Améliorer la réidentification des véhicules avec les modèles Ultralytics YOLO

Quand tu regardes une course de Formule 1, tu repères facilement la voiture de ton équipe préférée. Le rouge vif de Ferrari ou le gris argenté de Mercedes ressort tour après tour.

Demander à une machine d’effectuer la même tâche, non pas sur un circuit propre, mais dans des rues urbaines bondées et pleines de circulation, est beaucoup plus difficile. C’est pourquoi la réidentification des véhicules (vehicle re-ID) suscite récemment un intérêt croissant dans le domaine de l’IA.

La réidentification des véhicules permet aux machines de reconnaître un même véhicule à partir de caméras couvrant plusieurs angles de vue ou de caméras dont les champs ne se chevauchent pas. Elle vise aussi à identifier les véhicules après une occultation temporaire (lorsqu’un véhicule est partiellement caché) 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 une sous-discipline de l’intelligence artificielle qui vise à apprendre aux machines à comprendre et à interpréter des informations visuelles, comme les images et les 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, notamment pour la surveillance urbaine et la gestion de la circulation.

En particulier, les modèles d’IA visuelle comme Ultralytics YOLO11 et Ultralytics YOLO26, sorti depuis, prennent en charge des tâches comme la détection et le suivi d’objets. Ils peuvent localiser rapidement les véhicules dans chaque image et suivre leurs déplacements dans une scène. Associés à des réseaux de réidentification des véhicules, ces modèles permettent au système combiné de 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 leur vitesse (Source)

Dans cet article, nous allons voir comment fonctionne la réidentification des véhicules, quelles technologies la rendent possible et où elle est utilisée dans les systèmes de transport intelligents.

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

La réidentification des véhicules est une application importante de la vision par ordinateur. Elle consiste à reconnaître un même véhicule dans différentes caméras dont les champs ne se chevauchent pas, en maintenant son identité tout au long de ses déplacements dans une ville. Cette tâche est difficile, car chaque caméra peut filmer le véhicule sous un angle différent, avec un éclairage différent ou en situation d’occultation partielle.

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

Les progrès récents de l’apprentissage profond, notamment des réseaux neuronaux convolutifs (CNNs) et des modèles fondés sur les Transformers, ont considérablement amélioré la précision de ce processus. Ces modèles peuvent extraire des motifs visuels pertinents et distinguer les véhicules qui se ressemblent 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 de la circulation à l’échelle de la ville, offrant aux systèmes de ville intelligente une meilleure vision des déplacements des véhicules. Cela contribue à améliorer la sécurité et l’efficacité.

Comprendre le fonctionnement de la réidentification des véhicules#

En général, les séquences vidéo 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 dans différentes caméras. Ce concept est similaire à la réidentification des personnes, qui consiste à suivre des individus dans plusieurs vues, mais il s’agit ici d’analyser les caractéristiques propres aux véhicules plutôt que l’apparence humaine.

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

Dans les grandes lignes, le système détecte d’abord les véhicules dans chaque image, puis extrait des caractéristiques comme la couleur, la forme et la texture pour créer une représentation numérique unique, ou plongement, pour chacun d’eux. Ces plongements sont comparés dans le temps et entre les caméras. Le suivi d’objets et des vérifications spatio-temporelles contribuent souvent à déterminer si deux observations correspondent au même véhicule.

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

Examinons ce processus de plus près :

• Détection d’objets : Le système identifie et localise d’abord les véhicules dans chaque image vidéo afin de savoir précisément 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 réidentification ou à l’extraction de caractéristiques analyse chaque recadrage de véhicule et génère des cartes de caractéristiques ou des représentations qui capturent des détails visuels comme la couleur, la forme, la texture et les éléments distinctifs.
• Génération de plongements : Les caractéristiques extraites sont converties en une représentation numérique appelée plongement de caractéristiques. Ce plongement agit comme une empreinte numérique qui représente l’apparence du véhicule sous différents angles. Avant la mise en correspondance, ces plongements 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 permet au système de se concentrer sur les caractéristiques pertinentes pour l’identité plutôt que sur le bruit.
• Suivi d’objets : Dans le champ de vision d’une seule caméra, les algorithmes de suivi relient les détections entre les images, ce qui permet de maintenir une identité cohérente lorsque le véhicule se déplace dans la scène.
• Mise en correspondance entre caméras : Pour mettre en correspondance un même véhicule filmé par différentes caméras, le système compare les plongements (générés par le réseau de réidentification), ainsi que les informations temporelles et de localisation. Cette étape détermine si deux observations correspondent au même véhicule, même lorsque les champs des caméras ne se chevauchent pas.

