20 de noviembre de 2024
Únete a nosotros mientras analizamos más de cerca cómo utilizar Ultralytics YOLO11 para el seguimiento de objetos en aplicaciones en tiempo real como la vigilancia, la agricultura y la fabricación.
Supongamos que desea supervisar y rastrear el movimiento de los componentes en una línea de ensamblaje en una instalación de fabricación para garantizar el control de calidad y mejorar la eficiencia del flujo de trabajo. Por lo general, esto implicaría inspecciones manuales o el uso de sensores básicos para rastrear artículos, lo que puede llevar mucho tiempo y ser propenso a errores. Sin embargo, la visión artificial y el seguimiento de objetos se pueden utilizar para automatizar y mejorar este proceso.
El seguimiento de objetos es una tarea de visión artificial que ayuda a detectar, identificar y rastrear objetos en un vídeo. Se puede utilizar para una amplia variedad de aplicaciones, desde la monitorización de animales en granjas hasta la seguridad y la vigilancia en tiendas minoristas. Los objetos que se rastrean en un vídeo suelen visualizarse mediante cuadros delimitadores para ayudar al usuario a ver exactamente dónde se encuentran y se detectan dentro del fotograma del vídeo.
Lanzado durante el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), Ultralytics YOLO11 es un modelo de visión artificial que puede manejar una amplia variedad de tareas de Visión IA, incluyendo el seguimiento de objetos. En este artículo, exploraremos cómo funciona el seguimiento de objetos y discutiremos aplicaciones del mundo real. También echaremos un vistazo a cómo puedes probar el seguimiento de objetos usando YOLO11. ¡Empecemos!
El seguimiento de objetos es una técnica esencial de visión artificial. Permite identificar y rastrear objetos en un vídeo a lo largo del tiempo. El seguimiento de objetos puede parecer muy similar a otra tarea de visión artificial: la detección de objetos. La diferencia clave entre ambos radica en cómo gestionan los fotogramas de vídeo. La detección de objetos analiza cada fotograma individualmente, identificando y clasificando objetos sin tener en cuenta los fotogramas anteriores o futuros. El seguimiento de objetos, por otro lado, conecta los puntos entre los fotogramas, siguiendo los mismos objetos a lo largo del tiempo y haciendo un seguimiento de sus movimientos.
Aquí hay un recorrido más detallado de cómo funciona el seguimiento de objetos:
Ultralytics admite el seguimiento de objetos en tiempo real aprovechando algoritmos de seguimiento avanzados como BoT-SORT y ByteTrack. También funciona a la perfección con segmentación y estimación de pose modelos YOLO11, lo que la convierte en una herramienta flexible para una amplia gama de tareas de seguimiento.
Las versátiles capacidades del modelo Ultralytics YOLO11 abren una amplia gama de posibles aplicaciones en muchas industrias. Echemos un vistazo más de cerca a algunos casos de uso del seguimiento de objetos de YOLO11.
El seguimiento de objetos es crucial para ayudar a los coches autónomos a funcionar de forma segura y eficiente. Estos vehículos necesitan comprender constantemente su entorno para tomar decisiones en tiempo real, como detenerse, girar o cambiar de carril. La detección de objetos permite al coche identificar elementos clave en su entorno, como peatones, ciclistas, otros vehículos y señales de tráfico. Sin embargo, detectar estos objetos en un solo momento no es suficiente para una navegación segura.
Ahí es donde entra en juego el seguimiento de objetos. Permite que el coche siga estos objetos a lo largo del tiempo, rastreando sus movimientos a través de múltiples fotogramas. Por ejemplo, ayuda a los vehículos autónomos a predecir hacia dónde se dirige un peatón, controlar la velocidad y la dirección de los vehículos cercanos o reconocer que un semáforo no ha cambiado. Al combinar la detección y el seguimiento, los coches autónomos pueden anticipar el movimiento de los objetos que los rodean, responder de forma proactiva y conducir de forma segura y fluida.
El seguimiento de animales en una granja, como el ganado, es vital para una gestión eficaz, pero puede ser una tarea tediosa y que requiere mucho tiempo. Los métodos tradicionales, como el uso de sensores o etiquetas, a menudo tienen inconvenientes. Estos dispositivos pueden estresar a los animales cuando se colocan y son propensos a caerse o dañarse, lo que interrumpe el seguimiento.
La visión artificial proporciona una mejor solución para que los agricultores supervisen y rastreen a los animales sin necesidad de etiquetas físicas. El seguimiento de objetos puede proporcionar a los agricultores información valiosa sobre el comportamiento y la salud de los animales. Por ejemplo, puede ayudar a detectar afecciones como la cojera que afectan la forma en que camina un animal. Mediante el uso del seguimiento de objetos, los agricultores pueden detectar cambios sutiles en el movimiento y abordar los problemas de salud de forma temprana.
