Controllo verde
Link copiato negli appunti

Conteggio di oggetti basato sulla regione con Ultralytics YOLO11

Scopri come Ultralytics YOLO11 semplifica il conteggio degli oggetti in base alla regione per settori come la vendita al dettaglio, il traffico e la sicurezza, consentendo di ottenere in tempo reale informazioni di Vision AI.

Il conteggio degli oggetti può sembrare semplice, ma in luoghi affollati come strade, negozi o magazzini, può diventare rapidamente una vera e propria sfida. Per anni, il conteggio degli oggetti è stato fatto principalmente a mano. Si sono passate ore a contare i veicoli, a seguire il flusso di persone che entravano e uscivano dai negozi o a monitorare i movimenti per motivi di sicurezza. Tuttavia, questo approccio richiede molto tempo, è soggetto a errori e non è scalabile.

È qui che entra in gioco l'intelligenza artificiale (AI), nello specifico la computer vision. La computer vision è un sottocampo dell'IA che si occupa di elaborare i dati visivi, in modo simile agli esseri umani. Una delle sue applicazioni principali è il conteggio degli oggetti, che aiuta a rilevare e seguire automaticamente gli oggetti in una determinata area.  

In genere, il conteggio degli oggetti si limita a totalizzare un numero di elementi, ma non mostra dove si trovano gli oggetti. Il conteggio basato sulle regioni risolve questo problema concentrandosi su aree specifiche all'interno di un'immagine. Fornisce informazioni più dettagliate e aiuta a tracciare il movimento in modo più significativo.

Ultralytics YOLO11 è un modello di visione computerizzata che supporta diverse attività di visione computerizzata, come il rilevamento e il tracciamento degli oggetti, e che può essere utilizzato per il conteggio degli oggetti basato sulle regioni. In questo articolo esploreremo come Ultralytics YOLO11 può essere utilizzato per il conteggio degli oggetti all'interno di una regione, le sue applicazioni reali e i suoi principali vantaggi. Iniziamo!

Una panoramica sul conteggio degli oggetti nelle regioni

Rilevare e contare gli oggetti in un'immagine non può dirci molto, soprattutto in luoghi come gli aeroporti o i centri commerciali, dove le persone possono affollarsi in più regioni in un singolo fotogramma. È più importante capire dove si trovano esattamente gli oggetti e quanti ne passano in determinate regioni. 

I modelli di computer vision come YOLO11 possono essere utilizzati facilmente per queste applicazioni di computer vision. Assegnando delle zone a luoghi chiave, come i gate d'imbarco o le sale d'attesa, YOLO11 può essere utilizzato per contare solo gli oggetti presenti in quel particolare spazio. È inoltre possibile utilizzare regioni mobili per trovare il conteggio degli oggetti in regioni diverse in tempo reale.

Figura 1. Un esempio di utilizzo di YOLO per il conteggio dei giocatori nello sport basato sulla regione.

Ultralytics YOLO11 può rendere questo processo semplice ed efficiente. Può aiutare a rilevare gli oggetti, a tracciarne il movimento e a contarli in base alle zone in cui entrano o escono. Ciò che rende YOLO11 particolarmente efficace è la sua capacità di fornire risultati in tempo reale senza compromettere la precisione. Inoltre, supporta il tracciamento di più oggetti all'interno di ogni zona definita, aiutando i sistemi a contare e classificare vari oggetti contemporaneamente. 

Utilizzo di Ultralytics YOLO11 per il conteggio degli oggetti nelle regioni

Ultralytics offre soluzioni facili da usare che mostrano casi d'uso all'avanguardia dei modelli YOLO . Queste includono soluzioni reali come il conteggio degli oggetti, il conteggio degli oggetti in regioni mobili, la sfocatura e la stima della velocità. 

L'impostazione e la gestione della soluzione Ultralytics per il conteggio degli oggetti basato sulle regioni è semplice e immediata. Questo permette agli utenti di concentrarsi sulle intuizioni piuttosto che sulle configurazioni complesse. 

