Améliorer la ré-identification des véhicules avec les modèles Ultralytics YOLO

Lorsque tu regardes une course de Formule 1, il est facile de repérer la voiture de ton écurie préférée. Le rouge vif de Ferrari ou l’argenté de Mercedes se démarque tour après tour.

Demander à une machine de faire la même chose, non pas sur un circuit propre, mais dans des rues urbaines encombrées et pleines de circulation, est bien plus difficile. C’est pourquoi la réidentification des véhicules (vehicle re-ID) attire récemment de plus en plus l’attention dans le domaine de l’IA.

La réidentification des véhicules permet aux machines de reconnaître un même véhicule à travers des caméras offrant plusieurs vues ou des vues non superposées. Elle vise également à identifier les véhicules après une occlusion temporaire (lorsqu’un véhicule est partiellement masqué) ou des changements d’éclairage et de point de vue.

Une technologie essentielle à la réidentification des véhicules est la vision par ordinateur. La vision par ordinateur est un sous-domaine de l’intelligence artificielle qui consiste à apprendre aux machines à comprendre et à interpréter des informations visuelles, telles que des images et des vidéos. Grâce à cette technologie, les systèmes d’IA peuvent analyser les caractéristiques des véhicules et les suivre de manière fiable sur de vastes réseaux de caméras, pour des applications comme la surveillance urbaine et le suivi du trafic.

En particulier, les modèles de Vision AI tels qu’Ultralytics YOLO11 et le prochain Ultralytics YOLO26 prennent en charge des tâches comme la détection et le suivi d’objets. Ils peuvent localiser rapidement les véhicules dans chaque image et suivre leur déplacement dans une scène. Lorsque ces modèles sont associés à des réseaux de réidentification des véhicules, le système combiné peut reconnaître un même véhicule dans différents flux de caméras, même lorsque les points de vue ou les conditions d’éclairage changent.

Fig. 1. Exemple d’utilisation de YOLO11 pour le suivi des véhicules et l’estimation de la vitesse (Source)

Dans cet article, nous examinons le fonctionnement de la réidentification des véhicules, la technologie qui la rend possible et ses utilisations dans les systèmes de transport intelligents. Commençons !

Qu’est-ce que la réidentification des véhicules ?#

La réidentification des véhicules est une application de la vision par ordinateur importante. Elle consiste à reconnaître un même véhicule lorsqu’il apparaît sur différentes caméras non superposées, tout en préservant son identité lorsqu’il se déplace dans une ville. Cette tâche est difficile, car chaque caméra peut filmer le véhicule sous un angle différent, avec un éclairage différent ou avec une occlusion partielle.

Imagine un scénario dans lequel une berline bleue traverse une intersection, puis apparaît plus tard dans une autre rue, filmée par une autre caméra. L’angle, l’éclairage et l’arrière-plan ont tous changé, et d’autres voitures peuvent brièvement bloquer la vue. Malgré cela, le système de réidentification doit toujours déterminer qu’il s’agit du même véhicule.

Les avancées récentes de l’apprentissage profond, notamment avec les réseaux neuronaux convolutifs (CNNs) et les modèles fondés sur les Transformer, ont rendu ce processus bien plus précis. Ces modèles peuvent extraire des motifs visuels pertinents et distinguer des véhicules ressemblants tout en identifiant le bon véhicule.

Dans les systèmes de transport intelligents, cette capacité permet une surveillance continue, la reconstitution des itinéraires et l’analyse du trafic à l’échelle d’une ville, offrant aux systèmes de ville intelligente une vision plus claire des déplacements des véhicules. Elle contribue à améliorer la sécurité et l’efficacité.

Comprendre le fonctionnement de la réidentification des véhicules#

Généralement, les séquences vidéo provenant d’intersections, de parkings et d’autoroutes sont analysées à l’aide de techniques de réidentification des véhicules afin de déterminer si un même véhicule apparaît sur différentes caméras. Ce concept ressemble à la réidentification des personnes, où les systèmes suivent des individus à travers plusieurs vues, mais l’objectif est ici d’analyser les caractéristiques propres aux véhicules plutôt que l’apparence humaine.

