20 de noviembre de 2024
Acompáñenos a ver 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 track del movimiento de los componentes en una línea de montaje de una planta de fabricación para garantizar el control de calidad y mejorar la eficacia del flujo de trabajo. Normalmente, esto implicaría inspecciones manuales o el uso de sensores básicos para track elementos, lo que puede llevar mucho tiempo y ser propenso a errores. Sin embargo, la visión por ordenador y el seguimiento de objetos pueden utilizarse para automatizar y mejorar este proceso.
El seguimiento de objetos es una tarea de visión por ordenador que ayuda a detect, identificar y track objetos en un vídeo. Puede utilizarse para una gran variedad de aplicaciones, desde la vigilancia de animales en granjas hasta la seguridad y vigilancia en tiendas. Los objetos que se rastrean en un vídeo suelen visualizarse mediante cuadros delimitadores para ayudar al usuario a ver exactamente dónde están situados y detectados dentro del fotograma de vídeo.
Lanzado durante el evento híbrido anual deUltralytics, YOLO Vision 2024 (YV24), Ultralytics YOLO11 es un modelo de visión por ordenador capaz de realizar una gran variedad de tareas de IA de visión, incluido el seguimiento de objetos. En este artículo analizaremos cómo funciona el seguimiento de objetos y hablaremos de sus aplicaciones en el mundo real. También veremos cómo probar el seguimiento de objetos con YOLO11. Empecemos.
El seguimiento de objetos es una técnica esencial de visión por ordenador. Permite identificar y seguir objetos en un vídeo a lo largo del tiempo. El seguimiento de objetos puede parecer muy similar a otra tarea de visión por ordenador: la detección de objetos. La diferencia clave entre ambas radica en cómo tratan los fotogramas de vídeo. La detección de objetos examina cada fotograma individualmente, identificando y clasificando los objetos sin tener en cuenta los fotogramas anteriores o futuros. El seguimiento de objetos, en cambio, conecta los puntos entre fotogramas, siguiendo los mismos objetos a lo largo del tiempo y track sus movimientos.
Aquí hay un recorrido más detallado de cómo funciona el seguimiento de objetos:
Ultralytics permite el seguimiento de objetos en tiempo real mediante algoritmos de seguimiento avanzados como BoT-SORT y ByteTrack. También funciona a la perfección con modelosYOLO11 de segmentación y estimación de la pose, lo que la convierte en una herramienta flexible para una amplia gama de tareas de seguimiento.
La versatilidad del modeloYOLO11 Ultralytics abre un amplio abanico de posibles aplicaciones en muchos sectores. Veamos con más detalle algunos casos de uso del seguimiento de objetos 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 por ordenador ofrece a los ganaderos una solución mejor para vigilar y track los animales sin necesidad de etiquetas físicas. El seguimiento de objetos puede dar a los ganaderos información valiosa sobre el comportamiento y la salud de los animales. Por ejemplo, puede ayudar a detect cojeras que afectan a la forma de andar de un animal. Gracias al seguimiento de objetos, los ganaderos pueden detectar cambios sutiles en los movimientos y abordar los problemas de salud en una fase 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 pueden utilizarse para detect y track trabajadores en entornos de fabricación potencialmente peligrosos. Las zonas peligrosas pueden marcarse y controlarse constantemente mediante sistemas de visión por ordenador, y los supervisores pueden recibir una notificación si los trabajadores (a los que se sigue) se acercan a dichas zonas. Estos sistemas de seguridad también pueden utilizarse para detect y track equipos, evitando así la posibilidad de robo.
El seguimiento de objetos en tiempo real se utiliza mucho en sistemas de seguridad y vigilancia. Estos sistemas pueden utilizarse para vigilar lugares públicos, centros de transporte y grandes superficies comerciales, como centros comerciales. Las grandes aglomeraciones pueden utilizar esta tecnología para track a personas sospechosas o el comportamiento de la multitud, proporcionando una solución de vigilancia sin fisuras. Por ejemplo, durante la pandemia, se utilizaron sistemas de seguimiento de objetos para track zonas abarrotadas y asegurarse de que la gente mantenía el distanciamiento social.
El seguimiento de objetos también puede utilizarse en la vigilancia del tráfico. El seguimiento de objetos permite track 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 la velocidad. Pueden detect y track un vehículo para determinar su velocidad.
Ahora que hemos explorado algunas de las aplicaciones de seguimiento de objetos, vamos a discutir cómo puede probarlo utilizando el modeloUltralytics YOLO11 .
Para empezar, instale el paqueteUltralytics Python mediante pip, conda o Docker. Si se enfrenta a algún problema durante la instalación, nuestra Guía de problemas comunes ofrece consejos útiles para la solución de problemas.
Una vez que haya instalado correctamente el paquete, ejecute el siguiente código. En él se explica cómo cargar el modeloYOLO11 Ultralytics y utilizarlo para track 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 del modelo entre las que elegir: pequeña, mediana, grande y extragrande.
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 ha mencionado anteriormente, el seguimiento de objetos es compatible con los siguientes modelos de YOLO11 : detección de objetos, estimación de la pose y segmentación de instancias. Si tiene una aplicación específica de seguimiento, puede personalizar el entrenamiento de cualquiera de estos modelos en función de su aplicación. Puede personalizar un modelo utilizando el paquetePython Ultralytics Ultralytics o la plataforma sin código Ultralytics HUB.
Ultralytics YOLO11 es una gran herramienta para el seguimiento de objetos en vídeo, y puede utilizarse en muchos campos diferentes, como los coches autoconducidos, la agricultura, la fabricación y la seguridad. Puede detect y seguir objetos en tiempo real, lo que ayuda a empresas e industrias a track a 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 cualquiera que esté interesado en adoptar capacidades de visión por ordenador 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. 🚀