Dietro le quinte, la soluzione di conteggio degli oggetti basata sulle regioni utilizza YOLO11 per rilevare gli oggetti in ogni fotogramma del video. Questi rilevamenti vengono poi passati attraverso un algoritmo di tracciamento (come BoT-SORT o ByteTrack) per assegnare ID coerenti a ogni oggetto nei vari fotogrammi. 

Una volta che gli oggetti vengono rilevati e tracciati, il sistema controlla se si intersecano con una delle regioni predefinite (poligoni, rettangoli o linee). In caso affermativo, gli oggetti vengono contati in base al loro ingresso o al loro movimento attraverso quelle zone. 

Ecco alcune altre caratteristiche chiave della soluzione Ultralytics per il conteggio degli oggetti basato sulle regioni:

  • Elaborazione rapida: La soluzione consente il conteggio degli oggetti in tempo reale grazie a YOLO11, garantendo un'analisi rapida ed efficiente dei flussi video.
  • Regioni personalizzabili: Gli utenti possono definire regioni specifiche in un fotogramma video utilizzando poligoni, rettangoli o linee, consentendo un controllo preciso sul punto in cui avviene il conteggio.
  • Conteggio di più oggetti: Il sistema può rilevare e contare più tipi di oggetti contemporaneamente all'interno della stessa regione definita.
  • Facile integrazione: L'integrazione con i sistemi esistenti avviene senza problemi grazie all'APIPython di Ultralytics o all'interfaccia a riga di comando, richiedendo uno sforzo di configurazione minimo.

Come fare con il conteggio degli oggetti nelle regioni

Per iniziare a utilizzare la soluzione Ultralytics per il conteggio basato sulle regioni, puoi dare un'occhiata alla documentazione ufficiale di Ultralytics , che spiega passo dopo passo come utilizzare YOLO11 per contare gli oggetti nelle regioni

Se dovessi riscontrare dei problemi durante la configurazione della soluzione, ecco alcuni consigli da tenere a mente:

  • Verifica le impostazioni della regione e assicurati che le regioni definite siano impostate correttamente nell'interfaccia.
  • Controlla gli aggiornamenti e le nuove versioni e mantieni aggiornato il pacchetto Ultralytics Python .

Applicazioni reali del conteggio degli oggetti nelle regioni

Ora che abbiamo capito meglio come utilizzare Ultralytics YOLO11 per il conteggio degli oggetti basato sulle regioni, esploriamo alcune applicazioni reali per le quali può essere utilizzato.

Tracciamento del flusso di clienti per l'analisi della vendita al dettaglio

Il conteggio degli oggetti basato sulla regione può rispondere facilmente alle domande relative ai luoghi in cui i clienti trascorrono la maggior parte del tempo in un negozio. YOLO11 può aiutare i retailer a tracciare i modelli di movimento nei punti chiave, come i punti di uscita, i banchi cassa e le sezioni di prodotti di maggiore interesse. Invece di limitarsi a misurare il traffico pedonale complessivo, questo approccio basato sulle regioni fornisce informazioni sul numero di clienti che visitano aree specifiche. 

L'utilizzo della soluzione Ultralytics aiuta i rivenditori a eliminare la necessità di codifica manuale o di complessi processi di configurazione. I rivenditori possono facilmente contrassegnare diverse sezioni del negozio per tracciare i movimenti dei clienti e il traffico pedonale utilizzando poligoni o linee rettangolari.

YOLO11 è quindi in grado di rilevare gli oggetti, tracciarne il movimento e aggiornare i conteggi in tempo reale quando le persone entrano o escono da quell'area. Questo aiuta i rivenditori a capire il flusso dei clienti, a misurare il coinvolgimento e a prendere decisioni basate sui dati.

Figura 2. YOLO viene utilizzato per contare le persone all'esterno di un negozio utilizzando il rilevamento basato sulla regione.

Gestione del traffico nei caselli autostradali

Le città sono sempre piene di traffico: le auto si immettono nelle autostrade, si fermano ai semafori e si mettono in fila agli incroci più trafficati. La gestione del traffico è una parte fondamentale per mantenere le strade sicure e il traffico regolare. R

Il conteggio degli oggetti basato sulle regioni con YOLO11 può supportare questo aspetto dividendo le strade in sezioni, come intersezioni o corsie a pagamento. I team di gestione del traffico possono monitorare i conteggi dei veicoli in ogni regione in tempo reale. Questi dati in tempo reale consentono risposte più rapide, una migliore pianificazione del traffico e un flusso generale più fluido.