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

Les modèles Ultralytics YOLO jouent un rôle de soutien important dans les pipelines de réidentification des véhicules. Bien qu’ils n’effectuent pas eux-mêmes la réidentification, ils fournissent d’autres capacités essentielles, comme une détection rapide et un suivi stable, dont les réseaux de réidentification ont besoin pour mettre en correspondance les véhicules entre les caméras avec précision.

Examinons maintenant de plus près comment les modèles Ultralytics YOLO, comme YOLO11, peuvent améliorer les systèmes de réidentification des véhicules.

Un module précis de détection des véhicules : la première étape des systèmes de réidentification#

La détection précise des objets est le fondement de tout système de réidentification des véhicules. Les modèles Ultralytics YOLO comme YOLO11 sont un excellent choix pour cette tâche, car ils peuvent rapidement détecter les véhicules dans chaque image, même dans des scènes animées avec des occultations partielles, une circulation dense ou des conditions d’éclairage changeantes.

Les modèles peuvent aussi être entraînés sur mesure : tu peux affiner le modèle sur ton propre jeu de données pour qu’il apprenne à reconnaître des types précis de véhicules, comme les taxis, les camionnettes de livraison ou les véhicules de flotte. Cette approche est particulièrement utile lorsqu’une solution nécessite une détection plus spécialisée. En fournissant des boîtes englobantes propres et précises, les modèles Ultralytics YOLO donnent aux réseaux de réidentification des entrées de haute qualité, ce qui permet d’obtenir des correspondances plus fiables entre les caméras.

Favoriser un suivi fiable avec une seule caméra#

Une fois les véhicules détectés, des modèles comme Ultralytics YOLO11 peuvent également assurer un suivi stable des objets dans le champ de vision d’une seule caméra. Le suivi d’objets consiste à suivre un véhicule détecté dans des images consécutives et à lui attribuer un ID cohérent au fil de ses déplacements.

Grâce à la prise en charge intégrée d’algorithmes de suivi comme ByteTrack et BoT-SORT dans le package Python Ultralytics, YOLO11 peut maintenir 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 réidentification, ce qui améliore la précision de la mise en correspondance entre les caméras.

Réidentification facultative au niveau du traqueur pour une meilleure stabilité des identités#

En plus du suivi classique fondé sur le mouvement, le package Python Ultralytics intègre des fonctionnalités facultatives de réidentification fondées sur l’apparence dans son traqueur BoT-SORT. Le traqueur peut ainsi utiliser les caractéristiques visuelles d’apparence, et pas seulement les schémas de mouvement ou le chevauchement des boîtes englobantes, pour déterminer si deux détections correspondent au même véhicule.

Lorsqu’il est activé, BoT-SORT extrait des plongements d’apparence légers à partir du détecteur ou d’un modèle de classification Ultralytics YOLO11, puis les utilise pour vérifier l’identité d’une image à l’autre. Ce signal d’apparence supplémentaire aide le système de suivi à conserver des identifiants plus stables dans des situations difficiles, comme de brèves occultations, des véhicules qui se croisent de près ou de légers déplacements dus au mouvement de la caméra.

Cette fonction de réidentification intégrée n’a pas vocation à remplacer une réidentification complète des véhicules entre plusieurs caméras, mais elle améliore la cohérence des identités dans le champ d’une seule caméra et produit des séquences de suivi plus nettes, sur lesquelles les modules de réidentification en aval peuvent s’appuyer. Pour utiliser ces fonctionnalités de suivi fondées sur l’apparence, il te suffit d’activer la réidentification dans un fichier de configuration du traqueur BoT-SORT en définissant « with_reid » sur « True » et en sélectionnant le modèle qui fournira les caractéristiques d’apparence.

Pour en savoir plus, consulte la page de documentation Ultralytics sur le suivi d’objets, qui explique les options de réidentification disponibles et leur configuration.

Fournir des entrées de grande qualité aux réseaux de réidentification#

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 nettes pour le réseau de réidentification lui-même.