Ce processus comporte plusieurs étapes clés, chacune visant à aider le système à détecter les véhicules, à extraire leurs caractéristiques visuelles et à les mettre en correspondance de manière fiable depuis différents points de vue.

À un niveau général, le système détecte d’abord les véhicules dans chaque image, puis extrait des caractéristiques telles que la couleur, la forme et la texture afin de créer pour chacun une représentation numérique unique, ou embedding. Ces embeddings sont comparés au fil du temps et entre les caméras, souvent avec l’aide du suivi d’objets et de vérifications spatio-temporelles, pour déterminer si deux observations concernent le même véhicule.

Fig. 2. Fonctionnement de la réidentification des véhicules. (Source)

Examinons ce processus plus en détail :

• Détection d’objets : Le système identifie et localise d’abord les véhicules dans chaque image vidéo afin de savoir exactement quelles régions traiter. Cette étape est généralement assurée par des modèles de détection d’objets.
• Extraction de caractéristiques : Après la détection, un réseau dédié à la Re-ID ou à l’extraction de caractéristiques analyse chaque recadrage de véhicule et génère des cartes ou des représentations de caractéristiques qui capturent des détails visuels tels que la couleur, la forme, la texture et les éléments distinctifs.
• Génération d’embeddings : Ces caractéristiques extraites sont transformées en une représentation numérique appelée embedding de caractéristiques. Cet embedding agit comme une empreinte numérique qui capture l’apparence du véhicule sous différents angles. Avant la mise en correspondance, ces embeddings sont généralement normalisés afin que les différences dues à l’éclairage, au contraste ou aux réglages de la caméra n’interfèrent pas avec la comparaison des identités. La normalisation garantit que le système se concentre sur les caractéristiques pertinentes liées à l’identité plutôt que sur le bruit.
• Suivi d’objets : Dans une même vue de caméra, les algorithmes de suivi relient les détections entre les images, ce qui aide à conserver une identité cohérente lorsque le véhicule se déplace dans la scène.
• Mise en correspondance entre caméras : Pour faire correspondre un même véhicule entre différentes caméras, le système compare les embeddings (générés par le réseau de Re-ID), ainsi que les informations temporelles et de localisation. Cette étape détermine si deux observations concernent le même véhicule, même lorsque les caméras ne se chevauchent pas.

Comment les modèles YOLO d’Ultralytics peuvent contribuer à la réidentification des véhicules#

Les modèles YOLO d’Ultralytics jouent un rôle de soutien important dans les pipelines de réidentification des véhicules. Bien qu’ils n’effectuent pas eux-mêmes la Re-ID, ils fournissent d’autres fonctionnalités essentielles, comme une détection rapide et un suivi stable, dont les réseaux de Re-ID dépendent pour réaliser des mises en correspondance précises entre caméras.

Examinons ensuite plus précisément comment les modèles YOLO d’Ultralytics, comme YOLO11, peuvent améliorer les systèmes de réidentification des véhicules.

Un module précis de détection des véhicules : la première composante des systèmes de Re-ID#

La base de tout système de réidentification des véhicules est une détection précise des objets. Les modèles YOLO d’Ultralytics, comme YOLO11, constituent une excellente option pour cela, car ils peuvent détecter rapidement les véhicules dans chaque image, même dans des scènes chargées avec des occlusions partielles, un trafic dense ou des conditions d’éclairage changeantes.

