企业官网建设流程全解析

YOLOv11结合目标检测与测距技术，通过改进YOLO架构实现实时速度与距离测量。其核心技术包括：

1. 目标检测优化：采用轻量化Backbone和Neck结构提升检测速度，确保高精度识别车辆、行人等目标。
2. 单目测距：基于几何原理（如相似三角形或透视变换），利用目标像素高度/位置估算实际距离，需预标定相机参数（焦距、安装高度等）。
3. 速度估算：通过卡尔曼滤波或光流法跟踪目标位移，结合帧间隔时间计算瞬时速度，减少抖动误差。
4. 多任务融合：端到端网络同步输出检测框、距离及速度，支持嵌入式部署（如Jetson系列），满足自动驾驶、交通监控等场景需求，帧率可达60+FPS。

该技术平衡精度与效率，适用于动态场景的实时分析。

这个错误表明names[cls]尝试访问names字典时，cls的值（tensor(2)）无法直接用作键。这是因为 YOLO 返回的类别索引是 PyTorch 张量，需要先转换为 Python 整数。以下是修复方法：

修复后的代码（关键修改部分）

# 修改这一行：cls=int(box.cls[0])# 确保转换为Python整数class_name=names[cls]

重要代码

importcv2importmathimporttimefromultralyticsimportYOLOfromcollectionsimportdeque# 初始化YOLO模型model=YOLO("yolov8n.pt")# 会自动下载模型（如果本地没有）names=model.names# 视频设置cap=cv2.VideoCapture("traffic.mp4")assertcap.isOpened(),"Error reading video file"w,h,fps=(int(cap.get(x))forxin(cv2.CAP_PROP_FRAME_WIDTH,cv2.CAP_PROP_FRAME_HEIGHT,cv2.CAP_PROP_FPS))# 参数配置KNOWN_WIDTH=1.8# 假设车辆宽度为1.8米（可根据实际情况调整）FOCAL_LENGTH=1200# 焦距（像素），需要根据相机标定调整LINE_Y=int(h*0.6)# 速度检测线位置（水平线）MAX_HISTORY=5# 用于速度计算的历史帧数# 存储目标历史位置track_history={}defcalculate_distance(known_width,focal_length,pixel_width):"""计算目标到相机的距离"""return(known_width*focal_length)/pixel_widthdefcalculate_speed(positions,fps,meter_per_pixel=0.05):""" 基于历史位置计算速度 :param positions: 目标的历史位置队列[(x1,y1), (x2,y2)...] :param fps: 视频帧率 :param meter_per_pixel: 像素到米的转换系数（需要标定） :return: 速度（m/s） """iflen(positions)<2:return0total_distance=0foriinrange(1,len(positions)):dx=positions[i][0]-positions[i-1][0]dy=positions[i][1]-positions[i-1][1]total_distance+=math.sqrt(dx**2+dy**2)avg_pixel_distance=total_distance/(len(positions)-1)real_distance=avg_pixel_distance*meter_per_pixel speed=real_distance*fps# m/sreturnspeed# 主处理循环whilecap.isOpened():success,frame=cap.read()ifnotsuccess:break

关键修改点

1. 修复类别索引类型：

   • 将class_ids = results[0].boxes.cls.int().cpu()改为class_ids = results[0].boxes.cls.int().cpu().tolist()，确保转换为Python列表。
   • 直接使用names[cls]访问类别名称（cls现在已是Python整数）。

2. 其他优化：

   • 统一使用//进行整数除法（避免浮点数坐标）。
   • 保持代码风格一致性（如缩进和括号对齐）。

常见问题排查

1. 如果仍然报错：

   • 检查names的内容：print(names)应输出类似{0: 'person', 1: 'car', ...}的字典。
   • 确保cls的值在names的键范围内（如YOLOv8n的默认类别是0-79）。

2. 速度计算不准确：

   • 调整meter_per_pixel（需要实际标定）。
   • 检查FOCAL_LENGTH和KNOWN_WIDTH是否合理。

3. 跟踪不稳定：

   • 增加MAX_HISTORY的值（如10）。
   • 在model.track()中调整persist=True和conf参数。

运行修改后的代码应该能解决KeyError问题。如果还有其他错误，请提供完整的报错信息。