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

Des robots capables d’assembler des composants électriques, des systèmes qui détectent les voitures roulant à grande vitesse et des solutions intelligentes pour le commerce de détail qui suivent les habitudes d’achat des clients : toutes ces innovations reposent sur la vision par ordinateur. Il s’agit d’un domaine 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 différents composants 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 quand quelqu’un roule trop vite. Dans les magasins, l’IA visuelle peut aider à suivre ce que les clients regardent ou prennent, et même à surveiller les stocks.

Ces 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 se concentrent sur l’extraction d’informations à partir d’une seule image, mais une tâche particulièrement intéressante, le suivi d’objets, peut servir à suivre le déplacement d’objets à travers 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. C’est parti !

Coup d’œil sur les systèmes de suivi par vision par ordinateur#

Le suivi d’objets est une tâche de vision par ordinateur utilisée pour suivre le déplacement d’objets à travers des images vidéo, afin d’aider les systèmes à surveiller et à comprendre l’évolution des choses au fil du temps. Cela ressemble beaucoup à la manière dont les humains suivent naturellement des yeux une personne ou un objet en mouvement, par exemple lorsque tu regardes un match de tennis et que tes yeux suivent la balle pendant qu’elle se déplace d’un côté à l’autre du court.

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

Si ce type de suivi visuel peut sembler naturel aux humains, il implique, pour la vision machine, une série d’étapes basées sur des modèles d’IA visuelle. Voici une présentation simple du fonctionnement du suivi d’objets :

• Capturer la vidéo : les caméras enregistrent des séquences vidéo et capturent le déplacement des objets dans une scène au fil du temps.
• Détecter les objets : des modèles de vision par ordinateur alimentés par l’IA, comme YOLO11, peuvent analyser chaque image pour identifier et localiser des objets spécifiques, tels que des personnes, des véhicules ou des produits.
• Attribuer une identité : une fois qu’un objet est 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.
• Surveiller le déplacement : le système suit le déplacement au fil du temps, et ces données peuvent servir à recueillir des informations comme la vitesse, la direction et les interactions avec d’autres objets.
• Générer des informations : ces informations peuvent être utilisées en temps réel pour fournir des analyses, faciliter la prise de décision ou alimenter des incrustations visuelles, selon le cas d’utilisation.

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. Examinons la différence entre ces deux tâches.

La détection d’objets consiste à identifier et à localiser les objets d’intérêt dans une seule image ou une seule 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 : « Qu’y a-t-il dans cette image et où cela se trouve-t-il ? » En revanche, elle ne fournit aucune information sur la direction que prend ensuite l’objet.

Le suivi d’objets s’appuie sur la détection d’objets en y ajoutant une compréhension du déplacement au fil du temps. La différence essentielle entre les deux tient à leur gestion du temps et du mouvement. La détection d’objets traite chaque image comme un instantané indépendant, tandis que le suivi d’objets relie les images entre elles 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’effectuer 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 continuellement leurs déplacements à travers 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.

Bien que les modèles YOLO ne soient pas eux-mêmes des algorithmes de suivi, ils jouent un rôle essentiel en détectant les objets dans chaque image vidéo. Une fois les objets détectés, des algorithmes de suivi sont nécessaires pour leur attribuer des ID uniques, afin que le système puisse suivre leur déplacement d’une image à l’autre.

Pour répondre à ce besoin, le package Python Ultralytics intègre de manière transparente la détection d’objets à des algorithmes de suivi populaires comme BoT-SORT et ByteTrack. Cette intégration permet d’exécuter la détection et le suivi ensemble 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 exigences de ton application. Par exemple, BoT-SORT est une bonne option pour suivre des objets qui se déplacent de manière imprévisible, grâce à l’utilisation de la prédiction du mouvement et de l’apprentissage profond. ByteTrack, quant à lui, est particulièrement performant dans les scènes très fréquentées : il maintient un suivi fiable même lorsque les objets sont flous ou partiellement masqués.

Fig. 2 Le package Python Ultralytics intègre de manière transparente 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 ajuster un modèle de détection d’objets préentraîné, comme Ultralytics YOLO11, sur un jeu de données spécifique afin qu’il puisse reconnaître des objets qui ne figurent pas dans les jeux de données standard. Cela est particulièrement important lorsque ton système de suivi doit suivre des objets personnalisés ou inhabituels.

Les systèmes de suivi s’appuient d’abord sur le modèle de détection pour reconnaître 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 souhaites suivre.

