AI 如何在视频中计算人数?
排队这件事人人都懂,但要量清楚却出奇地难。在 AI 出现之前,想知道有多少人走过某个位置, 通常要有人拿着计数器站在那里,一个一个用手按——每来一个人按一下,一小时又一小时。
这篇笔记用一个简短的 Python 程序替你计数。它读取一段视频,用一个叫 YOLO 的 AI 模型, 统计每一个走过画面中那条线的人。最后,它会把画好框和累计数字的视频另存一份,并打印总数。
这里用的视频是一段 33 秒的片段,拍到人们排队走过。程序报出的结果是
In count: 6:六个人从左到右走过那条线。
queue-management-demo.mp4 是 Ultralytics 的示范视频,放在 GitHub 的
ultralytics/notebooks 仓库:
https://github.com/ultralytics/notebooks/releases/tag/v0.0.0
YOLO 和 ObjectCounter 是做什么的?
YOLO 是 You Only Look Once 的缩写。它是一个 AI 模型,看一张图片一次,就列出它看到的东西——人、车、狗——
并在每一样东西外面画一个框。发布 YOLO 的
Ultralytics
还附带一个现成的工具,叫 ObjectCounter。这个工具会画框、逐帧追踪每一个框,
并保留两个总数:一个是往一个方向越线的物体,另一个是往反方向越线的。
第一步:加载模型并打开视频
from ultralytics.solutions import ObjectCounter
import cv2
model_path = "yolo26n.pt"
video_path = "queue-management-demo.mp4"
# Get video properties: width, height, FPS (frame/second)
cap = cv2.VideoCapture(video_path)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
第一行引入计数工具,第二行引入 OpenCV,也就是负责读写视频文件的库。
model_path 指定 AI 模型:yolo26n.pt,
其中 n 代表 nano,是体积最小、速度最快的一档。第一次运行时会自动下载这个模型,大约 5 MB。
cv2.VideoCapture 打开 queue-management-demo.mp4,
接着三行读出它的宽、高和速度(每秒 25 帧)。程序需要这些数字有两个原因:计数线是用像素描述的,
而另存的视频必须与原片有完全相同的大小和速度。
第二步:画出计数线
region_points = [(width-400, 300), (width-400, height), (width-350, height), (width-350, 300)]
四组数字描述一个细长区域的四个角:左上、左下、右下、右上。每一个点都以画面左上角为起点度量,
左上角是 (0, 0),右下角是 (width, height):
x 向右递增,y 向下递增。横向来说,这个区域宽 50 像素,
从 x = width-400 到 x = width-350。纵向来说,
它从 y = 300 一直到底部边缘 y = height(674)。
这个区域是直立的,因为人们是横向走过画面,从左到右。
方向很重要:从左到右越过区域的人会记为 IN,从右到左则记为 OUT。 这段视频里所有人都从左往右走,所以六次越线都算 IN。
第三步:创建计数器
# Initialize ObjectCounter
counter = ObjectCounter(
model=model_path,
region=region_points,
show=True,
show_labels = False,
show_conf = False,
show_in=True,
show_out=False
)
这一个对象就做完了所有工作。model 是 AI 模型,
region 是第二步那个区域,show=True 会打开一个窗口,
让你实时看到视频被处理的过程。
show_labels = False 会隐藏每个框上方的类别名称,这里就是
person 这个字;show_conf = False 会隐藏置信度分数——
像 0.85 这种表示模型有多大把握的数字。两者都隐藏后,只会看到干净的框,在拥挤的队伍里容易看得多。
show_in=True 和 show_out=False 表示只在视频上画出 IN 的累计数。
第四步:另存一份标好框的视频
# Define the codec and create VideoWriter object to save the output video
fourcc = cv2.VideoWriter_fourcc(*'avc1') # H.264, plays on Mac
out = cv2.VideoWriter('result_queue.mp4', fourcc, fps, (width, height))
if not out.isOpened(): # avc1 not available (e.g. Windows), use mp4v instead
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter('result_queue.mp4', fourcc, fps, (width, height))
VideoWriter 是 VideoCapture 的反面:它负责写出一个新的视频文件。
fourcc 这个代码指定压缩格式。avc1 是 H.264,在 Mac 上播放流畅。
如果你的电脑没有这个格式——Windows 常见——程序会改用 mp4v,仍然能产出文件。
输出文件叫 result_queue.mp4,所以原始视频永远不会被覆盖。
第五步:逐帧读取整段视频
while cap.isOpened():
ret, frame = cap.read()
if not ret:
break
results = counter(frame)
annotated_frame = results.plot_im
# Write the annotated frame to the output video
out.write(annotated_frame)
key = cv2.waitKey(1)
