Guide du suivi d’objets en mouvement dans des vidéos avec les modèles Ultralytics YOLO

Les robots capables d’assembler des composants électriques, les systèmes qui repèrent les voitures en excès de vitesse et les solutions intelligentes de commerce de détail qui suivent le comportement d’achat des clients : toutes ces innovations reposent sur la vision par ordinateur. Il s’agit d’une branche de l’intelligence artificielle (AI) qui aide les machines à analyser et à comprendre les images et les vidéos.

Par exemple, un robot doit reconnaître et suivre différentes pièces pour les assembler correctement. De même, un système de gestion du trafic peut utiliser la vision par ordinateur pour repérer les voitures, lire les plaques d’immatriculation et déterminer si quelqu’un dépasse la limite de vitesse. Dans les magasins, l’IA visuelle peut aider à suivre ce que les clients regardent ou prennent, et même à surveiller les stocks.

De telles applications reposent sur des modèles de vision par ordinateur comme Ultralytics YOLO11, qui prennent en charge un large éventail de tâches visuelles. Beaucoup de ces tâches visent à extraire des informations d’une seule image, mais une tâche particulièrement intéressante, le suivi d’objets, permet de suivre le déplacement d’objets dans une série d’images ou d’images vidéo.

Fig. 1. Exemple de détection et de suivi de voitures.

Dans ce guide, nous examinerons de plus près le fonctionnement du suivi d’objets et découvrirons des exemples concrets de son utilisation. Nous verrons également comment les modèles d’IA visuelle comme Ultralytics YOLO11 prennent en charge le suivi d’objets.

Zoom sur les systèmes de suivi par vision par ordinateur#

Le suivi d’objets est une tâche de vision par ordinateur qui consiste à suivre le déplacement d’objets d’une image vidéo à l’autre, afin d’aider les systèmes à surveiller et à comprendre l’évolution des choses au fil du temps. C’est très semblable à la façon dont les humains suivent naturellement du regard une personne ou un objet en mouvement, par exemple lorsque tu regardes un match de tennis et que tes yeux suivent la balle dans ses allers-retours sur le court.

De la même manière, le suivi d’objets consiste à utiliser des caméras et l’IA pour suivre en temps réel le déplacement de la balle. Cette technologie peut aider les téléspectateurs à mieux comprendre le déroulement du match, notamment grâce à des analyses de la vitesse, de la trajectoire et du positionnement des joueurs.

Si ce type de suivi visuel peut sembler sans effort pour les humains, il repose, en vision artificielle, sur une série d’étapes exécutées par des modèles d’IA visuelle. Voici une explication simple du fonctionnement du suivi d’objets :

• Capture vidéo : Les caméras enregistrent des séquences vidéo et capturent le déplacement des objets dans une scène au fil du temps.
• Détection d’objets : Les modèles de vision par ordinateur basés sur l’IA, comme YOLO11, peuvent analyser chaque image pour identifier et localiser des objets spécifiques, tels que des personnes, des véhicules ou des produits.
• Attribution d’une identité : Une fois l’objet détecté, les algorithmes de suivi lui attribuent un ID unique pour le suivre sur plusieurs images, afin que le système sache qu’il s’agit du même objet, même lorsqu’il se déplace.
• Suivi des déplacements : Le système suit les déplacements au fil du temps, et ces données peuvent servir à recueillir des informations telles que la vitesse, la direction et les interactions avec d’autres objets.
• Génération d’informations : Ces informations peuvent être utilisées en temps réel pour fournir des analyses, faciliter la prise de décision ou alimenter des superpositions visuelles, selon le cas d’usage spécifique.

Comparaison de la détection et du suivi d’objets avec YOLO#

Une autre tâche de vision par ordinateur prise en charge par Ultralytics YOLO11 et étroitement liée au suivi d’objets est la détection d’objets. Explorons la différence entre ces deux tâches.

La détection d’objets consiste à identifier et à localiser les objets qui nous intéressent dans une image unique ou une image vidéo. Par exemple, une voiture autonome utilise la détection d’objets pour reconnaître un panneau stop ou un piéton dans une seule image capturée par ses caméras embarquées. Elle répond à la question : « Que trouve-t-on dans cette image, et où ? » En revanche, elle ne fournit aucune information sur l’endroit où l’objet ira ensuite.

Le suivi d’objets s’appuie sur la détection d’objets en y ajoutant une compréhension des déplacements au fil du temps. La différence essentielle entre les deux tient à la manière dont ils gèrent le temps et le mouvement. La détection d’objets traite chaque image comme un instantané indépendant, tandis que le suivi d’objets relie les points entre les images et utilise les données passées pour prédire la position future d’un objet.