Más allá del control de la salud, la visión artificial también puede ayudar a los agricultores a comprender otros comportamientos, como las interacciones sociales, los hábitos alimenticios y los patrones de movimiento. Estos conocimientos pueden mejorar la gestión del rebaño, optimizar los horarios de alimentación y promover el bienestar general de los animales. Al reducir el trabajo manual y minimizar el estrés de los animales, el seguimiento basado en la visión artificial es una herramienta práctica y eficiente para la agricultura moderna.
El seguimiento de objetos tiene muchos casos de uso en el sector manufacturero. Por ejemplo, los sistemas de detección y seguimiento de objetos pueden supervisar las líneas de producción. Los productos o las materias primas pueden rastrearse y contarse fácilmente a medida que se mueven en una cinta transportadora. Estos sistemas también pueden integrarse con otros sistemas de visión artificial para realizar tareas adicionales. Por ejemplo, un artículo con un defecto puede identificarse mediante un sistema de detección de defectos y rastrearse mediante el seguimiento de objetos para garantizar que se gestione correctamente.
Otra aplicación importante del seguimiento de objetos en la fabricación está relacionada con la seguridad. Los sistemas de seguimiento de objetos se pueden utilizar para detectar y rastrear a los trabajadores en entornos de fabricación potencialmente peligrosos. Las regiones peligrosas se pueden marcar y supervisar constantemente utilizando sistemas de visión artificial, y se puede notificar a los supervisores si los trabajadores (que están siendo rastreados) se acercan a dichas áreas. Dichos sistemas de seguridad también se pueden utilizar para detectar y rastrear equipos, evitando la posibilidad de robo.
El seguimiento de objetos en tiempo real se utiliza ampliamente en sistemas de seguridad y vigilancia. Estos sistemas pueden utilizarse para monitorear lugares públicos, centros de transporte y grandes entornos minoristas como centros comerciales. Las zonas grandes y concurridas pueden utilizar esta tecnología para rastrear a personas sospechosas o el comportamiento de las multitudes, proporcionando una solución de vigilancia perfecta. Por ejemplo, durante la pandemia, se utilizaron sistemas de seguimiento de objetos para rastrear zonas concurridas y asegurarse de que la gente mantenía el distanciamiento social.
El seguimiento de objetos también se puede utilizar en la vigilancia del tráfico. El seguimiento de objetos permite rastrear y analizar el comportamiento de los vehículos, detectando acciones inusuales o sospechosas en tiempo real para ayudar a prevenir accidentes o delitos. Un buen ejemplo son los sistemas de estimación de velocidad. Pueden detectar y rastrear un vehículo para determinar su velocidad.
Ahora que hemos explorado algunas de las aplicaciones de seguimiento de objetos, analicemos cómo puedes probarlo usando el modelo Ultralytics YOLO11.
Para empezar, instale el paquete de Python de Ultralytics utilizando pip, conda o Docker. Si se enfrenta a algún problema durante la instalación, nuestra Guía de problemas comunes ofrece consejos útiles para la resolución de problemas.
Una vez que haya instalado el paquete correctamente, ejecute el siguiente código. En él se describe cómo cargar el modelo Ultralytics YOLO11 y utilizarlo para rastrear objetos en un archivo de vídeo. El modelo utilizado en el código es “yolo11n.pt”. La ‘n’ significa Nano, la variante más pequeña del modelo YOLO11. También hay otras variantes de modelo para elegir: pequeño, mediano, grande y extra grande.
También puede optar por utilizar un modelo entrenado a medida en lugar de un modelo pre-entrenado. El entrenamiento personalizado implica el ajuste fino de un modelo pre-entrenado para que se adapte a su aplicación específica.
Como se mencionó anteriormente, el seguimiento de objetos es compatible con los siguientes modelos YOLO11: detección de objetos, estimación de pose y segmentación de instancias. Si tiene una aplicación específica que involucre el seguimiento, puede entrenar a medida cualquiera de estos modelos según su aplicación. Puede entrenar a medida un modelo utilizando el paquete de Python de Ultralytics o la plataforma sin código, Ultralytics HUB.
Ultralytics YOLO11 es una gran herramienta para rastrear objetos en videos, y se puede utilizar en muchos campos diferentes, como automóviles autónomos, agricultura, fabricación y seguridad. Puede detectar y seguir objetos en tiempo real, ayudando a las empresas y las industrias a realizar un seguimiento de sus trabajadores y equipos. El modelo es fácil de usar y se puede personalizar para necesidades específicas, lo que lo convierte en una buena opción para cualquier persona interesada en adoptar capacidades de visión artificial sin problemas.
Para obtener más información, visite nuestro repositorio de GitHub e interactúe con nuestra comunidad. Explore las aplicaciones de la IA en coches autónomos y la agricultura en nuestras páginas de soluciones. 🚀
.webp)