TL;DR
- اکثر سیستمهای ترافیکی خردهفروشی ورودیها را میشمارند.
- یک حسگر در درب،.
- یک عدد را ثبت میکند،.
چه اتفاقی افتاد
اکثر سیستمهای ترافیکی خردهفروشی ورودیها را میشمارند. یک حسگر در درب،.
یک عدد را ثبت میکند،. و تیم فروشگاه باید حدس بزند که آن بازدیدکنندگان کجا رفتهاند،.
چه مدت اقامت داشتهاند،. یا از کدام راهروها بهطور کامل رد شدهاند.
این شکاف گران است. اکثر فروشگاهها دارای دوربینهایی هستند که قبلاً نصب شدهاند،.
با این حال فیلم بدون اینکه دادههای ساختاری از آن استخراج شود حذف میشود. بینایی رایانه بهطور خودکار این شکاف را میبندد.
با یک مدل تشخیص،. یک ردیاب و یک شمارنده خط،.
هر فریم از فیلمهای دوربین مداربسته موجود به یک منبع داده ساختاریافته تبدیل میشود:. چه کسی وارد شده،.
چه کسی خارج شده است،. و چگونه بین آنها حرکت کرده است.
در این آموزش، شما یک خط لوله ردیابی افراد خردهفروش کامل با Roboflow Workflows ایجاد میکنید. شما از یک مدل تشخیص افراد از پیش آموزش دیده که مستقیماً در Roboflow موجود است استفاده میکنید،.
آن را به بلوک ByteTrack Tracker متصل میکنید تا شناسههای پایدار را به هر خریدار در فریمها اختصاص. دهید،.
و یک Line Counter را متصل کنید. هر ورودی و خروجی را به صورت خودکار ثبت میکند.
یک گردش کاری بسازید که خریداران را در فریمها ردیابی میکند این جایی است که یک مدل شناسایی. استاتیک به یک سیستم تجزیه و تحلیل زنده تبدیل میشود.
Roboflow Workflows گردش کار اتصالی است:. هر فریم ویدیو را می گیرد،.
تشخیص را اجرا می کند،. نتایج را به ByteTrack می دهد،.
گذرگاه ها را در یک خط مجازی می شمارد،. و خروجی مشروح شده ای را تولید می کند که دقیقاً نشان می دهد چه کسی کجا و.
کجا بوده است. در سطح بالا،.
گردش کار ساده است:. فریم ویدیو → شناسایی افراد → اختصاص دادن خط های متقاطع → شناسه های متقاطع و خارج کردن.
قدرت در بلوک ByteTrack است که پیشبینی حرکت و ارتباط ID را بهطور خودکار مدیریت میکند — نیازی. نیست خودتان هیچ منطق ردیابی را پیادهسازی کنید.
در اینجا پیشنمایش جریان کار نهایی است:. مرحله 1:.
ایجاد داربست گردش کار به مدل آموزشدیده خود در Roboflow بروید و روی Try Workflows → Build My. Own کلیک کنید.
Roboflow یک بلوک ورودی متصل به بلوک مدل تشخیص اشیاء، متصل به بلوک خروجی ایجاد می کند. این به شما خط لوله تشخیص خارج از جعبه را می دهد.
از اینجا،. بلوک ByteTrack را بین مدل و خروجیها وارد میکنید و یک بلوک تجسم برای نمایش شناسههای ردیابی شده.
در ویدیو اضافه میکنید. مرحله 2:.
ورودی ویدیو را در بلوک ورودیها تنظیم کنید،. گردش کار را برای پذیرش منبع ویدیو پیکربندی کنید.
گردش کار فریم به فریم عمل می کند،. بنابراین هر فریم ویدیو به عنوان یک ورودی تصویر جداگانه در نظر گرفته می شود.
در بلوک ورودیها، یک ورودی تصویر پیشفرض را مشاهده خواهید کرد. مرحله 3:.
بلوک مدل تشخیص شی را وصل کنید بلوک مدل تشخیص شی قبلاً توسط داربست گردش کار اضافه شده. است.
روی آن کلیک کنید و مدل شناسایی افراد آموزش دیده خود را از منوی بازشو انتخاب کنید. این بلوک تصویر را از ورودیها دریافت میکند،.
