Un guide sur le suivi des objets en mouvement dans les vidéos avec les modèlesYOLO d'Ultralytics

Regarde de plus près les systèmes de suivi de la vision par ordinateur

Le suivi d'objet est une tâche de vision par ordinateur utilisée pour suivre le mouvement des objets à travers les images vidéo, ce qui aide les systèmes à surveiller et à comprendre comment les choses changent au fil du temps. Cela ressemble beaucoup à la façon dont les humains peuvent naturellement suivre des yeux une personne ou un objet en mouvement, comme lorsque tu regardes un match de tennis et que tes yeux suivent la balle qui se déplace d'avant en arrière sur le court.

De la même manière, le suivi d'objet consiste à utiliser des caméras et l'IA pour suivre le mouvement du ballon en temps réel. Cette technologie peut permettre aux téléspectateurs à la maison de mieux comprendre le déroulement du jeu, notamment grâce à des analyses comme la vitesse, la trajectoire et le positionnement des joueurs.

Alors que ce type de suivi visuel peut sembler sans effort pour les humains, lorsqu'il s'agit de vision artificielle, il implique une série d'étapes alimentées par des modèles d'IA de vision. Voici une explication simple de la façon dont fonctionne le suivi des objets : 

• Capturer des vidéos: Les caméras enregistrent des séquences vidéo, capturant la façon dont les objets se déplacent dans une scène au fil du temps.
  ‍
• Détecter des objets: Les 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.
  ‍
• Attribution d'une identité: Une fois qu'un objet est détecté, les algorithmes de suivi lui attribuent un identifiant unique pour le suivre sur plusieurs images, ce qui permet au système de savoir qu'il s'agit du même objet même lorsqu'il se déplace.
  ‍
• Suivi des mouvements : Le système suit les mouvements au fil du temps, et ces données peuvent être utilisées pour collecter des données telles que 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, aider à la prise de décision ou alimenter des superpositions visuelles - selon le cas d'utilisation spécifique.

Comparaison de la détection et du suivi d'objets avec YOLO

Une autre tâche de vision par ordinateur prise en charge par 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 des objets d'intérêt dans une seule image ou une seule trame vidéo. Par exemple, une voiture auto-conduite utilise la détection d'objets pour reconnaître un panneau stop ou un piéton dans une seule image capturée par les 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 prochaine destination de l'objet.

Le suivi d'objet s'appuie sur la détection d'objet en y 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'objet traite chaque image comme un instantané indépendant, tandis que le suivi d'objet relie les points entre les images, 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 de vision 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 en permanence leur mouvement dans le cadre.

Suivi en temps réel à l'aide des modèlesYOLO d'Ultralytics

Maintenant que nous avons abordé la différence entre la détection et le suivi des objets, voyons comment les modèlesYOLO d'Ultralytics , comme YOLO11, prennent en charge le suivi des 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, 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 façon transparente la détection d'objets avec des algorithmes de suivi populaires comme BoT-SORT et ByteTrack. Cette intégration permet aux utilisateurs 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 façon 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, en maintenant un suivi fiable même lorsque les objets sont flous ou partiellement cachés.

‍

Quel est le lien entre la formation personnalisée au modèle YOLO et le suivi d'objets ?

L'entraînement personnalisé consiste à affiner un modèle de détection d'objets pré-entraîné, comme 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. C'est particulièrement important lorsque ton système de suivi doit suivre des objets personnalisés ou peu communs.

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 de machine ou une espèce sauvage spécifique, 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 tu veux suivre.

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 formés sur mesure - ils utilisent simplement les résultats 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'objet et comment il fonctionne, explorons quelques applications du monde réel où cette technologie a un impact.

Suivi en temps réel à l'aide d'Ultralytics YOLO pour l'estimation de la vitesse

Les systèmes d'estimation de la vitesse rendus possibles par la vision par ordinateur dépendent de tâches telles que 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 cruciales pour toute une série d'applications, de la gestion du trafic à la surveillance de la sécurité en passant par l'automatisation industrielle.

À l'aide d'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. 

