La vision par ordinateur rend le suivi des mouvements plus fiable
Découvre comment l’IA et la vision par ordinateur rendent le suivi des mouvements plus intelligent, plus rapide et plus fiable dans le sport, la robotique, les applications mobiles et d’autres flux de travail concrets.
Lorsque tu regardes une pièce de théâtre et que ton acteur préféré traverse la scène, tes yeux peuvent le suivre avec très peu d’effort conscient. Pour les humains, ce type de suivi des mouvements semble naturel. Ton cerveau relie automatiquement ce que tu vois d’un instant à l’autre, comble les vides et maintient une impression de continuité à mesure que la scène évolue.
Pour les machines, la même tâche est bien plus complexe. Une caméra capture une vidéo sous la forme d’une séquence d’images individuelles, et un système doit identifier à plusieurs reprises le même objet, étape par étape, afin d’estimer où il s’est déplacé et de déterminer s’il s’agit toujours de celui qu’il faut suivre.
Ce défi est au cœur du suivi des mouvements. Le suivi des mouvements consiste à suivre un objet dans une vidéo au fil du temps et joue un rôle important dans des domaines tels que l’analyse sportive, la robotique et les applications mobiles.
Le suivi traditionnel des mouvements et des caméras repose souvent sur une configuration manuelle, des points de suivi et des images clés. Cette méthode peut fonctionner dans des scènes simples, mais elle devient rapidement lente et peu fiable lorsque les mouvements sont rapides ou partiellement masqués.
Fig. 1. Aperçu d’un système de suivi des mouvements (Source)
Les progrès récents de la vision par ordinateur facilitent considérablement cette tâche. La vision par ordinateur est une branche de l’IA qui aide les machines à comprendre les images et les vidéos, rendant le suivi des mouvements plus précis et moins dépendant du travail manuel. En détectant les objets dans chaque image et en conservant leur identité au fil du temps, ces systèmes suivent les mouvements de manière plus fiable dans des conditions réelles.
Dans cet article, nous allons voir comment la vision par ordinateur peut simplifier le suivi des mouvements. C’est parti !
Les méthodes traditionnelles de capture et de suivi des mouvements et leurs limites#
Le suivi traditionnel des mouvements nécessite souvent une configuration manuelle minutieuse, notamment dans les workflows de montage vidéo et d’effets visuels, où l’objectif est d’attacher des éléments graphiques, des effets ou des incrustations à des éléments en mouvement dans les séquences.
De nombreux workflows commencent par le placement de points de suivi sur des parties précises d’un plan, puis le logiciel les suit à travers les images pour cartographier la trajectoire du mouvement. Cette méthode est courante dans des outils comme After Effects, et des workflows similaires existent dans Premiere Pro grâce à des fonctionnalités telles que le suivi de masque, qui permet aux monteurs de suivre un masque ou une région au fil du temps.
Le match moving est une autre méthode courante. Il aide à aligner les éléments numériques sur les mouvements réels de la caméra afin que les effets ou les éléments graphiques restent en place dans un plan en prise de vues réelles. Ces approches peuvent bien fonctionner dans des scènes simples, mais elles rencontrent souvent des difficultés lorsque les séquences deviennent chargées ou que les objets se déplacent rapidement.
Le suivi peut également échouer lorsque l’éclairage change ou que les sujets sont partiellement masqués, ce qui peut entraîner une dérive ou des sauts soudains dans le suivi. Cela ralentit le workflow et oblige les monteurs à refaire certaines parties du plan. Lorsque les objets changent rapidement de direction, les anciens systèmes de suivi des mouvements peuvent avoir du mal à suivre, ce qui rend les résultats irréguliers et moins fiables.
Comment la vision par ordinateur transforme le suivi des mouvements#
Les systèmes de vision par ordinateur de pointe utilisent des modèles d’IA pour suivre les objets en mouvement dans une vidéo. Au lieu de dépendre de réglages manuels constants ou d’un suivi fragile image par image, le modèle apprend à quoi ressemble un objet et comment il a tendance à se déplacer. Cela permet au suivi des mouvements de rester stable même lorsque les scènes deviennent chargées, que l’éclairage change ou que des objets disparaissent brièvement.
Par exemple, les modèles de vision par ordinateur tels que Ultralytics YOLO11 et le prochain Ultralytics YOLO26 prennent en charge le suivi d’objets en détectant les objets dans chaque image. En termes simples, ils identifient ce qui se trouve dans l’image et où cela se situe en produisant des boîtes englobantes et des scores de confiance pour chaque objet détecté.
Fig. 2. Suivi de véhicules avec Ultralytics YOLO11 dans une zone (Source)
Fait intéressant, les modèles YOLO n’assurent pas eux-mêmes le suivi des objets au fil du temps. Le suivi est plutôt activé par le package Python Ultralytics, qui associe les détections YOLO à des algorithmes de suivi multiobjets tels que ByteTrack et BoT-SORT. Dans cette configuration, YOLO détecte les objets image par image, puis le système de suivi relie ces détections entre les images afin de conserver un ID cohérent pour chaque objet lorsqu’il se déplace.
Applications concrètes du suivi des mouvements propulsé par l’IA#
Examinons maintenant de plus près quelques applications concrètes dans lesquelles le suivi des mouvements propulsé par l’IA a un impact.
Analyse sportive et suivi précis des joueurs#
Lors d’un match de football, les joueurs accélèrent, s’arrêtent et changent constamment de direction, ce qui complique la mesure précise de leurs déplacements sur le terrain. Le suivi manuel atteint souvent ses limites dans ces situations, notamment lorsque les joueurs se chevauchent, se regroupent ou se déplacent dans des zones encombrées.