Après la détection d’un véhicule, sa boîte englobante est généralement recadrée puis envoyée à un réseau de réidentification, qui en extrait les caractéristiques visuelles nécessaires à la mise en correspondance. Comme les modèles de réidentification dépendent fortement de ces images recadrées, des entrées de mauvaise qualité — recadrages flous, mal alignés ou incomplets, par exemple — peuvent produire des plongements moins pertinents et rendre la mise en correspondance entre les caméras moins fiable.

Les modèles Ultralytics YOLO contribuent à réduire ces problèmes en produisant systématiquement des boîtes englobantes nettes et bien alignées, qui cadrent entièrement le véhicule visé. Avec des recadrages plus clairs et précis, le réseau de réidentification peut se concentrer sur des détails pertinents comme la couleur, la forme, la texture et d’autres caractéristiques distinctives. Des entrées de grande qualité améliorent la fiabilité et la précision de la réidentification entre les vues des caméras.

Permettre la mise en correspondance entre caméras en associant un modèle de réidentification#

Même si les modèles Ultralytics YOLO n’effectuent pas eux-mêmes la réidentification, ils fournissent les informations essentielles dont un réseau de réidentification a besoin pour comparer des véhicules filmés par différentes caméras. Des modèles comme YOLO11 peuvent localiser et suivre les véhicules dans le champ de chaque caméra, tandis que le modèle de réidentification 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 de plongement dédié à l’extraction de caractéristiques —, ils forment un pipeline complet de mise en correspondance de véhicules entre plusieurs caméras. Il devient ainsi possible d’associer un même véhicule tout au long de ses déplacements 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 utilisant plusieurs caméras. L’étude a montré que YOLO11 réduisait le temps de détection sans sacrifier la précision, ce qui améliorait les performances globales du suivi en aval et de la mise en correspondance entre les caméras.

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

Architectures de deep learning pour la ré-identification des véhicules#

Maintenant que nous comprenons mieux comment les modèles Ultralytics YOLO peuvent contribuer à la ré-identification des véhicules, examinons de plus près les modèles de deep learning qui assurent l’extraction et la mise en correspondance des caractéristiques. Ces modèles apprennent l’apparence des véhicules, créent des représentations vectorielles robustes et distinguent les véhicules visuellement similaires dans différentes vues de caméra.

Voici quelques exemples des composants essentiels de deep learning utilisés dans les systèmes de ré-identification d’objets :

• Extraction de caractéristiques avec des CNN : Les réseaux de neurones convolutifs, tels que ResNet50 ou ResNet101, apprennent des caractéristiques approfondies grâce à la reconnaissance de motifs et repèrent des éléments comme la couleur, la forme et la texture qui différencient les véhicules. Ces motifs appris sont ensuite convertis en représentations vectorielles qui constituent l’identité numérique unique du véhicule.
• Mécanismes d’attention et Transformers : Les réseaux et les couches d’attention, notamment l’attention spatiale, peuvent aider à mettre en évidence les zones importantes d’un véhicule, comme les phares, les fenêtres ou la plaque d’immatriculation. L’attention spatiale concentre le modèle sur les zones où se trouvent les indices visuels les plus informatifs, tandis que les modèles fondés sur des Transformers, comme les Transformers de vision (ViT), capturent les relations globales dans l’ensemble de l’image. Ensemble, ces mécanismes améliorent la précision à un niveau fin lorsque les véhicules se ressemblent beaucoup.
• Réseaux multi-branches et fondés sur des parties : Certains modèles de ré-identification analysent séparément des zones 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 occultés ou vus sous des angles difficiles.

Outre ces composants architecturaux, l’apprentissage métrique joue un rôle essentiel dans l’entraînement des modèles de ré-identification des véhicules. Les fonctions de perte, comme la perte par triplets, la perte contrastive et la perte d’entropie croisée, aident le système à apprendre des représentations vectorielles robustes et discriminantes en rapprochant les images du même véhicule et en éloignant celles de véhicules différents.

Ensembles de données et benchmarks populaires pour la ré-identification des véhicules#

Dans la recherche en vision par ordinateur, la qualité d’un ensemble de données a une influence majeure sur les performances d’un modèle une fois celui-ci déployé. Un ensemble de données fournit les images ou les vidéos annotées à partir desquelles un modèle apprend.

