实战 | 基于YOLOv10的车辆追踪与测速实战【附源码+步骤详解】

news2024/10/6 6:45:01

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【车辆检测追踪与流量计数系统】
49.【行人检测追踪与双向流量计数系统】50.【基于YOLOv8深度学习的反光衣检测与预警系统】
51.【危险区域人员闯入检测与报警系统】52.【高密度人脸智能检测与统计系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

引言

在人工智能神经网络和计算机视觉的世界里，识别并跟踪物体是一项至关重要的技术。本文主要介绍一个深度学习项目，该项目利用YOLOv10算法来检测车辆并且测量马路上汽车的速度。通过这个项目，您可以更深入地理解这些算法是如何融入我们的日常解决方案中的。

实现效果

在这里插入图片描述
在这里插入图片描述

实现步骤

下载yolov10源码

下载地址：https://github.com/THU-MIG/yolov10

在这里插入图片描述

安装运行环境

conda create -n yolov10 python=3.9
conda activate yolov10
pip install -r requirements.txt
pip install -e .

下载v10n模型

下载官方提供的与训练模型，这里我们直接使用yolov10n.pt。
在这里插入图片描述

代码测试

运行完整代码：

from ultralytics import YOLOv10
from ultralytics.solutions import speed_estimation
import cv2

# 加载YOLOv10模型
model = YOLOv10("yolov10n.pt")
# 获取模型中的对象名称
names = model.model.names

# 打开视频文件
cap = cv2.VideoCapture("9.mp4")

# 获取视频的宽度、高度和帧率
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# 创建视频写入器，用于输出处理后的视频
video_writer = cv2.VideoWriter("out.avi",
                               cv2.VideoWriter_fourcc(*'mp4v'),
                               fps,
                               (w, h))

# 设置测速线段的两个端点
line_pts = [(0, 180), (640, 180)]

# 初始化速度估计器
speed_obj = speed_estimation.SpeedEstimator()
# 设置速度估计器的参数，包括测速线段、对象名称和是否显示图像
speed_obj.set_args(reg_pts=line_pts,
                   names=names,
                   view_img=True)

# 循环读取视频帧
while cap.isOpened():
    # 读取一帧
    success, im0 = cap.read()
    # 如果读取失败，则退出循环
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

# 释放视频读取器和写入器
cap.release()
video_writer.release()
# 销毁所有OpenCV窗口
cv2.destroyAllWindows()

代码详细解读

下面是对上述代码的详细解释说明：

  1. 导入必要的库：

    from ultralytics import YOLOv10
from ultralytics.solutions import speed_estimation
import cv2

    这段代码导入了ultralytics库中的YOLOv10模型和速度估计模块，以及OpenCV库，用于视频处理。

  2. 加载YOLOv10模型：

    model = YOLOv10("yolov10n.pt")
names = model.model.names

    这里加载了预训练的YOLOv10模型，用于识别车辆。

  3. 读取视频文件：

    cap = cv2.VideoCapture("9.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))

    这段代码读取名为"9.mp4"的视频文件，并获取视频的宽度、高度和帧率。

  4. 创建视频写入器：

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

    这里创建了一个视频写入器，用于将处理后的视频帧写入新的视频文件。

  5. 设置速度估计参数：

    line_pts = [(0, 180), (640, 180)]
speed_obj = speed_estimation.SpeedEstimator()
speed_obj.set_args(reg_pts=line_pts, names=names, view_img=True)

    这段代码设置了用于速度估计的参考线（line_pts），并初始化了速度估计器，同时设置了相关参数。
    速度计算的基本原理：
    SpeedEstimator函数通过存储随时间推移的跟踪位置来处理帧，因此通过比较当前位置与定义区域内的先前位置来计算每个检测到的物体的速度，从而可以通过物体在该区域内移动所需的时间来估算物体的速度，这遵循了物理学中一个非常著名的术语：
    v = Δs/Δt
    其中，v为速度，Δs为位移（距离），Δt为时间间隔。

  6. 视频帧处理循环：

    while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

    在这个循环中，代码逐帧读取视频，使用YOLOv10模型进行对象跟踪，然后使用速度估计器估计对象的移动速度，并将结果写入新的视频文件。

  7. 释放资源：

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

    最后，释放视频读取器和写入器的资源，并关闭所有OpenCV创建的窗口。

总结

这段代码的主要功能是使用YOLOv10模型对视频中的对象进行跟踪，并估计它们通过特定线段的速度。但是该方法受硬件检测速度等影响，计算出的速度不是特别准确。如果需要准确的计算车速，最好结合实际场景给出距离参考对象，这样计算出的速度才会更加准确。

