行速度估计有哪些好处？

在交通管理中使用Ultralytics YOLO11进行速度估计提供了显著的优势：

增强安全性：准确估计车辆速度以检测超速并提高道路安全。
实时监控：受益于YOLO11的实时物体检测能力，有效监控交通流量和拥堵。
可扩展性：在各种硬件设置上部署模型，从边缘设备到服务器，确保灵活且可扩展的解决方案用于大规模实施。

更多应用，请参见速度估计的优势。

YOLO11可以与其他AI框架如TensorFlow或PyTorch集成吗？

是的，YOLO11可以与其他AI框架如TensorFlow和PyTorch集成。Ultralytics提供支持将YOLO11模型导出为各种格式，如ONNX、TensorRT和CoreML，确保与其他ML框架的顺畅互操作性。

将YOLO11模型导出为ONNX格式的示例：

yolo export --weights yolo11n.pt --include onnx

了解更多关于导出模型的信息，请参阅我们的导出指南。