if key == ord('q') or key == ord('Q'):
break
视频其实是一长串静止的图片,叫做帧(frame)。循环每次取出一帧。
ret 在还有帧时为 true,到最后变成 false,循环便结束。每一帧会送进
counter(frame),它找出人、更新总数,并返回一份已经画好框和数字的副本。
这份副本就是 results.plot_im,也是写入新视频的内容。
cv2.waitKey(1) 会等待 1 毫秒,看有没有按键。在视频窗口按
q 或 Q 可以提前停止;否则循环会跑到最后一帧。
第六步:关闭所有资源并打印总数
cap.release()
out.release()
cv2.destroyAllWindows()
print("In count:", results.in_count)
释放读取器和写入器,就是把文件交还给操作系统;destroyAllWindows()
关闭预览窗口。最后一行打印 IN 的总数。这段视频打印出:
In count: 6
程序运行时,预览窗口也会显示那个区域、每个人身上的框,以及每有一个人走过、数字就往上涨。
完整程序
from ultralytics.solutions import ObjectCounter
import cv2
model_path = "yolo26n.pt"
video_path = "queue-management-demo.mp4"
# Get video properties: width, height, FPS (frame/second)
cap = cv2.VideoCapture(video_path)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
region_points = [(width-400, 300), (width-400, height), (width-350, height), (width-350, 300)]
# Initialize ObjectCounter
counter = ObjectCounter(
model=model_path,
region=region_points,
show=True,
show_labels = False,
show_conf = False,
show_in=True,
show_out=False
)
# Define the codec and create VideoWriter object to save the output video
fourcc = cv2.VideoWriter_fourcc(*'avc1') # H.264, plays on Mac
out = cv2.VideoWriter('result_queue.mp4', fourcc, fps, (width, height))
if not out.isOpened(): # avc1 not available (e.g. Windows), use mp4v instead
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter('result_queue.mp4', fourcc, fps, (width, height))
while cap.isOpened():
ret, frame = cap.read()
if not ret:
break
results = counter(frame)
annotated_frame = results.plot_im
# Write the annotated frame to the output video
out.write(annotated_frame)
key = cv2.waitKey(1)
if key == ord('q') or key == ord('Q'):
break
cap.release()
out.release()
cv2.destroyAllWindows()
print("In count:", results.in_count)
在自己的电脑上运行
下载 zip 文件并解压到一个文件夹。里面有
yolo_queue.py、queue-management-demo.mp4 和
pyproject.toml。用 Visual Studio Code 打开这个文件夹,然后在终端里逐行输入以下三行:
uv python pin 3.12.10
uv sync
uv run yolo_queue.py
第一次运行会下载 YOLO 模型(约 5 MB),然后处理视频。在较新的笔记本电脑上约需一分钟。会打开一个视频窗口;
让它播放,或按 q 提前停止。完成后,同一个文件夹里会出现
result_queue.mp4,终端会打印总数。
如果你还没安装 uv,请先看 如何安装 Visual Studio Code?,再看 Windows 或 Mac 的 uv 笔记。
局限
- 拥挤的场景很难应付。人们肩并肩走过时,框会重叠,追踪器可能丢掉同一个人的身份, 总数便会偏离真实情况。
- 越线一次就是一次,不等于一位访客。有人在线上来回走动,会被算两次:一次 IN、一次 OUT。 这里数的是移动次数,不是独立的人数。
- 线要放在对的位置。把它放在人们会直行穿过的地方,而不是他们停下、转身或站立的位置。 线太靠近画面边缘,追踪器就没有时间在人物离开前认出他。
- 太远或模糊的人会被漏掉。离摄像头很远、移动很快,或在夜间拍摄的人,可能完全不会被画上框。
- 摄像头要保持不动。摄像头一移动,人在画面里会出现又消失,追踪的身份也会跳来跳去。
- 扩大规模前,先用短片与人工计数比对。找一段自己亲手数过的片段来运行,再比较两个总数。
对
yolo26n这种小模型来说,差几个人属正常;更大的模型更准,但更慢。
延伸阅读
- Ultralytics 物体计数指南 — 同一工具的官方教程,有更多选项。
- ObjectCounter 参数参考 — 所有参数,包括
classes和region。 - queue-management 示范视频 — 本笔记所用的原始片段。
- YOLO26 模型页面 — 模型系列,以及
n、s、m、l各尺寸的意思。 - 如何从摄像头获取实时画面? — 同样是逐帧处理的概念,只是读取摄像头而不是文件。
- AI 如何找出你脸上的关键点? — 另一种用模型读取视频帧的方法。