Implementación de un Sistema de Conteo de Personas con YOLO

aplicaría esto en un gimnasio por ej para poder checar las maquinas mas utilizadas y adquirir mas de esas y descartar las menos utilizadas

me encanto la técnica de encontrar las coordenadas con photopea, muy ingenioso jejejej

### **Aporte: Detección de Personas Corriendo y Conteo con YOLO + SORT** Quiero compartir una solución funcional para detectar y contar personas corriendo en video, utilizando el modelo YOLO de **Ultralytics** junto al algoritmo de seguimiento **SORT**. El sistema detecta personas que cruzan líneas virtuales (por ejemplo, entradas a diferentes secciones) y lleva un conteo preciso de cada cruce, evitando duplicadas gracias al tracking por ID. #### Requisitos 1. **Descargar SORT**: Descarga el archivo `sort.py` desde el repositorio oficial de GitHub: `https://raw.githubusercontent.com/abewley/sort/master/sort`.py Luego, crea una carpeta llamada `sort` en tu proyecto y guarda allí el archivo `sort.py` 2. `Guarda sort.py dentro de esta carpeta` 3. **Instalar dependencias necesarias**:Ejecuta los siguientes comandos para instalar las bibliotecas requeridas:```js %pip install ultralytics %pip install git+https://github.com/abewley/sort.git %pip install filterpy %pip install scikit-image ``` #### Características de la solución * **Detección precisa de personas** (`class_id = 0`) usando el modelo YOLOv8. * **Seguimiento de cada persona** con SORT y asignación de un ID único. * **Conteo de cruces** mediante la comparación de lados en relación con líneas virtuales usando distancia firmada. * **Evita duplicados** gracias a un sistema de memoria por ID (`track_memory` y `already_counted`). * Código con la solución:```js from ultralytics import YOLO import cv2 import numpy as np from sort.sort import Sort # Algoritmo de tracking (seguimiento de objetos) # Función que calcula la distancia firmada entre un punto y una línea # Esto nos ayuda a saber si un objeto ha cruzado la línea (cambia de lado) def signed_distance(point, line): x, y = point (x1, y1), (x2, y2) = line num = (y2 - y1) * x - (x2 - x1) * y + x2 * y1 - y2 * x1 den = np.sqrt((y2 - y1) ** 2 + (x2 - x1) ** 2) return num / den if den != 0 else 0 # Definimos las dos líneas de conteo (puedes ajustar según el video) line1 = ((130, 120), (25, 300)) # Línea para la sección de fútbol line2 = ((650, 175), (720, 275)) # Línea para la sección de tenis # Contadores para cada línea count_line1 = 0 count_line2 = 0 # Conjunto para registrar IDs ya contados y evitar duplicados already_counted = set() # Cargar modelo YOLO para detección de objetos model = YOLO("yolo11n.pt") # Inicializar el tracker (seguimiento de objetos) tracker = Sort() # Abrir el video de entrada cap = cv2.VideoCapture(video_path) if not cap.isOpened(): raise ValueError("No se pudo abrir el video.") # Obtener parámetros del video fps = cap.get(cv2.CAP_PROP_FPS) width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fourcc = cv2.VideoWriter_fourcc(*'XVID') writer = cv2.VideoWriter(output_path, fourcc, fps, (width, height)) # Diccionario para guardar el historial de cada objeto trackeado track_memory = {} # Bucle principal de procesamiento por frame while True: ret, frame = cap.read() if not ret: break # Salir si ya no hay más frames # Detectar objetos en el frame con YOLO results = model(frame, conf=0.5) boxes_obj = results[0].boxes detections = [] if boxes_obj is not None and len(boxes_obj) > 0: # Extraer coordenadas, clases y confianza bboxes = boxes_obj.xyxy.cpu().numpy() classes = boxes_obj.cls.cpu().numpy() confs = boxes_obj.conf.cpu().numpy() # Filtrar solo personas (clase 0 en COCO) for i in range(len(bboxes)): if int(classes[i]) == 0: x1, y1, x2, y2 = map(int, bboxes[i]) conf = confs[i] detections.append([x1, y1, x2, y2, conf]) # Aplicar el tracker a las detecciones detections = np.array(detections).reshape(-1, 5) tracks = tracker.update(detections) for track in tracks: x1, y1, x2, y2, track_id = map(int, track) centroid = ((x1 + x2) // 2, (y1 + y2) // 2) # Centro del objeto # Dibujar caja, centro y texto con ID cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.circle(frame, centroid, 4, (0, 255, 0), -1) cv2.putText(frame, f"ID: {track_id}", (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 0), 1) # Registrar o actualizar la trayectoria del objeto if track_id not in track_memory: track_memory[track_id] = { "initial": centroid, "last": centroid } else: prev_centroid = track_memory[track_id]["last"] init_centroid = track_memory[track_id]["initial"] # Verificar si ha cruzado la línea 1 prev_side1 = signed_distance(prev_centroid, line1) curr_side1 = signed_distance(centroid, line1) init_side1 = signed_distance(init_centroid, line1) if prev_side1 * curr_side1 < 0 or init_side1 * curr_side1 < 0: if f"l1_{track_id}" not in already_counted: count_line1 += 1 already_counted.add(f"l1_{track_id}") # Verificar si ha cruzado la línea 2 prev_side2 = signed_distance(prev_centroid, line2) curr_side2 = signed_distance(centroid, line2) init_side2 = signed_distance(init_centroid, line2) if prev_side2 * curr_side2 < 0 or init_side2 * curr_side2 < 0: if f"l2_{track_id}" not in already_counted: count_line2 += 1 already_counted.add(f"l2_{track_id}") # Actualizar último centroide track_memory[track_id]["last"] = centroid # Dibujar líneas de conteo y mostrar contadores cv2.line(frame, line1[0], line1[1], (255, 0, 0), 2) cv2.line(frame, line2[0], line2[1], (0, 0, 255), 2) cv2.putText(frame, f"Seccion Futbol: {count_line1}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2) cv2.putText(frame, f"Seccion Tenis: {count_line2}", (10, 70), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2) # Guardar el frame procesado en el video de salida writer.write(frame) # Liberar recursos cap.release() writer.release() print(f"Video procesado con tracking y guardado en: {output_path}") ```

¿De que otra manera, podriamos encontrar las coordenadas? , no se me es claro, puesto que en el programa que usamos las dimesiones sobrepasan los 1000 px de ancho, y esas no estan dentro de las coordenadas especificadas.