Un caso d'uso interessante è quello dei caselli autostradali che possono diventare rapidamente affollati se non vengono monitorati correttamente. Con la soluzione Ultralytics per il conteggio su base regionale, ogni corsia di pedaggio può essere monitorata separatamente. I

nvece di monitorare tutto il traffico contemporaneamente, il sistema si concentra solo sui veicoli che transitano su corsie specifiche. Quando le auto entrano o escono, YOLO11 può contarle istantaneamente, aiutando gli operatori a tenere traccia delle corsie più trafficate.

Figura 3. Conteggio basato sulla regione abilitato da YOLO11 in un casello autostradale.

Conteggio degli animali negli allevamenti e nei rifugi

Contare gli animali può essere difficile, soprattutto quando si muovono in branco in spazi ristretti. Qualche conteggio mancato qua e là può causare problemi con l'alimentazione, i controlli sanitari o i registri dell'azienda. Per gli allevatori, mantenere numeri precisi senza rallentare le attività è essenziale.

Ultralytics YOLO11 rende questo processo molto più agevole. Gli allevatori possono utilizzarlo per creare zone di tracciamento personalizzate, sia che si tratti di un cancello ampio, di un sentiero stretto o di un recinto curvo. All'interno di queste zone, il modello rileva gli animali in tempo reale, li contrassegna con caselle di delimitazione e ne traccia i movimenti. Ad esempio, può contare in modo rapido e preciso grandi mandrie di pecore o capre mentre si muovono attraverso un corridoio recintato senza alcuno sforzo manuale. 

Monitoraggio delle folle per la sicurezza pubblica

Gli spazi pubblici affollati possono passare da vuoti a pieni in pochi minuti. Nelle metropolitane, negli aeroporti o ai concerti, troppe persone in un unico luogo possono rallentare la circolazione e creare problemi di sicurezza. Il monitoraggio del traffico pedonale in tempo reale permette alle autorità di individuare in anticipo gli assembramenti e di intervenire prima che la situazione sfugga di mano.

In particolare, il conteggio su base regionale con YOLO11 consente di monitorare i movimenti in zone specifiche come varchi d'ingresso, piattaforme o aree di attesa, anziché tracciare tutti i visitatori. In questo modo i team di sicurezza possono concentrarsi sui modelli di movimento, identificare rapidamente i punti di congestione e prendere decisioni operative migliori, dalle modifiche agli orari all'impiego del personale.

Figura 4. Conteggio delle persone con YOLO11 all'interno delle regioni per una migliore gestione della folla nelle metropolitane.

Punti di forza

Il conteggio degli oggetti basato sulla regione con Ultralytics YOLO11 rende più efficiente e preciso il tracciamento degli oggetti in aree specifiche. Che si tratti di commercio al dettaglio, gestione del traffico o sicurezza pubblica, questo approccio Vision AI aiuta le aziende e gli urbanisti a prendere decisioni migliori e basate sui dati. L'automazione del conteggio riduce il lavoro manuale e migliora l'efficienza complessiva.

In futuro, l'intelligenza artificiale e la computer vision renderanno probabilmente il conteggio degli oggetti ancora più intelligente. Possiamo aspettarci una maggiore precisione, un apprendimento adattivo per gestire ambienti diversi e integrazioni con sistemi di automazione e IoT (Internet of Things). Questo tipo di automazione intelligente sta plasmando il futuro della gestione degli spazi, delle persone e dei movimenti.

Scopri di più sull'IA nel nostro repository GitHub e fai parte della nostra comunità in crescita. Esplora i progressi dell'IA nei veicoli automobilistici e della computer vision in agricoltura. Scopri le nostre opzioni di licenza e dai vita ai tuoi progetti di Vision AI.

Logo di LinkedInLogo di TwitterLogo di FacebookSimbolo di copia-link

Leggi tutto in questa categoria

Costruiamo insieme il futuro
di AI!

Inizia il tuo viaggio nel futuro dell'apprendimento automatico

OSZAR »