En combinant les deux, nous pouvons créer de puissants systèmes d’IA visuelle capables d’assurer un suivi en temps réel dans des environnements dynamiques. Par exemple, un système de sécurité automatisé peut détecter les personnes qui entrent dans un espace et suivre leurs déplacements en continu dans l’image.

Suivi en temps réel avec les modèles Ultralytics YOLO#

Maintenant que nous avons vu la différence entre la détection et le suivi d’objets, examinons comment les modèles Ultralytics YOLO, comme YOLO11, prennent en charge le suivi d’objets en temps réel.

Les modèles YOLO ne sont pas eux-mêmes des algorithmes de suivi, mais ils jouent un rôle essentiel en détectant les objets dans chaque image vidéo. Une fois les objets détectés, des algorithmes de suivi doivent leur attribuer des ID uniques pour permettre au système de suivre leurs déplacements d’une image à l’autre.

Pour répondre à ce besoin, le package Python Ultralytics combine la détection d’objets à des algorithmes de suivi populaires comme BoT-SORT et ByteTrack. Cette intégration permet d’effectuer simultanément la détection et le suivi avec une configuration minimale.

Lorsque tu utilises des modèles YOLO pour le suivi d’objets, tu peux choisir l’algorithme de suivi à appliquer en fonction des besoins de ton application. Par exemple, BoT-SORT est efficace pour suivre des objets aux déplacements imprévisibles, grâce à la prédiction des mouvements et à l’apprentissage profond. ByteTrack, en revanche, est particulièrement performant dans les scènes encombrées et assure un suivi fiable même lorsque les objets sont flous ou partiellement masqués.

Fig. 2. Le package Python Ultralytics intègre BoT-SORT et ByteTrack.

Quel est le lien entre l’entraînement personnalisé d’un modèle YOLO et le suivi d’objets ?#

L’entraînement personnalisé consiste à affiner un modèle de détection d’objets préentraîné, comme Ultralytics YOLO11, sur un jeu de données spécifique pour qu’il puisse reconnaître des objets absents des jeux de données standard. C’est particulièrement important lorsque ton système de suivi doit suivre des objets personnalisés ou peu courants.

Les systèmes de suivi s’appuient sur le modèle de détection pour reconnaître d’abord l’objet. Si un modèle YOLO ne peut pas détecter un élément particulier, comme un type précis de machine ou une espèce sauvage, l’algorithme de suivi ne pourra pas le suivre.

C’est pourquoi l’entraînement personnalisé est essentiel : il garantit que le modèle de détection peut identifier avec précision les objets que tu veux suivre.

Il est également important de noter que seul le modèle de détection est affiné au cours de ce processus. Les algorithmes de suivi, comme BoT-SORT ou ByteTrack, ne sont pas entraînés sur mesure ; ils utilisent simplement les résultats du modèle YOLO pour suivre les objets détectés d’une image à l’autre.

Applications du suivi d’objets avec Ultralytics YOLO#

Maintenant que nous comprenons mieux ce qu’est le suivi d’objets et son fonctionnement, explorons quelques applications concrètes où cette technologie a un impact.

Suivi en temps réel avec Ultralytics YOLO pour estimer la vitesse#

Les systèmes d’estimation de la vitesse rendus possibles par la vision par ordinateur reposent sur des tâches comme 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 à de nombreuses applications, de la gestion du trafic à la surveillance de la sécurité en passant par l’automatisation industrielle.

Avec un modèle comme Ultralytics YOLO11, les objets peuvent être détectés et suivis d’une image vidéo à l’autre. En analysant la distance parcourue par un objet pendant une période donnée, le système peut estimer sa vitesse.

Fig. 3. Utilisation de la prise en charge du suivi d’objets par YOLO11 pour estimer la vitesse.

Exploration du suivi d’objets dans le secteur manufacturier#

Les processus de fabrication peuvent être rapides et très complexes, ce qui rend difficile le suivi manuel de chaque article produit. Le suivi d’objets offre une bonne solution pour automatiser la surveillance des produits à chaque étape de la production. Il peut aider les usines à maintenir un haut niveau de précision et d’efficacité sans ralentir les opérations.

