15 avril 2025
Apprenez comment fonctionnent les systèmes de suivi par vision artificielle, explorez les modèles populaires qui prennent en charge le suivi d'objets comme YOLO11, et découvrez leurs applications dans le monde réel.
Les robots capables d'assembler des pièces électriques, les systèmes qui détectent les voitures en excès de vitesse et les solutions de vente au détail intelligentes qui track habitudes d'achat des clients - toutes ces innovations s'appuient sur la vision par ordinateur. Il s'agit d'une branche de l'intelligence artificielle (IA) qui aide les machines à analyser et à comprendre les images et les vidéos.
Par exemple, un robot doit reconnaître et suivre les différentes pièces pour les assembler correctement. De même, un système de circulation peut utiliser la vision artificielle pour repérer les voitures, lire les plaques d'immatriculation et déterminer si quelqu'un est en excès de vitesse. Dans les magasins, l'IA de vision peut aider à track ce que les clients regardent ou prennent et peut même garder un œil sur les stocks.
Ces applications s'appuient sur des modèles de vision par ordinateur tels que Ultralytics YOLO11qui prennent en charge un large éventail de tâches visuelles. Nombre de ces tâches consistent à recueillir des informations à partir d'une seule image, mais une tâche particulièrement intéressante, le suivi d'objets, peut être utilisée pour suivre le mouvement d'objets sur une série d'images ou de séquences vidéo.
Dans ce guide, nous allons examiner de plus près le fonctionnement du suivi d'objets et explorer des exemples concrets de son utilisation. Nous verrons également comment les modèles Vision AI tels qu'Ultralytics YOLO11 prennent en charge le suivi d'objets. Commençons par le commencement !
Le suivi d'objets est une tâche de vision par ordinateur utilisée pour suivre le mouvement d'objets sur des images vidéo, ce qui aide les systèmes à surveiller et à comprendre comment les choses changent au fil du temps. Cette tâche est très similaire à la manière dont les humains peuvent naturellement suivre des yeux une personne ou un objet en mouvement, comme lorsque vous regardez un match de tennis et que vos yeux track balle qui se déplace d'avant en arrière sur le court.
De la même manière, le suivi d'objets implique l'utilisation de caméras et de l'IA pour suivre le mouvement de la balle en temps réel. Cette technologie peut donner aux téléspectateurs à domicile une meilleure compréhension du déroulement du jeu, notamment grâce à des analyses telles que la vitesse, la trajectoire et le positionnement des joueurs.
Bien que ce type de suivi visuel puisse sembler facile pour les humains, lorsqu'il s'agit de vision artificielle, il implique une série d'étapes alimentées par des modèles de Vision IA. Voici une ventilation simple du fonctionnement du suivi d'objets :
La détection d'objets est une autre tâche de vision par ordinateur prise en charge par YOLO11 qui est étroitement liée au suivi d'objets. Examinons la différence entre ces deux tâches.
La détection d'objets implique l'identification et la localisation d'objets d'intérêt dans une seule image ou une seule trame vidéo. Par exemple, une voiture autonome utilise la détection d'objets pour reconnaître un panneau d'arrêt ou un piéton dans une seule trame capturée par des caméras embarquées. Elle répond à la question suivante : « Qu'y a-t-il dans cette image et où se trouve-t-il ? » Cependant, elle ne fournit aucune information sur la destination suivante de l'objet.
Le suivi d'objets s'appuie sur la détection d'objets en ajoutant une compréhension du mouvement dans le temps. La principale différence entre les deux est la façon dont ils gèrent le temps et le mouvement. La détection d'objets traite chaque trame comme un instantané indépendant, tandis que le suivi d'objets relie les points entre les trames, en utilisant les données passées pour prédire la position future d'un objet.
En combinant les deux, nous pouvons construire de puissants systèmes d'IA visuelle capables de suivre en temps réel des environnements dynamiques. Par exemple, un système de sécurité automatisé peut detect personnes entrant dans un espace et track en permanence leurs mouvements dans le cadre.
Maintenant que nous avons abordé la différence entre la détection et le suivi d'objets, voyons comment les modèlesYOLO d'Ultralytics , comme YOLO11, prennent en charge le suivi d'objets en temps réel.
Bien que les modèles YOLO ne soient pas des algorithmes de suivi à proprement parler, ils jouent un rôle essentiel en détectant les objets dans chaque image vidéo. Une fois les objets détectés, les algorithmes de suivi sont nécessaires pour leur attribuer des identifiants uniques, ce qui permet au système de suivre leur mouvement d'une image à l'autre.
Pour répondre à ce besoin, le packageUltralytics Python intègre de manière transparente la détection d'objets avec des algorithmes de suivi populaires tels que BoT-SORT et ByteTrack. Cette intégration permet aux utilisateurs d'exécuter la détection et le suivi ensemble avec une configuration minimale.
Lorsque vous utilisez des modèles YOLO pour le suivi d'objets, vous pouvez choisir l'algorithme de suivi à appliquer en fonction des exigences de votre application. Par exemple, BoT-SORT est une bonne option pour suivre des objets qui se déplacent de manière imprévisible, grâce à son utilisation de la prédiction de mouvement et de l'apprentissage profond. ByteTrack, quant à lui, est particulièrement performant dans les scènes encombrées et maintient un suivi fiable même lorsque les objets sont flous ou partiellement cachés.
