Un guide sur le suivi d'objets en mouvement dans les vidéos avec les modèles Ultralytics YOLO

Des robots capables d'assembler des composants électriques, des systèmes qui interceptent des voitures en excès de vitesse et des solutions de vente au détail intelligentes qui suivent les habitudes d'achat des clients : toutes ces innovations reposent sur la computer vision. 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 différentes pièces pour les assembler correctement. De même, un système de trafic peut utiliser la vision par ordinateur pour repérer les voitures, lire les plaques d'immatriculation et déterminer quand quelqu'un est en excès de vitesse. Parallèlement, en magasin, l'IA visuelle peut aider à suivre ce que les clients regardent ou prennent, et peut même surveiller les stocks.

De telles applications sont alimentées par des modèles de computer vision tels que Ultralytics YOLO11, qui prennent en charge un large éventail de tâches visuelles. Bon nombre de ces tâches se concentrent sur la collecte d'informations à partir d'une seule image, mais une tâche particulièrement intéressante, l'object tracking, peut être utilisée pour suivre le mouvement d'objets à travers une série d'images ou de trames vidéo.

Fig 1. Un exemple de détection et de suivi de voitures.

Dans ce guide, nous examinerons plus en détail comment fonctionne le suivi d'objets et explorerons des exemples concrets de son utilisation. Nous discuterons également de la façon dont les modèles d'IA visuelle comme Ultralytics YOLO11 prennent en charge le suivi d'objets. Commençons !

Un regard plus attentif sur les systèmes de suivi par vision par ordinateur#

L'object tracking est une tâche de computer vision utilisée pour suivre le mouvement d'objets à travers les trames vidéo, aidant ainsi les systèmes à surveiller et à comprendre l'évolution des éléments au fil du temps. C'est très similaire à la façon dont les humains peuvent naturellement suivre du regard une personne ou un objet en mouvement, comme lorsque tu regardes un match de tennis et que tes yeux suivent la balle lorsqu'elle va et vient sur le terrain.

De la même manière, le suivi d'objets implique l'utilisation de caméras et d'IA pour suivre le mouvement de la balle en temps réel. Cette technologie peut offrir aux spectateurs 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 sans effort pour les humains, lorsqu'il s'agit de vision artificielle, cela implique une série d'étapes alimentées par des modèles d'IA visuelle. Voici une ventilation simple du fonctionnement du suivi d'objets :

• Capture vidéo : Les caméras enregistrent des séquences vidéo, capturant comment les objets se déplacent dans une scène au fil du temps.
• Détection d'objets : Les modèles de computer vision alimentés par l'IA tels que YOLO11 peuvent analyser chaque trame pour identifier et localiser des objets spécifiques, tels que des personnes, des véhicules ou des produits.
• Assignation d'identité : Une fois qu'un objet est détecté, les algorithmes de suivi lui assignent un ID unique pour le suivre à travers plusieurs images, garantissant que le système sache qu'il s'agit du même objet même lorsqu'il se déplace.
• Surveillance des mouvements : Le système suit le mouvement au fil du temps, et ces données peuvent être utilisées pour collecter des informations telles que la vitesse, la direction et les interactions avec d'autres objets.
• Génération d'insights : 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 entre la détection et le 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 implique d'identifier et de localiser des objets d'intérêt au sein d'une seule image ou d'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 les caméras à bord. Elle répond à la question : « Qu'y a-t-il dans cette image et où se trouve-t-il ? » Cependant, elle ne fournit aucune information sur l'endroit où l'objet va ensuite.

Le suivi d'objets s'appuie sur la détection d'objets en ajoutant une compréhension du mouvement dans le temps. La différence clé entre les deux est la façon 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, en utilisant des données passées pour prédire la position future d'un objet.

En combinant les deux, nous pouvons créer des systèmes d'IA visuelle puissants capables d'un suivi en temps réel dans des environnements dynamiques. Par exemple, un système de sécurité automatisé peut détecter des personnes entrant dans un espace et suivre continuellement leur mouvement à travers la trame.

Suivi en temps réel utilisant les modèles Ultralytics YOLO#

Maintenant que nous avons couvert la différence entre la détection et le suivi d'objets, jetons un coup d'œil à la façon dont les modèles Ultralytics YOLO, comme YOLO11, prennent en charge le suivi d'objets en temps réel.

Bien que les modèles YOLO ne soient pas des algorithmes de suivi eux-mêmes, 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 assigner des ID uniques, permettant au système de suivre leurs mouvements d'image en image.

Pour répondre à ce besoin, le package Python d'Ultralytics intègre de manière transparente l'object detection 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 un minimum de configuration.

Lors de l'utilisation 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 son utilisation de la prédiction de mouvement et de l'apprentissage profond. ByteTrack, quant à lui, est particulièrement performant dans les scènes bondées, maintenant un suivi fiable même lorsque les objets sont flous ou partiellement cachés.

