YOLO11解决方案之队列管理探索

最新推荐文章于 2025-05-16 14:49:58 发布

alpszero

最新推荐文章于 2025-05-16 14:49:58 发布

阅读量667

点赞数 22

分类专栏： YOLO计算机视觉应用文章标签： YOLO python 人工智能计算机视觉

本文链接：https://blog.csdn.net/mx9818/article/details/147984716

版权

YOLO计算机视觉应用专栏收录该内容

16 篇文章

订阅专栏

概述

Ultralytics提供了一系列的解决方案，利用YOLO11解决现实世界的问题，包括物体计数、模糊处理、热力图、安防系统、速度估计、物体追踪等多个方面的应用。

队列管理涉及组织和控制排队的人员或车辆，以减少等待时间并提高效率。在市内交通、港口、零售、机场及其他服务业等各种环境中，它涉及优化队列，以提高客户满意度和系统性能。YOLO11队列管理可提供队列长度和等待时间的即时数据，使管理人员能够快速做出明智决策。

演示代码

Ultralytics提供了演示代码，展示如何使用队列管理解决方案。

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
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("queue_management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Define queue points
queue_region = [(20, 400), (1080, 400), (1080, 360), (20, 360)]  # region points
# queue_region = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)]    # polygon points

# Initialize queue manager object
queuemanager = solutions.QueueManager(
    show=True,  # display the output
    model="yolo11n.pt",  # path to the YOLO11 model file
    region=queue_region,  # pass queue region points
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or processing is complete.")
        break
    results = queuemanager(im0)

    # print(results)  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

`QueueManager`参数

基本参数

参数	类型	默认值	说明
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`region`	`list`	`[(20, 400), (1260, 400)]`	定义计数区域的点列表。

`QueueManager`支持使用track参数：

参数	类型	默认值	说明
`tracker`	`str`	`'botsort.yaml'`	指定要使用的跟踪算法， `bytetrack.yaml` 或 `botsort.yaml`.
`conf`	`float`	`0.3`	设置检测的置信度阈值；数值越低，跟踪的物体越多，但可能会出现误报。
`iou`	`float`	`0.5`	设置交叉重叠 (IoU) 阈值，用于过滤重叠检测。
`classes`	`list`	`None`	按类别索引筛选结果。例如 `classes=[0, 2, 3]` 只跟踪指定的类别（class在COCO数据集定义）。
`verbose`	`bool`	`True`	控制跟踪结果的显示，提供被跟踪物体的可视化输出。
`device`	`str`	`None`	指定用于推理的设备（例如： `cpu`, `cuda:0` 或 `0`). 允许用户选择CPU 、特定GPU 或其他计算设备运行模型。

可视化参数：

参数	类型	默认值	说明
`show`	`bool`	`False`	如果 `True`在一个窗口中显示注释的图像或视频。有助于在开发或测试过程中提供即时视觉反馈。
`line_width`	`None or int`	`None`	指定边界框的线宽。如果 `None`则根据图像大小自动调整线宽，使图像更加清晰。
`show_conf`	`bool`	`True`	在标签旁显示每次检测的置信度得分。让人了解模型对每次检测的确定性。
`show_labels`	`bool`	`True`	在可视输出中显示每次检测的标签。让用户立即了解检测到的物体。

工作原理

基于目标检测和跟踪，在视频帧的指定区域内统计进入队列的对象数量（如人、车辆等）。

队列区域判断：依赖几何判断确定目标是否进入预定义区域，区域可以是预定义的矩形或者多边形。
轨迹插值：通过 track_line 记录目标移动路径，结合前后位置变化判断是否进入区域。
可视化：使用 colors 为不同目标分配颜色，增强可视化区分度。

效果展示

这里使用演示代码，对测试视频中的路口车辆进行队列计数。
在这里插入图片描述

由于摄像机角度影响，YOLO并不能检出设定区域内的所有车辆。上图所示在检测区域内有9辆排队车辆，而实际情况并非如此。

因此，在实际应用中，需要综合考虑以下因素：

摄像机位置：将摄像机安装在排队区域上方，图像能够区分每一个排队的个体。
定义适当的队列区域：根据空间的物理布局设置队列边界，可以设置多边形以增加队列计数精度。
调整检测可信度：根据照明条件和人群密度微调可信度阈值，减少误检和漏检。
与信息系统集成：将排队管理解决方案的检测结果输出到信息管理系统，对于过长的排队及时采取措施，实现管理优化。