L'entraînement personnalisé consiste à affiner un modèle de détection d'objets pré-entraîné, tel que YOLO11, sur un ensemble de données spécifique afin qu'il puisse reconnaître des objets qui ne sont pas inclus dans les ensembles de données standard. Cela est particulièrement important lorsque votre système de suivi doit suivre des objets personnalisés ou peu courants.
Les systèmes de suivi s'appuient sur le modèle de détection pour reconnaître l'objet. Si un modèle YOLO ne peut pas detect un élément particulier, tel qu'un type spécifique de machine ou d'espèce sauvage, l'algorithme de suivi ne pourra pas le suivre.
C'est pourquoi la formation personnalisée est essentielle : elle garantit que le modèle de détection peut identifier avec précision les objets que vous souhaitez track.
Il est également important de garder à l'esprit que seul le modèle de détection est affiné au cours de ce processus. Les algorithmes de suivi, tels que BoT-SORT ou ByteTrack, ne sont pas entraînés sur mesure - ils utilisent simplement les résultats du modèle YOLO pour suivre les objets détectés à travers les images.
Maintenant que nous avons une meilleure compréhension de ce qu'est le suivi d'objets et de son fonctionnement, explorons quelques applications concrètes où cette technologie a un impact.
Les systèmes d'estimation de la vitesse basés sur la vision par ordinateur dépendent de tâches telles que la détection et le suivi d'objets. Ces systèmes sont conçus pour calculer la vitesse à laquelle un objet se déplace, qu'il s'agisse d'un véhicule, d'un cycliste ou même d'une personne. Ces informations sont essentielles pour diverses applications, de la gestion du trafic à la surveillance de la sécurité et à l'automatisation industrielle.
En utilisant un modèle comme Ultralytics YOLO11, les objets peuvent être détectés et suivis sur l'ensemble des images vidéo. En analysant la distance parcourue par un objet au cours d'une période donnée, le système peut estimer sa vitesse.
Les processus de fabrication peuvent être rapides et très complexes, ce qui rend difficile le track manuel de chaque article produit. Le suivi d'objets constitue une bonne solution pour automatiser le contrôle des produits à chaque étape de la production. Il peut aider les usines à maintenir des niveaux élevés de précision et d'efficacité sans ralentir le processus.
Qu'il s'agisse de compter les produits sur une chaîne de montage, de repérer les défauts ou de vérifier l'assemblage correct, le suivi d'objets apporte visibilité et contrôle aux tâches qui seraient autrement longues ou sujettes à erreurs. Cette technologie est particulièrement efficace dans les secteurs à volume élevé comme la transformation des aliments, l'électronique et l'emballage, où la vitesse et la précision sont essentielles.
D'innombrables clients entrent et sortent des magasins de détail chaque jour, et la compréhension de leur comportement est essentielle pour améliorer à la fois l'expérience client et la performance de l'entreprise. Le suivi d'objets permet aux détaillants de surveiller l'achalandage, de mesurer le temps d'attente et d'analyser les schémas de déplacement, le tout sans avoir recours à des méthodes invasives ou manuelles.
En suivant les individus lorsqu'ils entrent, sortent et se déplacent dans le magasin, les entreprises peuvent obtenir des informations sur les heures de pointe, les zones populaires et même la longueur des files d'attente. Ces informations peuvent éclairer les décisions concernant la dotation en personnel, l'aménagement du magasin et l'emplacement des stocks, ce qui, en fin de compte, permet d'accroître l'efficacité des opérations et d'augmenter les ventes.
Des commerces de détail aux ateliers de fabrication, le suivi d'objets est utilisé dans tous les types d'industries pour améliorer des facteurs tels que l'efficacité, la sécurité et l'expérience globale. Voici quelques-uns des principaux avantages que le suivi d'objets peut apporter à divers secteurs :
Bien que ces avantages soulignent l'impact positif du suivi d'objets sur différents cas d'utilisation, il est également important de tenir compte des défis liés à sa mise en œuvre. Examinons de plus près certaines des limites du suivi d'objets :
Le suivi d'objets est une tâche de vision par ordinateur qui permet aux machines de suivre le mouvement des objets au fil du temps. Il est utilisé dans un large éventail de scénarios réels, de l'estimation de la vitesse des véhicules au comptage des produits sur une chaîne de montage, en passant par l'analyse des mouvements des joueurs dans les sports.
Avec des modèles d'IA de vision comme YOLO11 et des algorithmes de suivi comme BoT-SORT et ByteTrack, le suivi d'objets est devenu plus rapide, plus intelligent et plus accessible dans différents secteurs d'activité. À mesure que la technologie de suivi des objets évolue, elle aide les systèmes à devenir plus intelligents, plus efficaces et plus réactifs, une image à la fois.
Vous voulez en savoir plus sur la vision par ordinateur et l'IA ? Explorez notre dépôt GitHub, connectez-vous avec notre communauté et consultez nos options de licence pour démarrer votre projet de vision par ordinateur. Si vous explorez des innovations telles que l'IA dans la fabrication et la vision par ordinateur dans l'industrie automobile, visitez nos pages de solutions pour en savoir plus.