Ils peuvent également être entraînés sur mesure : tu peux donc affiner le modèle sur ton propre jeu de données afin qu’il apprenne à reconnaître des types de véhicules spécifiques, comme des taxis, des camionnettes de livraison ou des véhicules de flotte. Cela est particulièrement utile lorsqu’une solution nécessite une détection plus spécialisée. En fournissant des bounding boxes propres et précises, les modèles YOLO d’Ultralytics donnent aux réseaux de Re-ID des entrées de haute qualité, ce qui permet des mises en correspondance plus fiables entre les caméras.

Contribuer à un suivi fiable avec une seule caméra#

Une fois les véhicules détectés, des modèles comme Ultralytics YOLO11 peuvent également contribuer à un suivi stable des objets dans une même vue de caméra. Le suivi d’objets consiste à suivre un véhicule détecté au fil d’images consécutives et à lui attribuer un ID cohérent pendant son déplacement.

Grâce à la prise en charge intégrée d’algorithmes de suivi tels que ByteTrack et BoT-SORT dans le package Python d’Ultralytics, YOLO11 peut conserver des ID cohérents lorsque les véhicules se déplacent dans une scène. Ce suivi stable réduit les changements d’identité avant la prise en charge par le système de Re-ID, ce qui améliore finalement la précision des mises en correspondance entre caméras.

Re-ID facultative au niveau du tracker pour une meilleure stabilité des identités#

En plus du suivi standard fondé sur le mouvement, le package Python d’Ultralytics inclut des fonctionnalités de Re-ID optionnelles fondées sur l’apparence dans son tracker BoT-SORT. Cela signifie que le tracker peut utiliser des caractéristiques visuelles d’apparence, et pas seulement des schémas de mouvement ou le chevauchement des bounding boxes, pour déterminer si deux détections concernent le même véhicule.

Lorsqu’elle est activée, BoT-SORT extrait des embeddings d’apparence légers depuis le détecteur ou depuis un modèle de classification Ultralytics YOLO11 et les utilise pour vérifier l’identité entre les images. Cet indice d’apparence supplémentaire aide le tracker à conserver des ID plus stables dans des situations difficiles, comme les brèves occlusions, les véhicules qui passent à proximité les uns des autres ou les petits décalages dus au mouvement de la caméra.

Bien que cette Re-ID intégrée ne soit pas destinée à remplacer la réidentification complète des véhicules entre caméras, elle améliore la cohérence de l’identité dans une même vue de caméra et produit des tracklets plus propres sur lesquels les modules de Re-ID en aval peuvent s’appuyer. Pour utiliser ces fonctionnalités de suivi fondées sur l’apparence, il te suffit d’activer la Re-ID dans un fichier de configuration de tracker BoT-SORT en définissant “with_reid” sur “True” et en sélectionnant le modèle qui fournira les caractéristiques d’apparence.

Pour plus de détails, tu peux consulter la page de documentation d’Ultralytics sur le suivi d’objets, qui explique les options de Re-ID disponibles et leur configuration.

Fournir des entrées de haute qualité aux réseaux de Re-ID#

Au-delà de l’amélioration de la stabilité des identités pendant le suivi, les modèles YOLO jouent également un rôle important dans la préparation d’entrées visuelles propres pour le réseau de Re-ID lui-même.

Après la détection d’un véhicule, sa bounding box est généralement recadrée puis envoyée à un réseau de réidentification, qui extrait les caractéristiques visuelles nécessaires à la mise en correspondance. Comme les modèles de Re-ID dépendent fortement de ces images recadrées, des entrées de mauvaise qualité, telles que des recadrages flous, mal alignés ou incomplets, peuvent produire des embeddings moins pertinents et des mises en correspondance moins fiables entre caméras.

Les modèles YOLO d’Ultralytics contribuent à réduire ces problèmes en produisant systématiquement des bounding boxes propres et bien alignées, qui capturent entièrement le véhicule d’intérêt. Avec des recadrages plus clairs et plus précis, le réseau de Re-ID peut se concentrer sur des détails pertinents comme la couleur, la forme, la texture et d’autres caractéristiques distinctives. Des entrées de haute qualité permettent d’obtenir des performances de Re-ID plus fiables et plus précises d’une vue de caméra à l’autre.