استنتاج را اجرا میکند و مجموعهای از پیشبینیهای جعبه مرزی را خروجی میدهد. یک نفر برای هر فرد شناسایی شده در قاب.
این پیشبینیها همان چیزی است که ByteTrack به عنوان ورودی خود در مرحله بعدی دریافت میکند. مرحله 4: بلوک ردیاب ByteTrack را اضافه کنید این مرحله اصلی است.
روی دکمه + در بوم گردش کار کلیک کنید تا یک بلوک جدید اضافه کنید،. سپس ByteTrack را در بخش Video جستجو کنید.
بلوک ByteTrack Tracker به عنوان یک گزینه در کنار SORT و OC-SORT ظاهر می شود. ByteTrack را انتخاب کنید و آن را در گردش کار قرار دهید.
بلوک ByteTrack را با اتصال خروجی تشخیص از بلوک Object Detection Model به ورودی پیش بینی بلوک ByteTrack. سیم کشی کنید.
این بلوک جعبههای مرزی خام را از هر فریم مصرف میکند و پیشبینیهای غنیشده خروجی را ارائه میکند،. جایی که هر شناسایی اکنون دارای یک tracker_id است،.
یک عدد صحیح پایدار که تا زمانی که فرد قابل مشاهده باشد در سراسر فریمها باقی میماند. ("بایت کم") با استفاده از پیش بینی حرکت مبتنی بر فیلتر کالمن.
این ارتباط دو مرحلهای باعث میشود زمانی که افراد برای مدت کوتاهی در پشت قفسهها،. خریداران دیگر یا غرفههای نمایشی ناپدید میشوند،.
قویتر از ردیابهای مبتنی بر IoU است. خروجی پیشبینیهای بلوک ByteTrack را به همراه تصویر اصلی از Inputs به این بلوک تجسم وصل کنید.
بلوک تجسم،. هر فرد شناسایی شده را به عنوان یک جعبه مرزی برچسبگذاری شده نشان میدهد که در آن برچسب.
به جای نام کلاس،. tracker_id را نشان میدهد.
این قاب خروجی مشروح شده را به شما می دهد که نشان می دهد کدام شناسه متعلق به. کدام خریدار است.
همچنین می توانید یک بلوک تجسم برچسب را در کنار بلوک Bounding Box اضافه کنید تا اعداد شناسه. ردیاب را مستقیماً روی هر شخص در ابعاد بزرگتر و بیشتر ارائه دهید.
متن قابل خواندن، هنگام بررسی فیلم با بسیاری از خریداران همزمان در قاب مفید است. مرحله 6:.
خروجی ها را پیکربندی کنید و گردش کار را آزمایش کنید در بلوک خروجی ها،. تصویر حاشیه نویسی شده را از بلوک تجسم مسیریابی کنید تا به خروجی گردش کار تبدیل شود.
همچنین میتوانید پیشبینیهای خام بلوک ByteTrack را بهعنوان یک خروجی JSON اضافه کنید. این دادههای ساختاریافته در هر فریم را به شما میدهد (جعبههای محدود،.
شناسههای ردیاب،. امتیازات اطمینان) که میتوانید برای اهداف تجزیهوتحلیل وارد شوید.
برای آزمایش گردش کار،. یک بررسی عقلانی سریع با یک کلیپ کوتاه از فیلم فروشگاه انجام دهید:.
یک نمونه از فروشگاهها را دریافت کنید. فریمها تأیید کنید که ویدیوی حاشیهنویسی خروجی نشان میدهد که جعبههای محدودکننده با برچسبهای شناسه به درستی ارائه.
شده است. بررسی کنید که شناسهها زمانی که برای مدت کوتاهی مسدود میشود و دوباره ظاهر میشوند،.
ثابت میمانند با این بررسیها،. گردش کار شما آماده پردازش است.
فیلم فروشگاه کامل. هر فریم مجموعهای از پیشبینیهای مشروحشده توسط ردیاب را تولید میکند که میتوانید از پاییندست برای هر تحلیلی.
که نیاز دارید استفاده کنید. وقتی آن را به یک محیط فروشگاه واقعی منتقل میکنید،.
چند چیز باید تغییر کند تا تجزیه و تحلیل قابل اعتماد و مقیاسپذیر شود. آشکارساز را روی دوربینهای فروشگاه خود تنظیم کنید.