好了，这篇文章就介绍到这里，感谢点赞关注，更多精彩内容持续更新中~

关注文末名片G-Z-H：【阿旭算法与机器学习】，可获取更多干货学习资源

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1831620.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

linux部署运维3——centos7.9离线安装部署配置涛思taos2.6时序数据库TDengine以及java项目链接问题处理（二）

linux部署运维3——centos7.9离线安装部署配置涛思taos2.6时序数据库TDengine以及java项目链接问题处理（二）

上一篇讲了centos7.9如何安装涛思taos2.6时序数据库的操作步骤和方案，本篇主要讲解taos数据库的初始化，相关配置说明，数据库和表的创建问题以及java项目连接问题。 centos7.9如何离线安装taos2.6，请点击下方链接详细查看&#xf…
阅读更多...
zotero style最新（可全文翻译）

zotero style最新（可全文翻译）

问题：在下载zotero style的时候，总会出现各种奇奇怪怪的问题，不是期刊没有级别，就是没有IF之类的； 解决：https://github.com/MuiseDestiny/zotero-style/releases 在这里下载最新的版本 若要使用全文翻译…
阅读更多...
【IPython使用技巧整理】内省功能历史命令执行Shell命令运行脚本导出为其他格式

【IPython使用技巧整理】内省功能历史命令执行Shell命令运行脚本导出为其他格式

本人详解 作者：王文峰，参加过 CSDN 2020年度博客之星，《Java王大师王天师》 公众号：JAVA开发王大师，专注于天道酬勤的 Java 开发问题中国国学、传统文化和代码爱好者的程序人生，期待你的关注和支持！本人外号：神秘小峯 山峯 转载说明：务必注明来源（注明：作者：王文峰…
阅读更多...
最佳Google Chrome扩展和Mozilla Firefox扩展自动解决验证码

最佳Google Chrome扩展和Mozilla Firefox扩展自动解决验证码

在这个信息爆炸的时代，我们每天都要处理大量的在线内容，验证码已成为不可避免的挑战。尽管它们旨在保护网站安全，但也常常成为我们获取信息的障碍。那么，有没有更简单的方法绕过这些验证码呢？答案是肯定的。通过使用一…
阅读更多...
本地安装nightingale监控分析服务并发布公网详细流程

本地安装nightingale监控分析服务并发布公网详细流程

文章目录 前言1. Linux 部署Nightingale2. 本地访问测试3. Linux 安装cpolar4. 配置Nightingale公网访问地址5. 公网远程访问Nightingale管理界面6. 固定Nightingale公网地址 前言 本文主要介绍如何在本地Linux系统部署 Nightingale 夜莺监控并结合cpolar内网穿透工具实现远程…
阅读更多...
Linux——ansible里的变量

Linux——ansible里的变量

在ansible里，变量干嘛用的 本身，ansible就是致力于，用尽可能“通用”的剧本，干所有场合的工作…… ansible里的变量怎么写 字母开头，包括：字母数字下划线 变量怎么定义（声明） 1.…
阅读更多...
看完这篇希喂、扑呀、MEOW主食冻干测评,100预算也能养出貌美小猫

看完这篇希喂、扑呀、MEOW主食冻干测评,100预算也能养出貌美小猫

对于许多宠物主人来说，一到挑选主食冻干就头疼。尽管主食冻干为猫咪带来的益处远超过普通猫粮，但其价格也相对较高。因此，许多宠物主人担心高价购买的主食冻干营养价值并不高。实际上，除了营养，安全性和配方也是选购时…
阅读更多...
IEPL专线和IPLC专线有什么区别？

IEPL专线和IPLC专线有什么区别？

IEPL和IPLC是两种广泛用于国际通信的专线服务，IEPL是一种以太网专线服务，IPLC是一种传统的专线服务，它们在某些方面有相似之处，但也存在一些关键的区别。下面是IEPL和IPLC的主要区别: 1.技术和定义: IEPL: 技术: IEPL是一种以太…
阅读更多...
基于Springboot框架班级综合测评管理系统的设计与实现

基于Springboot框架班级综合测评管理系统的设计与实现

开头语：你好呀，我是计算机学姐码农小野！如果有相关需求，可以私信联系我。 开发语言：Java 数据库：MySQL 技术：Springboot框架，B/S模式 工具：MyEclipse 系统展示 首页…
阅读更多...
第9章 类