Permettre la mise en correspondance entre caméras lorsqu’un modèle de Re-ID est utilisé#

Bien que les modèles YOLO d’Ultralytics n’effectuent pas eux-mêmes la réidentification, ils fournissent les informations essentielles dont un réseau de Re-ID a besoin pour comparer des véhicules entre différentes vues de caméra. Des modèles comme YOLO11 peuvent se charger de localiser et de suivre les véhicules dans chaque caméra, tandis que le modèle de Re-ID détermine si deux recadrages de véhicules provenant de lieux différents correspondent à la même identité.

Lorsque ces composants fonctionnent ensemble — YOLO pour la détection et le suivi, et un modèle d’embedding dédié pour l’extraction des caractéristiques — ils forment un pipeline complet de mise en correspondance de véhicules entre plusieurs caméras. Il devient ainsi possible d’associer un même véhicule lorsqu’il se déplace dans un réseau de caméras plus vaste.

Par exemple, dans une étude récente, des chercheurs ont utilisé un modèle Ultralytics YOLO11 léger comme détecteur de véhicules dans un système de suivi en ligne avec plusieurs caméras. L’étude a montré que l’utilisation de YOLO11 permettait de réduire le temps de détection sans sacrifier la précision, améliorant ainsi les performances globales du suivi en aval et de la mise en correspondance entre caméras.

Fig. 3. Suivi et réidentification de plusieurs véhicules entre plusieurs caméras à l’aide d’Ultralytics YOLO11. (Source)

Architectures d’apprentissage profond pour la Re-ID des véhicules#

Maintenant que nous comprenons mieux comment les modèles YOLO d’Ultralytics peuvent contribuer à la réidentification des véhicules, examinons plus précisément les modèles d’apprentissage profond qui prennent en charge les étapes d’extraction des caractéristiques et de mise en correspondance. Ces modèles apprennent l’apparence des véhicules, créent des embeddings robustes et distinguent les véhicules visuellement similaires selon les différentes vues de caméra.

Voici quelques exemples de composants d’apprentissage profond essentiels utilisés dans les systèmes de réidentification d’objets :

• Extraction de caractéristiques avec des CNNs : Les réseaux neuronaux convolutifs tels que ResNet50 ou ResNet101 apprennent des caractéristiques profondes grâce à la reconnaissance de motifs, en identifiant des éléments comme la couleur, la forme et la texture qui différencient un véhicule d’un autre. Ces motifs appris sont ensuite convertis en embeddings qui servent de représentation numérique unique du véhicule.

• Mécanismes d’attention et Transformer : Les réseaux et couches d’attention, notamment l’attention spatiale, peuvent aider à mettre en évidence des régions importantes d’un véhicule, comme les phares, les vitres ou les zones de plaque d’immatriculation. L’attention spatiale concentre le modèle sur l’emplacement des indices visuels les plus informatifs, tandis que les modèles fondés sur les Transformer, comme les Transformers de vision (ViT), capturent les relations globales dans l’ensemble de l’image. Ensemble, ils améliorent la précision fine lorsque les véhicules se ressemblent beaucoup.

• Réseaux fondés sur les parties et réseaux multibranches : Certains modèles de Re-ID analysent séparément des régions précises du véhicule, comme le toit, les feux arrière ou les panneaux latéraux, puis combinent les résultats. Le système reste ainsi robuste même lorsque les véhicules sont partiellement masqués ou observés sous des angles difficiles.

En plus de ces composants architecturaux, l’apprentissage métrique joue un rôle essentiel dans l’entraînement des modèles de Re-ID des véhicules. Des fonctions de perte telles que la perte triplet, la perte contrastive et la perte d’entropie croisée aident le système à apprendre des embeddings solides et discriminants en rapprochant les images d’un même véhicule et en éloignant celles de véhicules différents.