مجموعه داده عمومی نقطه شروع سریعی است،. اما زوایای دوربین فروشگاه شما،.
شرایط نور،. و تراکم خریداران به سرعت لبهها ظاهر میشوند.
چند صد فریم از دوربین های واقعی خود را بگیرید و برچسب بزنید و مدل را روی آن. ها تنظیم کنید.
حتی یک مجموعه آموزشی کوچک مخصوص فروشگاه میتواند تشخیصهای از دست رفته را در زوایای غیرمعمول یا در. زیر نور فلورسنت به میزان قابل توجهی کاهش دهد.
تجزیه و تحلیل مبتنی بر منطقه را اضافه کنید. شناسه های ردیاب به تنهایی به شما می گویند که افراد در حال حرکت هستند.
برای استخراج بینشهای خردهفروشی معنیدار زمان را در یک منطقه محصول اندازهگیری میکنند،. ترافیک از طریق ازدحام در صف تسویهحساب شما باید مناطق چند ضلعی را در نماهای دوربین خود تعریف.
کنید. Roboflow Workflows از بلوکهای ناحیه چند ضلعی پشتیبانی میکند که میتواند بررسی کند که آیا مرکز جعبه مرزی.
ردیاب در یک منطقه تعریفشده قرار میگیرد یا خیر،. و به شما امکان میدهد ورودیهای منطقه،.
خروجیها و زمان ماندن در هر شناسه ردیاب را بشمارید. در چندین دوربین با زمینه camera_id مقیاس کنید.
پارامتر رشته camera_id که به بلوک Inputs اضافه کردید در اینجا ضروری می شود. هنگامی که جریان کاری مشابهی را در برابر فیدهای ده دوربین مختلف اجرا می کنید،.
برچسب زدن هر خروجی با شناسه دوربین منبع به این معنی است که گزارش های پایین دست شما. همیشه به شما می گوید که داده ها از کدام قسمت ذخیره شده است.
دوربینهای مختلف،. شرایط نوری و تراکم خریداران ممکن است حالتهای خرابی جدید را به سرعت نمایان کنند،.
تگ camera_id اشکالزدایی را ساده میکند. الگوی اصلی مهم نیست که چقدر توسعه پیچیده رشد می کند:.
شناسایی،. ردیابی،.
برچسب گذاری با زمینه،. و تکرار بر روی داده ها تا زمانی که تجزیه و تحلیل ها به اندازه کافی قابل اعتماد.
برای عمل باشند. Retail Analytics ByteTrack Tracker ConclusionFoot تنها در صورتی مفید است که به آن اعتماد داشته باشید.
تشخیص خام بدون ردیابی انباشته ها به حساب می آید زیرا همان شخص به عنوان یک تشخیص جدید. در هر فریم ثبت می شود.
ردیابی بدون شمارشگر خط به شما حضور می دهد، نه جریان. تشخیص ترکیبی،.
ByteTrack،. Line Counter چیزی است که اعداد را به اندازه کافی قابل اعتماد میکند تا بتوان روی آن عمل.
کرد. در این آموزش،.
شما خط لوله کامل را در Roboflow Workflows ایجاد کردید:. یک مدل تشخیص افراد از قبل آموزشدیده ByteTrack را تغذیه میکند،.
که شناسههای دائمی را به هر خریدار در فریمها اختصاص میدهد،. و یک شمارنده خط،.
هر ورودی و خروجی را ثبت میکند. خروجی مشروح شامل جعبههای محدود، شناسههای ردیاب، ردیابی مسیر، و شمارش زنده همه چیز است.
برای درک الگوهای ترافیک در یک نگاه مورد نیاز است. از اینجا،.
مسیر تولید افزایشی است:. پایه دوربین را تعمیر کنید،.
ردیاب را برای هر مکان تنظیم کنید،. بلوک های منطقه را برای زمان اقامت اضافه کنید،.
و خروجی ها را به پشته تجزیه و تحلیل خود هدایت کنید. خط لوله اصلی دقیقاً به همان شکل باقی میماند.
ادامه ReadingLine Counter Block - Roboflow Inference DocsTime در منطقه Block - Roboflow Inference Docs شروع با Roboflow. Workflows ByteTrack چیست؟
شیرجه عمیق.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.