‍

Explorer le suivi d'objets dans la fabrication

Les processus de fabrication peuvent être rapides et très complexes, ce qui rend difficile le suivi manuel de chaque article en cours de production. Le suivi des objets offre une bonne solution pour automatiser la surveillance 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 les choses.

Qu'il s'agisse de compter les produits sur un tapis roulant, de repérer les défauts ou de vérifier que l'assemblage est correct, le suivi d'objets apporte visibilité et contrôle à des tâches qui, autrement, prendraient du temps ou seraient sujettes à des erreurs. Cette technologie a un impact particulier dans les industries à fort volume comme l'agroalimentaire, l'électronique et l'emballage, où la vitesse et la précision sont essentielles.

‍

Un aperçu du suivi des objets dans l'analyse du commerce de détail

D'innombrables clients entrent et sortent des magasins de détail chaque jour, et il est essentiel de comprendre leur comportement pour améliorer à la fois l'expérience client et les performances de l'entreprise. Le suivi d'objets permet aux détaillants de surveiller le trafic piétonnier, de mesurer le temps d'attente et d'analyser les schémas de mouvement, 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 relatives au personnel, à l'agencement du magasin et à l'emplacement des stocks, ce qui se traduit en fin de compte par des opérations plus efficaces et une augmentation des ventes.

‍

Avantages et inconvénients du suivi des objets

Des magasins de détail aux ateliers d'usine, le suivi d'objets est utilisé dans toutes sortes 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 diverses industries :

• Permet de déclencher des alertes en temps réel : Les systèmes intégrés au suivi des objets peuvent être configurés pour déclencher automatiquement des alertes lorsque quelque chose d'inhabituel est détecté, comme l'entrée d'une personne dans une zone restreinte ou une livraison laissée trop longtemps au même endroit.
  ‍
• S'intègre à d'autres systèmes : Les données de suivi des objets peuvent être combinées avec d'autres technologies, comme la reconnaissance faciale, les caméras thermiques ou les systèmes d'inventaire, pour obtenir des informations encore plus puissantes.
  ‍
• Rentable à long terme : Bien que la mise en place initiale puisse nécessiter un investissement, le suivi automatisé réduit le besoin de travail manuel, diminue les taux d'erreur et réduit les coûts opérationnels au fil du temps.

Bien que ces avantages mettent en évidence l'impact positif du suivi d'objet sur différents cas d'utilisation, il est également important de prendre en compte les défis liés à sa mise en œuvre. Examinons de plus près certaines limites du suivi d'objet :

• Difficulté dans les environnements encombrés: Dans les environnements très fréquentés comme les concerts, les centres commerciaux ou les rues de la ville, les systèmes de suivi peuvent avoir du mal à distinguer les personnes ou les objets qui sont proches les uns des autres, ce qui entraîne une certaine confusion ou des résultats inexacts.

• Sensible aux conditions environnementales : Un mauvais éclairage, du brouillard, un mouvement rapide ou un tremblement de la caméra peuvent affecter la capacité du système à suivre les objets avec précision, en particulier dans les environnements extérieurs ou non contrôlés.

• Préoccupations en matière de protection de la vie privée et de droit : Le traitement inapproprié des données personnelles, l'absence de consentement de l'utilisateur ou la surveillance dans les espaces publics peuvent soulever des problèmes éthiques et entraîner le non-respect des lois sur la protection de la vie privée.

Principaux enseignements

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 grand nombre de scénarios du monde réel - de l'estimation de la vitesse d'un véhicule au comptage des produits sur une chaîne de montage, en passant par l'analyse des mouvements des joueurs dans les sports.

Grâce aux modèles Vision AI comme YOLO11 et aux 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.

Tu veux en savoir plus sur la vision par ordinateur et l'IA ? Explore notre dépôt GitHub, connecte-toi avec notre communauté et consulte nos options de licence pour démarrer ton projet de vision par ordinateur. Si tu explores des innovations comme l'IA dans la fabrication et la vision par ordinateur dans l' industrie automobile, visite nos pages de solutions pour en découvrir davantage.