Jeux de données et benchmarks populaires pour la réidentification des véhicules#

Dans la recherche en vision par ordinateur, la qualité d’un jeu de données a un impact majeur sur les performances d’un modèle une fois déployé. Un jeu de données fournit les images ou vidéos annotées à partir desquelles un modèle apprend.

Pour la réidentification des véhicules, ces jeux de données de pointe doivent capturer des conditions variées, comme les changements d’éclairage, de point de vue et les variations météorologiques. Cette diversité aide les modèles à gérer la complexité des environnements de transport réels.

Voici un aperçu de jeux de données populaires qui contribuent à l’entraînement, à l’optimisation et à l’évaluation des modèles de réidentification des véhicules :

• Jeu de données VeRi-776 : Il s’agit d’une collection de plus de 50 000 images annotées de véhicules capturées par 20 caméras urbaines. Les annotations comprennent l’ID du véhicule, sa couleur, son modèle et les régions des plaques d’immatriculation, ce qui permet un apprentissage détaillé des caractéristiques.
• Jeu de données VehicleID : Ce jeu de données à grande échelle contient plus de 200 000 images représentant plus de 26 000 véhicules. Il est souvent choisi pour étudier la mise à l’échelle et effectuer des comparaisons de référence entre différentes méthodes.
• Jeu de données VeRi-Wild : Il est conçu pour refléter la variabilité du monde réel, notamment les différences de point de vue, les conditions météorologiques et les occlusions partielles. Il est couramment utilisé pour évaluer la robustesse et la généralisation des modèles.

Fig. 4. Exemple de véhicules dans le jeu de données VeRi-776. (Source)

Les performances des modèles sur ces jeux de données sont généralement évaluées à l’aide de métriques telles que la précision moyenne moyenne (mAP) et la précision Rank-1 ou Rank-5. La mAP mesure la précision avec laquelle le modèle récupère toutes les correspondances pertinentes pour un véhicule donné, tandis que les scores Rank-1 et Rank-5 indiquent si la bonne correspondance apparaît en tête de la liste des résultats ou parmi les premières prédictions.

Ensemble, ces benchmarks offrent aux chercheurs un moyen cohérent de comparer différentes approches et jouent un rôle important dans le développement de systèmes de réidentification des véhicules plus précis et plus fiables pour une utilisation dans le monde réel.

Applications de la réidentification des véhicules#

Maintenant que nous avons abordé les fondamentaux, parcourons quelques cas d’usage réels dans lesquels la réidentification des véhicules contribue aux workflows pratiques du transport, de la mobilité et de la surveillance.

Surveillance et suivi du trafic urbain#

Les routes urbaines très fréquentées sont constamment animées, et les caméras de circulation ont souvent du mal à suivre un même véhicule lorsqu’il se déplace entre différentes zones. Les changements d’éclairage, les scènes encombrées et les véhicules qui se ressemblent presque à l’identique peuvent entraîner une perte d’identité entre les caméras.

La réidentification des véhicules répond à ce problème en détectant clairement les véhicules, en extrayant leurs caractéristiques distinctives et en conservant des ID cohérents, même dans des séquences basse résolution ou très chargées. Il en résulte un suivi plus fluide et continu sur l’ensemble du réseau, offrant aux équipes chargées du trafic une vision plus claire des déplacements des véhicules dans la ville et permettant de réagir plus rapidement et plus efficacement aux embouteillages et aux incidents.

Systèmes de stationnement intelligent#

Les parkings intelligents s’appuient sur une identification cohérente des véhicules pour gérer les entrées, les sorties, le contrôle d’accès et l’attribution des places. Cependant, les caméras de ces environnements capturent souvent les véhicules sous des angles inhabituels et dans des conditions d’éclairage difficiles, comme dans les parkings souterrains, les zones ombragées ou les parkings extérieurs au crépuscule.