Pour la réidentification des véhicules, ces jeux de données doivent couvrir des conditions variées, comme les différences d’éclairage, les changements 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 des ensembles de données populaires qui facilitent l’entraînement, l’optimisation et l’évaluation des modèles de ré-identification des véhicules :

• Ensemble de données VeRi-776 : Il rassemble plus de 50 000 images annotées de véhicules prises par 20 caméras urbaines. Les annotations comprennent l’identifiant du véhicule, sa couleur et son modèle, ainsi que les zones de plaque d’immatriculation, ce qui permet un apprentissage détaillé des caractéristiques.
• Ensemble de données VehicleID : Cet ensemble de données à grande échelle comprend plus de 200 000 images représentant plus de 26 000 véhicules. Il est souvent choisi pour étudier l’évolutivité et comparer les performances de référence de différentes méthodes.
• Ensemble de données VeRi-Wild : Il est conçu pour refléter la variabilité du monde réel, notamment les différences de point de vue, de météo et d’occultation partielle. Il est couramment utilisé pour évaluer la robustesse et la capacité de généralisation des modèles.

Fig. 4. Exemple de véhicules dans l’ensemble de données VeRi-776. (Source)

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

Ensemble, ces benchmarks offrent aux chercheurs un moyen cohérent de comparer différentes approches et jouent un rôle important en orientant le développement de systèmes de ré-identification des véhicules plus précis et plus fiables pour une utilisation en conditions réelles.

Applications de la ré-identification des véhicules#

Maintenant que nous avons passé en revue les principes fondamentaux, découvrons quelques cas d’utilisation concrets où la ré-identification des véhicules contribue aux opérations de transport, de mobilité et de surveillance.

Surveillance et suivi du trafic urbain#

Les rues très fréquentées des villes sont constamment animées, et les caméras de circulation ont souvent du mal à suivre un même véhicule lorsqu’il passe d’une zone à l’autre. Les changements d’éclairage, les scènes encombrées et les véhicules presque identiques peuvent entraîner une perte d’identité d’une caméra à l’autre.

La ré-identification des véhicules répond à ce problème en détectant clairement les véhicules, en extrayant leurs caractéristiques distinctives et en maintenant des identifiants cohérents, même dans des séquences encombrées ou à basse résolution. Le suivi se poursuit ainsi plus facilement sur l’ensemble du réseau, ce qui donne aux équipes de circulation une vision plus claire des déplacements des véhicules en ville et leur permet de réagir plus rapidement et de manière plus éclairée aux embouteillages et aux incidents.

Systèmes de stationnement intelligents#

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, par exemple dans des parkings souterrains, des zones ombragées ou des parkings extérieurs au crépuscule.

Ces conditions compliquent la vérification de la présence d’un même véhicule dans différentes zones. Lorsque les identités ne sont pas cohérentes, les registres de stationnement peuvent être incomplets, le contrôle d’accès devient moins fiable et les conducteurs risquent de subir des retards. C’est pourquoi de nombreux systèmes de stationnement intelligent intègrent des modèles de ré-identification des véhicules afin de maintenir une identité stable pour chaque véhicule lorsqu’il circule dans le parking.

Fig. 5. Exemple de ré-identification d’un véhicule : l’image du véhicule sélectionné est à gauche et les résultats de recherche correspondants sont à droite. (Source)

Forces de l’ordre et criminalistique#

En complément de la surveillance du trafic, la réidentification des véhicules joue aussi un rôle important dans l’application de la loi et les enquêtes médico-légales. Dans bien des cas, les agents doivent suivre un véhicule sur plusieurs caméras, mais les plaques d’immatriculation peuvent être illisibles, absentes ou délibérément masquées.

Les scènes encombrées, la faible visibilité et les occultations partielles peuvent rendre des véhicules différents trompeusement similaires, ce qui ralentit l’identification manuelle et la rend peu fiable. La ré-identification des véhicules permet de retracer les déplacements d’un véhicule sur des réseaux de caméras sans chevauchement, en analysant ses caractéristiques visuelles plutôt qu’en s’appuyant uniquement sur les plaques d’immatriculation.