Fig 2. Le package Python d'Ultralytics intègre de manière transparente BoT-SORT et ByteTrack.

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

Custom training est le processus d'affinage d'un modèle de détection d'objets pré-entraîné, comme Ultralytics YOLO11, sur un jeu de données spécifique afin qu'il puisse reconnaître des objets qui ne sont pas inclus dans les jeux de données standards. C'est particulièrement important lorsque ton système de suivi doit suivre des objets personnalisés ou peu communs.

Les systèmes de suivi dépendent du modèle de détection pour d'abord reconnaître l'objet. Si un modèle YOLO ne peut pas détecter un élément particulier, tel qu'un type spécifique de machinerie ou une espèce animale 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 réglé finement au cours de ce processus. Les algorithmes de suivi, tels que BoT-SORT ou ByteTrack, ne sont pas entraînés sur mesure - 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 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.

Suivi en temps réel utilisant Ultralytics YOLO pour l'estimation de la vitesse#

Les systèmes d'estimation de la vitesse activés par la computer vision dépendent de tâches telles que l'object detection et l'object tracking. Ces systèmes sont conçus pour calculer la vitesse à laquelle se déplace un objet — qu'il s'agisse d'un véhicule, d'un cycliste ou même d'une personne. Ces informations sont cruciales pour une variété d'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 à travers des images vidéo. En analysant la distance parcourue par un objet sur une période de temps donnée, le système peut estimer sa vitesse.

Fig 3. Utilisation de la prise en charge de l'object tracking par YOLO11 pour l'estimation de la vitesse.

Exploration du 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 produit. Le suivi d'objets offre une bonne solution pour automatiser la surveillance des produits à mesure qu'ils avancent dans chaque étape de la production. Cela peut aider les usines à maintenir des niveaux élevés de précision et d'efficacité sans ralentir les choses.

Qu'il s'agisse de compter des produits sur un tapis roulant, de repérer des défauts ou de vérifier un assemblage correct, l'object tracking apporte de la visibilité et du contrôle à des tâches qui seraient autrement longues ou sujettes aux erreurs. Cette technologie a un impact particulièrement fort dans les secteurs à haut volume tels que l'agroalimentaire, l'électronique et l'emballage, où la vitesse et la précision sont essentielles.

Fig 4. Un exemple de suivi et de comptage de produits alimentaires sur une chaîne de montage à l'aide d'Ultralytics YOLO11.

Un aperçu du suivi d'objets dans l'analyse de vente au détail#

D'innombrables clients entrent et sortent des magasins de détail chaque jour, et comprendre leur comportement est essentiel pour améliorer à la fois l'expérience client et les performances commerciales. L'object tracking permet aux détaillants de surveiller le trafic piétonnier, de mesurer le temps de séjour et d'analyser les schémas de mouvement, le tout sans avoir besoin de 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 les longueurs de file d'attente. Ces informations peuvent éclairer les décisions concernant la dotation en personnel, l'agencement du magasin et le placement des stocks, conduisant finalement à des opérations plus efficaces et à une augmentation des ventes.

Fig 5. Utilisation des capacités de suivi d'objets d'Ultralytics YOLO11 pour surveiller les personnes entrant et sortant d'un magasin.

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

Bien que ces avantages soulignent comment le suivi d'objets impacte positivement différents cas d'utilisation, il est également important de considérer les défis liés à sa mise en œuvre. Examinons de plus près certaines limites du suivi d'objets :

• Difficulté dans les environnements encombrés : Dans les contextes animés tels que 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 proches les uns des autres, ce qui entraîne de la confusion ou des résultats imprécis.

• Sensible 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, surtout dans des environnements extérieurs ou non contrôlés.

• Problèmes de confidentialité et juridiques : Une manipulation inappropriée des données personnelles, l'absence de consentement des utilisateurs ou la surveillance dans les espaces publics peuvent soulever des problèmes éthiques et entraîner le non-respect des lois sur la confidentialité.

Points clés#

Le suivi d'objets est une tâche de vision par ordinateur qui permet aux machines de suivre le mouvement d'objets au fil du temps. Il est utilisé dans un large éventail de scénarios réels - 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 les sports.

Avec des modèles de Vision AI 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 différentes industries. À mesure que la technologie de suivi d'objets évolue, elle aide les systèmes à devenir plus intelligents, efficaces et réactifs, une image à la fois.

Tu souhaites en savoir plus sur la computer vision et l'IA ? Explore notre GitHub repository, connecte-toi avec our community et consulte our licensing options pour donner un coup d'accélérateur à ton projet de computer vision. Si tu explores des innovations telles que l'AI in manufacturing et la computer vision in the automotive industrie, visite nos pages de solutions pour en découvrir davantage.