Ces conditions rendent plus difficile la confirmation qu’il s’agit bien du même véhicule lorsqu’il est observé dans différentes zones. Lorsque les identités sont incohérentes, les enregistrements de stationnement peuvent être interrompus, le contrôle d’accès devient moins fiable et les conducteurs peuvent subir des retards. C’est pourquoi de nombreux systèmes de stationnement intelligent intègrent des modèles de réidentification des véhicules afin de maintenir une identité stable pour chaque véhicule lorsqu’il se déplace dans le parking.

Fig. 5. Exemple de réidentification d’un véhicule montrant à gauche l’image du véhicule sélectionné et à droite les résultats de recherche correspondants. (Source)

Forces de l’ordre et criminalistique#

En complément de la surveillance du trafic, la réidentification des véhicules joue également un rôle important dans les forces de l’ordre et les enquêtes criminalistiques. Dans de nombreux cas, les agents doivent suivre un véhicule à travers plusieurs caméras, mais les plaques d’immatriculation peuvent être illisibles, absentes ou délibérément masquées.

Les scènes encombrées, la faible visibilité et les occlusions partielles peuvent rendre différents véhicules trompeusement similaires, ce qui rend l’identification manuelle lente et peu fiable. La réidentification des véhicules peut servir à retracer les déplacements d’un véhicule sur des réseaux de caméras non superposées en analysant ses caractéristiques visuelles plutôt qu’en dépendant uniquement des plaques d’immatriculation.

Les enquêteurs peuvent ainsi suivre plus facilement les déplacements d’un véhicule, comprendre quand il est apparu dans différents lieux et confirmer son itinéraire avant et après un incident. La re-ID des véhicules alimentée par l’IA prend également en charge des tâches comme le suivi de véhicules suspects, l’examen de séquences d’incident ou la détermination de la direction prise par un véhicule avant ou après un événement.

Fig. 6. Véhicules mis en correspondance entre différentes caméras avec des perspectives variées. (Source)

Suivi des flottes et de la logistique#

Les opérations de flotte et de logistique s’appuient souvent sur le GPS, des balises RFID et des journaux manuels pour suivre les déplacements des véhicules, mais ces outils présentent des lacunes dans les zones couvertes par des caméras de sécurité ou de parc, comme les quais de chargement, les cours d’entrepôt et les réseaux routiers internes.

Les véhicules passent fréquemment entre des caméras qui ne se chevauchent pas, disparaissent derrière des structures ou ressemblent presque à d’autres véhicules de la flotte, ce qui complique la confirmation qu’un même véhicule a été observé à différents endroits. Les systèmes de réidentification des véhicules peuvent contribuer à combler ces lacunes en analysant les détails visuels et les informations temporelles afin de maintenir une identité cohérente pour chaque véhicule lorsqu’il se déplace dans le site.

Les gestionnaires de flotte disposent ainsi d’une vision plus complète de l’activité au sein de leurs plateformes, ce qui facilite notamment la vérification des itinéraires de livraison, l’identification des déplacements inhabituels et le contrôle du respect des itinéraires prévus par les véhicules.

Avantages et inconvénients des tâches de re-ID des véhicules#

Voici quelques-uns des principaux avantages de l’utilisation de la réidentification des véhicules assistée par l’IA :

• Réduction de la charge de travail manuelle : La re-ID des véhicules automatise les tâches de mise en correspondance des identités qui nécessiteraient autrement un examen manuel approfondi, réduisant considérablement le temps et les efforts nécessaires à l’analyse des séquences vidéo.
• Automatisation et informations en temps réel : En combinant détection, suivi et mise en correspondance des caractéristiques, la re-ID des véhicules permet une surveillance automatisée continue et peut fournir des alertes en temps réel pour accélérer la réponse aux incidents.
• Évolutivité et adaptabilité : Les modèles de Re-ID peuvent s’adapter à de nouveaux environnements, à différentes conditions d’éclairage ou à de nouveaux angles de caméra grâce à un apprentissage robuste des caractéristiques, à l’extraction de caractéristiques mult échelle et à des représentations invariantes qui restent stables malgré les changements visuels. Ces capacités les rendent adaptés aussi bien aux vastes réseaux urbains qu’aux déploiements plus restreints.