第9章 类

第9章 类 9.1 创建和使用类9.1.1 创建 Dog 类9.1.2 根据类创建实例 9.2 使用类和实例9.2.1 Car 类9.2.2 给属性指定默认值9.2.3 修改属性的值 9.3 继承9.3.1 子类的方法__init__()9.3.2 给子类定义属性和方法9.3.3 重写父类的方法9.3.4 将实例用作属性9.3.5 模拟实物 9.4 导入类…
阅读更多...
深入探索Java开发世界：Java基础~类型分析大揭秘

深入探索Java开发世界：Java基础~类型分析大揭秘

文章目录 一、基本数据类型二、封装类型三、类型转换四、集合类型五、并发类型 Java基础知识，类型知识点梳理~ 一、基本数据类型 Java的基本数据类型是语言的基础，它们直接存储在栈内存中，具有固定的大小和不变的行为。 八种基本数据类型的具…
阅读更多...
数据预处理之基于聚类的TOD异常值检测#matlab

数据预处理之基于聚类的TOD异常值检测#matlab

1.基于聚类的异常值检测方法 物以类聚——相似的对象聚合在一起，基于聚类的异常点检测方法有两个共同特点： (1)先采用特殊的聚类算法处理输入数据而得到聚类，再在聚类的基础上来检测异常。 (2)只需要扫描数据集若干次，效率较高…
阅读更多...
考试系统提供源码能做什么？

考试系统提供源码能做什么？

考试系统提供源码，无疑为现代教育领域注入了新的活力。源码，作为软件开发的基石，其开放与共享的特性使得考试系统具备了前所未有的灵活性和可定制性。那么，考试系统提供源码究竟能做什么呢？本文将详细探讨其多重功能与…
阅读更多...
钡铼BL101网关助力智慧城市路灯远程智能管控

钡铼BL101网关助力智慧城市路灯远程智能管控

在迈向智慧城市的征途中，基础设施的智能化改造是关键一环，而路灯作为城市脉络的照明灯塔，其智能化升级对于节能减排、提升城市管理效率具有重要意义。钡铼BL101网关，作为Modbus转MQTT的专业桥梁，正以其卓越的性能和广泛…
阅读更多...
如何安装Android程序

如何安装Android程序

1.登录下载 Android Studio 和应用工具 - Android 开发者 | Android DevelopersAndroid Studio 提供了一些应用构建器以及一个已针对 Android 应用进行优化的集成式开发环境 (IDE)。立即下载 Android Studio。https://developer.android.google.cn/studio/网站下载电脑对应的…
阅读更多...
vite+ts配置之项目别名以及后缀省略

vite+ts配置之项目别名以及后缀省略

背景 懒&#xff0c;为了少些几个字母 对比 未配置别名 我们在src/views/demo/index.vue文件下面想引入src/components/gd-upload组件&#xff0c;我们需要下面这种方式 <template><div><GdUpload /></div> </template><script setup lang…
阅读更多...
【AI开发】CRAG、Self-RAG、Adaptive-RAG

【AI开发】CRAG、Self-RAG、Adaptive-RAG

先放一张基础RAG的流程图 https://blog.langchain.dev/agentic-rag-with-langgraph/ 再放一个CRAG和self-RAG的LangChain官方博客 Corrective RAG(CRAG) 首先需要知道的是CRAG的特色发生在retrieval阶段的最后开始&#xff0c;即当我们获得到了近似的document&#xff08;或者…
阅读更多...
2024年粤港澳青少年信息学创新大赛图形化编程小低组真题试卷

2024年粤港澳青少年信息学创新大赛图形化编程小低组真题试卷

2024年粤港澳青少年信息学创新大赛图形化编程小低组真题试卷 题目总数&#xff1a;16 总分数&#xff1a;100 单选题 第 1 题 单选题 默认小猫角色&#xff0c;以下哪个Scratch程序可以在点击绿旗后让小猫说”你好!"一共10秒? A. B. C. D. 第 2 题 单选题 …
阅读更多...
全国各区县地区生产总值数据（GDP及人均生产总值），精度超高 区县级数据

全国各区县地区生产总值数据（GDP及人均生产总值），精度超高 区县级数据

数据名称: 全国各区县地区生产总值数据 数据格式: shpexcel 数据几何类型: 面 数据精度&#xff1a;区县 数据坐标系: WGS84 数据来源&#xff1a;网络公开数据 数据可视化.
阅读更多...
【AI绘画】文心一格

【AI绘画】文心一格

本人详解 作者：王文峰，参加过 CSDN 2020年度博客之星，《Java王大师王天师》 公众号：JAVA开发王大师，专注于天道酬勤的 Java 开发问题中国国学、传统文化和代码爱好者的程序人生，期待你的关注和支持！本人外号：神秘小峯 山峯 转载说明：务必注明来源（注明：作者：王文峰…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023