Videoda çıkarım yap

Uygulamalı Örnek: Video Dosyasında Predict#

Videolar, görüntülerle aynı Predict mode üzerinden işlenir. Bu 62 karelik klipte bir atriyumdan geçen insanlar görülüyor:

yolo predict model=yolo26n.pt source=https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4

video 1/1 (frame 1/62) solutions_ci_demo.mp4: 384x640 22 persons, 27.3ms
...
video 1/1 (frame 62/62) solutions_ci_demo.mp4: 384x640 22 persons, 54.8ms
Results saved to runs/detect/predict

• frame 1/62: Ultralytics videoyu çözer ve her kareyi bir görüntü gibi işler.
• 22 persons: o karedeki algılamalar. Aynı yayalar her karede yeniden sayılır.
• 27.3ms ... 54.8ms: kare başına süre, makinenin başka ne yaptığına bağlı olarak değişir.

İşaretlenmiş video runs/detect/predict/solutions_ci_demo.mp4 konumundadır. Kendi modelin de aynı şekilde çalışır: yolo26n.pt yerine runs/detect/pills_v1/weights/best.pt kullan.

Uzun ve Canlı Kaynakları Akış Olarak İşle#

Algılamalar üzerinde işlem yapan kod için akış üzerinde döngü kur. Her yineleme bir karenin Results değerini üretir, ardından onu bellekten çıkarır:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
source = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"

frames, people = 0, 0
for result in model(source, stream=True, classes=[0], verbose=False):  # one Results object per frame
    frames += 1
    people += len(result.boxes)
print(f"{frames} frames, {people / frames:.1f} people per frame")

62 frames, 22.2 people per frame

Aynı döngü bir web kamerası dizinini (source=0) veya rtsp://camera.local/stream gibi bir kamera URL'sini kabul eder ve akış bitene ya da sen durdurana kadar çalışır. Her iki kareden birini işlemek için vid_stride=2 ekle. Bu döngünün etrafında tarayıcı arayüzü oluşturmak için Streamlit canlı çıkarım kılavuzu döngüyü bir uygulamanın içine alır.

Uygulamalı Örnek: Her Kişiyi Bir Kez Say#

"Kare başına 22 kişi" kimsenin istediği sayı değil; istenen "kaç kişi geçti" bilgisidir. Çoklu nesne takibi kutuları kareler arasında eşleştirir ve Track mode, her nesneye boxes.id içinde bir kimlik verir:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
source = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"

seen = set()
for result in model.track(source, stream=True, persist=True, classes=[0], tracker="bytetrack.yaml", verbose=False):
    if result.boxes.is_track:
        seen.update(result.boxes.id.int().tolist())
print(f"{len(seen)} unique people tracked")

32 unique people tracked

is_track, henüz hiçbir iz doğrulanmamış karelerde False değeridir; bu sırada boxes.id, None değerindedir. Kimlikleri sayım, yörünge veya "bu nesne 3 saniyedir burada" mantığı için kullan.

tracker parametresini belirtmezsen Ultralytics mevcut varsayılan olan tracktrack.yaml değerini kullanır; Track mode ayrıca ocsort.yaml, deepocsort.yaml ve fasttrack.yaml seçeneklerini de sunar. Takip algoritmalarını seçme ve ayarlama, ayrıca bunların üzerine nesne sayımı, ısı haritaları ve hız tahmini oluşturma konuları ByteTrack, BoT-SORT ve TrackTrack ile Nesneleri İzleme başlıklı kılavuzda ele alınır.

Uygulamalı Örnek: Kendi Kamera Döngün#

Gerçek uygulamalar genellikle kareleri kendileri okur — yeniden boyutlandırmak, kırpmak, zaman damgası eklemek veya kamerayı başka kodlarla paylaşmak için — ve her kareyi modele iletir. Bu durumda persist=True, çağrılar arasında takip algoritmasını etkin tutar:

import cv2

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
cap = cv2.VideoCapture("solutions_ci_demo.mp4")  # saved locally by the commands above; or 0, or an rtsp:// URL

seen = set()
while cap.isOpened():
    ok, frame = cap.read()
    if not ok:
        break
    result = model.track(frame, persist=True, classes=[0], tracker="bytetrack.yaml", verbose=False)[0]
    if result.boxes.is_track:
        seen.update(result.boxes.id.int().tolist())
cap.release()
print(f"{len(seen)} unique people, highest ID {max(seen)}")

32 unique people, highest ID 67

track.py ile aynı 32 kişi. En yüksek kimliğin 32 değil 67 olduğuna dikkat et: takip algoritması, hiçbir zaman doğrulanmayan geçici izlere de kimlik atadığından kimliklerde boşluklar olur.

Kaynak Akışın Hızına Yetiş#

30 FPS'lik bir kamera her 33 ms'de bir kare iletir; etkin hızın en yavaşı olan çözme, çıkarım ve yazma hızlarına bağlıdır. Dizüstü bilgisayarımızın CPU'sunda yolo26n, diğer işlemlerin yüküne bağlı olarak farklı çalıştırmalarda 384×640 kare başına 26–46 ms sürdü: bütçe sınırında veya üzerinde, hiçbir ek pay yok. Seninki yetişemiyorsa şu adımları sırayla dene:

Birden fazla kameranın aynı anda kullanımı ve bunun için gereken iş parçacığı yönetimi Çoklu Akışta Çıkarım kılavuzunda ele alınır.

Bu Hatalardan Kaçın#