Du comptage des produits sur un convoyeur à la détection des défauts ou à la vérification du bon assemblage, le suivi d’objets apporte de la visibilité et du contrôle à des tâches qui, autrement, prendraient du temps ou seraient sujettes aux erreurs. Cette technologie a un impact particulièrement important dans les secteurs à gros volumes comme la transformation alimentaire, l’électronique et l’emballage, où la rapidité et la précision sont essentielles.

Fig. 4. Exemple de suivi et de comptage de produits alimentaires sur une chaîne de montage avec Ultralytics YOLO11.

Présentation du suivi d’objets dans l’analyse du commerce de détail#

Chaque jour, d’innombrables clients entrent dans des magasins et en sortent, et comprendre leur comportement est essentiel pour améliorer à la fois l’expérience client et les performances commerciales. Le suivi d’objets permet aux commerçants de surveiller la fréquentation, de mesurer le temps passé sur place et d’analyser les schémas de déplacement, sans recourir à des méthodes intrusives ou manuelles.

En suivant les personnes lorsqu’elles entrent dans le magasin, en sortent et s’y déplacent, 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 guider les décisions concernant les effectifs, l’agencement du magasin et le placement des stocks, ce qui permet au final d’améliorer l’efficacité des opérations et d’augmenter les ventes.

Fig. 5. Utilisation des capacités de suivi d’objets d’Ultralytics YOLO11 pour surveiller les personnes qui entrent dans un magasin et en sortent.

Avantages et inconvénients du suivi d’objets#

Des magasins aux ateliers d’usine, le suivi d’objets est utilisé dans toutes sortes de secteurs pour améliorer des aspects comme l’efficacité, la sécurité et l’expérience globale. Voici quelques-uns des principaux avantages que le suivi d’objets peut apporter à différents secteurs :

• Permet des alertes en temps réel : Les systèmes intégrant le suivi d’objets peuvent être configurés pour déclencher automatiquement des alertes lorsqu’un événement inhabituel est détecté, comme une personne qui entre dans une zone interdite ou une livraison laissée trop longtemps au même endroit.
• Intégration à d’autres systèmes : Les données de suivi d’objets peuvent être combinées à d’autres technologies, comme la reconnaissance faciale, des caméras thermiques ou des systèmes de gestion des stocks, afin d’obtenir des informations plus riches.
• Rentable à long terme : Même si la mise en place initiale peut nécessiter un investissement, le suivi automatisé réduit le besoin de main-d’œuvre manuelle, diminue le taux d’erreur et fait baisser les coûts opérationnels au fil du temps.

Si ces avantages montrent l’impact positif du suivi d’objets dans différents cas d’usage, il est également important de tenir compte des difficultés liées à sa mise en œuvre. Examinons de plus près certaines limites du suivi d’objets :

• Difficultés dans les environnements encombrés : Dans les lieux très fréquentés comme les concerts, les centres commerciaux ou les rues des villes, les systèmes de suivi peuvent avoir du mal à distinguer les personnes ou les objets proches les uns des autres, ce qui entraîne des confusions ou des résultats imprécis.
• Sensible aux conditions environnementales : Un mauvais éclairage, le brouillard, les mouvements rapides ou les vibrations de la caméra peuvent nuire à la précision du suivi des objets, en particulier en extérieur ou dans des environnements non contrôlés.
• Enjeux liés à la confidentialité et au droit : Une mauvaise gestion des données personnelles, l’absence de consentement des utilisateurs ou la surveillance dans les espaces publics peuvent soulever des questions éthiques et entraîner un non-respect des lois sur la confidentialité.

Points clés à retenir#

Le suivi d’objets est une tâche de vision par ordinateur qui permet aux machines de suivre le déplacement d’objets au fil du temps. Il est utilisé dans de nombreux scénarios réels, qu’il s’agisse d’estimer la vitesse des véhicules, de compter les produits sur une chaîne de montage ou d’analyser les déplacements des joueurs dans le sport.

Grâce aux modèles d’IA visuelle comme Ultralytics YOLO11 et aux algorithmes de suivi tels que BoT-SORT et ByteTrack, le suivi d’objets est devenu plus rapide, plus intelligent et plus accessible dans différents secteurs. À mesure que la technologie évolue, elle rend les systèmes plus intelligents, efficaces et réactifs, une image à la fois.

Tu veux en savoir plus sur la vision par ordinateur et l’IA ? Découvre notre dépôt GitHub, rejoins notre communauté et consulte nos options de licence pour lancer ton projet de vision par ordinateur. Si tu explores des innovations comme l’IA dans l’industrie manufacturière et la vision par ordinateur dans l’industrie automobile, consulte nos pages consacrées aux solutions pour en savoir plus.