Il est également important de garder à l’esprit que seul le modèle de détection est ajusté au cours de ce processus. Les algorithmes de suivi, comme BoT-SORT ou ByteTrack, ne sont pas entraînés de manière personnalisée : ils utilisent simplement la sortie du modèle YOLO pour suivre les objets détectés à travers les images.

Applications du suivi d’objets avec Ultralytics YOLO#

Maintenant que nous comprenons mieux ce qu’est le suivi d’objets et comment il fonctionne, découvrons quelques applications concrètes où cette technologie a un impact.

Suivi en temps réel avec Ultralytics YOLO pour l’estimation de 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 de déplacement d’un objet, 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.

Avec un modèle comme Ultralytics YOLO11, les objets peuvent être détectés et suivis à travers les images vidéo. 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 l’estimation de la vitesse.

Exploration du suivi d’objets dans l’industrie manufacturière#

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 mesure qu’ils franchissent chaque étape de la production. Il peut aider les usines à maintenir des niveaux élevés de précision et d’efficacité sans ralentir les opérations.

Du comptage des produits sur un tapis roulant à la détection des défauts ou à la vérification du bon assemblage, le suivi d’objets apporte visibilité et contrôle à des tâches qui seraient autrement chronophages ou sujettes aux erreurs. Cette technologie est particulièrement utile dans les secteurs à fort volume comme l’agroalimentaire, l’électronique et l’emballage, où la vitesse et la précision sont essentielles.

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

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

D’innombrables clients entrent chaque jour dans des magasins de détail et en sortent, et comprendre leur comportement est essentiel pour améliorer à la fois l’expérience client et les performances de l’entreprise. 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 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 orienter les décisions concernant les effectifs, l’agencement du magasin et l’emplacement des stocks, ce qui permet finalement 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 entrant dans un magasin et en sortant.

Avantages et inconvénients du suivi d’objets#

Des magasins de détail aux ateliers de fabrication, le suivi d’objets est utilisé dans toutes sortes de secteurs pour améliorer des facteurs 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, par exemple lorsqu’une personne entre dans une zone réglementée ou qu’une livraison reste trop longtemps au même endroit.
• S’intègre à d’autres systèmes : les données de suivi d’objets peuvent être combinées à d’autres technologies, comme la reconnaissance faciale, les caméras thermiques ou les systèmes de gestion des stocks, pour obtenir des informations encore plus pertinentes.
• Rentable à long terme : même si la configuration initiale peut nécessiter un investissement, le suivi automatisé réduit le besoin de main-d’œuvre, diminue le taux d’erreur et fait baisser les coûts opérationnels au fil du temps.

Bien que ces avantages montrent l’impact positif du suivi d’objets dans différents cas d’utilisation, il est également important de prendre en compte les difficultés liées à sa mise en œuvre. Examinons de plus près certaines limites du suivi d’objets :

• Difficultés dans les environnements bondés : dans des lieux très fréquentés comme les concerts, les centres commerciaux ou les rues des villes, les systèmes de suivi peuvent avoir du mal à distinguer des personnes ou des objets proches les uns des autres, ce qui peut entraîner des confusions ou des résultats imprécis.

• Sensibilité aux conditions environnementales : un mauvais éclairage, le brouillard, les mouvements rapides ou les tremblements de la caméra peuvent affecter la capacité du système à suivre les objets avec précision, en particulier à l’extérieur ou dans des environnements non contrôlés.

• Questions de confidentialité et problèmes juridiques : une mauvaise gestion des données personnelles, l’absence de consentement de l’utilisateur ou la surveillance dans les espaces publics peuvent soulever des questions éthiques et entraîner un non-respect des lois sur la protection de la vie privée.

Points clés à retenir#

Le suivi d’objets est une tâche de vision par ordinateur qui permet aux machines de suivre le déplacement des objets au fil du temps. Il est utilisé dans un large éventail de situations réelles, de l’estimation de la vitesse des véhicules et du comptage des produits sur une chaîne d’assemblage à l’analyse des mouvements des joueurs dans le sport.

Avec des modèles d’IA visuelle comme Ultralytics YOLO11 et des 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 de suivi d’objets évolue, elle aide les systèmes à devenir plus intelligents, plus efficaces et plus réactifs, image après image.

Tu veux en savoir plus sur la vision par ordinateur et l’IA ? Explore 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 le secteur automobile, consulte nos pages consacrées aux solutions pour en savoir plus.