Le suivi des mouvements propulsé par l’IA aide en suivant chaque joueur pendant l’action et en conservant des trajectoires de déplacement claires et cohérentes. Par exemple, dans une étude récente, des chercheurs ont utilisé YOLO11 pour détecter les joueurs et le ballon depuis plusieurs angles de caméra. YOLO11 a identifié chaque joueur dans chaque image, tandis qu’un système de suivi a relié ces détections au fil du temps afin de préserver l’identité de chaque joueur pendant ses déplacements.
Fig. 3. Détection et suivi de plusieurs joueurs de football (Source)
Suivi des mouvements en réalité augmentée et en réalité virtuelle#
La réalité augmentée (AR) permet aux applications de placer des objets numériques dans le monde réel, par exemple une étiquette sur un produit, un personnage au sol ou une incrustation sur ton pied lorsque tu te déplaces. Pour que ces expériences paraissent crédibles, le contenu virtuel doit rester ancré au bon endroit lorsque tu marches, inclines ton téléphone ou déplaces toi-même l’objet.
La vision par ordinateur joue ici un rôle essentiel, car elle aide un appareil mobile à comprendre ce qu’il regarde et comment la caméra se déplace dans la scène. Autrement dit, elle permet le suivi 3D en estimant où se trouve un objet dans l’espace et son orientation, puis en actualisant cette position lorsque l’utilisateur se déplace.
Fig. 4. Exemple de suivi 3D dans une application de réalité augmentée (Source)
La réalité virtuelle (VR) repose sur des principes de suivi similaires, mais son objectif est différent. Au lieu d’ancrer du contenu numérique dans le monde réel, la VR se concentre sur le suivi de ta tête et de tes mains afin que le monde virtuel réagisse naturellement à tes mouvements.
Suivi des équipements en mouvement et automatisation des processus#
Les environnements industriels comportent souvent des équipements et des produits qui se déplacent à travers plusieurs étapes d’un workflow. Chaque étape dépend d’une synchronisation et d’une coordination précises. Le suivi manuel peut prendre du retard, car les éléments se déplacent à des vitesses différentes, se chevauchent ou changent rapidement de position.
Le suivi des mouvements propulsé par l’IA aide les systèmes de production à mieux visualiser chaque objet lorsqu’il se déplace le long de la ligne. Dans une étude intéressante, un réseau de caméras connectées a suivi des produits sur l’ensemble d’un cycle de production et mis à jour un jumeau numérique, c’est-à-dire une copie virtuelle du processus réel, en temps réel.
Le système a identifié chaque produit, suivi son déplacement et maintenu le modèle numérique aligné sur ce qui se passait dans l’atelier. Cette approche a amélioré la supervision et favorisé une exploitation plus sûre en fournissant aux opérateurs une vue fiable à chaque étape. Elle a également montré comment le suivi des mouvements peut permettre une automatisation évolutive et plus flexible lorsque des données de suivi cohérentes sont disponibles.
Avantages et inconvénients du suivi des mouvements propulsé par l’IA#
Voici quelques avantages du suivi des mouvements propulsé par l’IA :
- Meilleure récupération après occlusion : les systèmes de vision par IA peuvent souvent maintenir ou récupérer le suivi lorsque des objets se chevauchent ou disparaissent brièvement.
- Évolutivité: une fois déployés, les systèmes de suivi par IA peuvent traiter de longues séquences vidéo et plusieurs flux de caméras sans configuration répétée pour chaque plan.
- Données de mouvement plus riches : les résultats du suivi peuvent servir à mesurer les trajectoires, les décomptes, le temps d’arrêt et des estimations de vitesse de base à des fins d’analyse.
Le suivi propulsé par l’IA fonctionne bien dans de nombreux cas, mais il n’est pas prêt à l’emploi dans toutes les configurations. Voici quelques limites à prendre en compte :
- Maintenance continue : les performances peuvent évoluer au fil du temps lorsque les angles de caméra, les environnements ou les charges de travail changent. Des mises à jour périodiques sont donc souvent nécessaires.
- Complexité de l’intégration : la connexion de systèmes de suivi à des logiciels de montage vidéo, des outils d’analyse ou des systèmes d’automatisation existants peut nécessiter des adaptateurs, un étalonnage et des tests supplémentaires.
- Cas particuliers dans des conditions extrêmes : une faible luminosité, le flou de mouvement, une forte occlusion et des objets très petits peuvent encore provoquer des erreurs de suivi.
Points clés à retenir#
Les fonctionnalités de suivi des mouvements pilotées par l’IA deviennent rapidement le choix le plus pratique pour les vidéos du monde réel, où les mouvements sont rapides, les scènes encombrées et les corrections manuelles difficiles à généraliser. La vision par ordinateur progresse rapidement, ce qui rend les systèmes de suivi plus faciles à déployer et plus fiables dans des conditions difficiles. Ainsi, le suivi des mouvements devient plus utile dans la robotique, les applications mobiles, l’analyse et la création de contenu.
Rejoins notre communauté et découvre les dernières avancées en IA pour la vision sur notre dépôt GitHub. Consulte nos pages de solutions pour découvrir comment des applications telles que l’IA dans l’industrie manufacturière et la vision par ordinateur dans le secteur de la santé favorisent le progrès, et consulte nos options de licence pour alimenter ta prochaine solution d’IA.