Les enquêteurs peuvent ainsi suivre plus facilement les déplacements d’un véhicule, comprendre quand il est apparu à différents endroits et confirmer son itinéraire avant et après un incident. La ré-identification des véhicules par l’IA permet aussi de suivre des véhicules suspects, d’examiner des séquences d’incident ou de déterminer la direction prise par un véhicule avant ou après un événement.

Fig. 6. Véhicules mis en correspondance sur différentes caméras et depuis divers points de vue. (Source)

Suivi des flottes et de la logistique#

Les opérations de flotte et de logistique reposent souvent sur le GPS, les étiquettes RFID et les registres manuels pour suivre les déplacements des véhicules. Cependant, ces outils présentent des lacunes dans les zones couvertes par des caméras de sécurité ou de cour, comme les quais de chargement, les cours d’entrepôt et les voies de circulation internes.

Les véhicules passent souvent d’une caméra à l’autre sans chevauchement, disparaissent derrière des structures ou ressemblent presque à d’autres véhicules de la flotte, ce qui complique la vérification de leur présence à différents endroits. Les systèmes de ré-identification 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 circule dans les installations.

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

Avantages et inconvénients des tâches de ré-identification des véhicules#

Voici quelques-uns des principaux avantages de la ré-identification des véhicules par l’IA :

• Réduction de la charge de travail manuelle : La ré-identification 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 ré-identification 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 ré-identification peuvent s’adapter à de nouveaux environnements, conditions d’éclairage ou angles de caméra grâce à un apprentissage robuste des caractéristiques, à leur extraction à plusieurs échelles et à des représentations invariantes qui restent stables malgré les changements visuels. Ces capacités les rendent adaptés aux grands réseaux urbains comme aux déploiements plus modestes.

Bien que la ré-identification des véhicules offre de nombreux avantages, certaines limites sont également à prendre en compte. Voici quelques facteurs qui affectent sa fiabilité dans des environnements réels :

• Besoins élevés en calcul : L’extraction des caractéristiques, la génération des représentations vectorielles et la mise en correspondance entre caméras nécessitent une puissance de calcul importante, en particulier pour surveiller de grands réseaux de caméras.
• Variabilité de l’environnement : Des facteurs comme l’éclairage nocturne, les changements météorologiques, les ombres et les occultations peuvent nuire à la capacité du modèle à maintenir des identités cohérentes d’une scène à l’autre.
• Limites des ensembles de données et des domaines : Les modèles entraînés sur des ensembles de données limités ou idéalisés risquent de mal se généraliser aux conditions réelles sans réglage fin supplémentaire ni adaptation au domaine.

Perspectives des méthodes de ré-identification des véhicules#

La ré-identification des véhicules continue de progresser au rythme des évolutions technologiques. Des publications récentes de l’IEEE, de CVPR et d’arXiv, ainsi que des présentations lors de conférences internationales, mettent en évidence une nette évolution vers des modèles plus riches, qui combinent plusieurs sources de données et un raisonnement plus avancé sur les caractéristiques. Les futurs travaux dans ce domaine viseront probablement à créer des systèmes plus robustes et plus efficaces, capables de gérer à grande échelle la variabilité du monde réel.

Par exemple, l’utilisation de modèles fondés sur les Transformers et de réseaux d’agrégation par graphes constitue une piste prometteuse. Les Transformers 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 fondés sur des graphes vont encore plus loin en considérant les différentes parties du véhicule ou les vues des caméras comme des points connectés dans un réseau. Le système peut ainsi comprendre les corrélations entre ces points clés et 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 des images, les nouveaux systèmes combinent les informations visuelles avec d’autres signaux multimédias, comme les données GPS ou les schémas de mouvement issus de capteurs. Ce contexte supplémentaire aide le système à rester précis lorsque les véhicules sont partiellement masqués, que l’éclairage est faible ou que les angles de caméra changent brusquement.

Points clés à retenir#

La ré-identification des véhicules devient une méthodologie essentielle pour les systèmes de transport intelligents et aide les villes à suivre les véhicules plus fiablement d’une caméra à l’autre. Grâce aux progrès du deep learning et à une meilleure validation sur des ensembles 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 concilier innovation et pratiques responsables en matière de confidentialité, de sécurité et d’éthique. Dans l’ensemble, 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 en robotique et la vision par ordinateur dans le secteur manufacturier. Découvre nos options de licence pour te lancer dès aujourd’hui dans l’IA visuelle !