Bien que la réidentification des véhicules offre de nombreux avantages, elle présente également certaines limites à prendre en compte. Voici quelques facteurs qui affectent sa fiabilité dans les environnements réels :

• Forte demande en calcul : L’extraction des caractéristiques, la génération d’embeddings et la mise en correspondance entre caméras nécessitent une puissance de traitement importante, en particulier lors de la surveillance de vastes réseaux de caméras.
• Variabilité environnementale : Des facteurs tels que l’éclairage nocturne, les changements météorologiques, les ombres et les occlusions peuvent dégrader la capacité du modèle à maintenir des identités cohérentes d’une scène à l’autre.
• Limites des jeux de données et du domaine : Les modèles entraînés sur des jeux de données limités ou idéalisés peuvent mal se généraliser aux conditions réelles sans nouvel affinement ou adaptation au domaine.

L’avenir des méthodes de réidentification des véhicules#

La réidentification des véhicules continue de progresser à mesure que la technologie évolue. Les publications récentes de l’IEEE, de la CVPR et d’arXiv, ainsi que les présentations lors de conférences internationales, mettent en évidence une évolution nette vers des modèles plus riches qui combinent plusieurs sources de données et un raisonnement plus avancé sur les caractéristiques. Les travaux futurs dans ce domaine se concentreront probablement sur la création de systèmes plus robustes et plus efficaces, capables de gérer la variabilité du monde réel à grande échelle.

Par exemple, une piste prometteuse consiste à utiliser des modèles fondés sur les Transformer et des réseaux d’agrégation de graphes. Les Transformer peuvent analyser une image entière et comprendre comment tous les détails visuels s’articulent, ce qui aide le système à reconnaître un même véhicule même lorsque l’angle ou l’éclairage change.

Les modèles basés sur des graphes vont plus loin en traitant les différentes parties d’un véhicule ou les vues des caméras comme des points connectés au sein d’un réseau. Cela permet au système de comprendre la corrélation entre ces points clés et de prendre de meilleures décisions concernant l’identité des véhicules et les caractéristiques discriminantes.

Une autre avancée majeure est la fusion de données multimodales et la fusion de caractéristiques. Au lieu de s’appuyer uniquement sur les images, les systèmes récents combinent les informations visuelles avec d’autres signaux multimédias, comme les données GPS ou les schémas de mouvement provenant de capteurs. Ce contexte supplémentaire permet au système de rester précis lorsque des véhicules sont partiellement masqués, lorsque l’éclairage est insuffisant ou lorsque les angles de caméra changent brusquement.

Points clés à retenir#

La réidentification des véhicules devient une méthodologie clé des systèmes de transport intelligents, car elle aide les villes à suivre les véhicules de manière plus fiable entre différentes caméras. Grâce aux progrès de l’apprentissage profond et à une meilleure validation reposant sur des jeux de données plus riches et plus diversifiés, ces systèmes gagnent en précision et deviennent plus pratiques dans des conditions réelles.

À mesure que la technologie évolue, il est important de trouver un équilibre entre l’innovation et des pratiques responsables en matière de confidentialité, de sécurité et d’éthique. Globalement, ces avancées ouvrent la voie à des réseaux de transport plus intelligents, plus sûrs et plus efficaces.

Pour en savoir plus sur l’IA, consulte notre dépôt GitHub et rejoins notre communauté. Consulte nos pages de solutions pour découvrir l’IA appliquée à la robotique et la vision par ordinateur dans l’industrie manufacturière. Découvre nos options de licence pour te lancer dès aujourd’hui dans l’IA de vision !