Comment calculer la distance avec des modèles de vision par ordinateur ?

Lorsque tu traverses la route et que tu vois une voiture arriver vers toi, tu peux instantanément estimer approximativement à quelle distance elle se trouve. Ce jugement rapide, presque instinctif, est rendu possible par une compréhension spatiale de ton environnement. Grâce à cette perception, tu peux décider d’accélérer, de t’arrêter ou de continuer à marcher.

De même, la vision par ordinateur est une branche de l’intelligence artificielle (AI) qui permet aux machines de développer une compréhension de leur environnement en interprétant des données visuelles. Tout comme tu peux évaluer la proximité d’une voiture pour prendre rapidement des décisions, les modèles de vision par ordinateur peuvent analyser des images et des vidéos, aidant ainsi les machines à percevoir le monde qui les entoure et à y réagir.

Par exemple, Ultralytics YOLO11 est un modèle de vision par ordinateur capable de détecter et de suivre des objets dans des images et des vidéos en temps réel. En termes simples, YOLO11 fonctionne en examinant l’image entière en une seule fois plutôt que par parties, ce qui le rend plus rapide et plus efficace. Il peut également gérer des tâches de vision par ordinateur telles que la segmentation d’instances, l’estimation de pose et la classification d’images.

En particulier, les capacités d’Ultralytics YOLO11 peuvent être utilisées pour calculer la distance entre des objets, ce qui est utile dans de nombreux domaines comme la fabrication, le commerce de détail et la gestion des foules, contribuant ainsi à améliorer la sécurité et l’efficacité.

Dans cet article, nous allons examiner comment Ultralytics YOLO11 peut être utilisé pour le calcul de distance dans les applications de vision par ordinateur, pourquoi cette fonction est importante et quel est son impact dans différents secteurs.

Fig. 1. Exemple d’utilisation de YOLO pour calculer la distance d’atterrissage d’un avion.

Présentation du calcul de distance en vision par ordinateur#

Le calcul de distance en vision par ordinateur consiste à détecter, localiser et mesurer les pixels entre deux objets dans une image. Les pixels sont les unités individuelles qui composent une image numérique, chacun représentant un point unique avec une valeur de couleur ou d’intensité spécifique.

Pour convertir les mesures en pixels en distances réelles, la calibration est essentielle. Tu peux la considérer comme l’utilisation d’une règle pour mesurer quelque chose, puis l’utilisation de cette mesure pour comprendre la taille d’autres objets. En prenant comme référence des objets dont les dimensions sont connues, la calibration établit un lien entre les pixels et les distances physiques réelles.

Prenons un exemple pour voir comment cela fonctionne. Dans l’image ci-dessous, la pièce est l’objet de référence et sa taille (0.9in sur 1.0in) est connue. En comparant les mesures en pixels des autres objets à la taille de la pièce, nous pouvons calculer leur taille réelle.

Fig. 2. Une pièce peut être utilisée comme référence pour mesurer la taille réelle d’autres objets.

Cependant, le calcul de distance s’effectue dans un plan à deux dimensions (2D), ce qui signifie qu’il mesure uniquement les distances horizontales et verticales entre les objets. Cela diffère de l’estimation de profondeur, qui mesure la distance des objets dans un espace à trois dimensions, notamment leur distance par rapport à la caméra.

Bien que les caméras de profondeur puissent mesurer la profondeur réelle et fournir des informations spatiales plus détaillées, une simple distance calibrée suffit dans de nombreux cas. Par exemple, connaître la distance entre des objets dans un plan 2D convient pour des tâches comme le suivi d’objets ou la gestion de files d’attente ; l’estimation de profondeur n’est donc pas nécessaire dans ces situations.

Comprendre le fonctionnement du calcul de distance avec Ultralytics YOLO11#

Voyons maintenant comment calculer la distance entre deux objets en utilisant la prise en charge de la détection d’objets et du suivi d’Ultralytics YOLO11. Voici les différentes étapes :

• Détection et suivi des objets : Ultralytics YOLO11 peut être utilisé pour détecter des objets en les reconnaissant dans une image et en suivant leurs déplacements d’une image à l’autre dans une vidéo. Il attribue un identifiant de suivi unique à chaque objet, ce qui permet au système de surveiller leur position et leurs mouvements pendant toute la vidéo.
• Boîtes englobantes : Des boîtes englobantes sont tracées autour des objets détectés à partir des résultats de détection d’objets d’Ultralytics YOLO11, qui définissent leur emplacement dans l’image.
• Sélection des objets : Deux objets peuvent être sélectionnés pour se concentrer sur eux, et Ultralytics YOLO11 met à jour les boîtes englobantes à mesure que les objets se déplacent en temps réel.
• Calcul des centroïdes : Les centroïdes (les points centraux des boîtes englobantes des deux objets) sont calculés à partir des coordonnées des coins des boîtes englobantes, représentant la position des objets.
• Calcul de distance : Les centroïdes des deux objets peuvent ensuite être utilisés pour calculer la distance euclidienne qui les sépare. La distance euclidienne est la distance en ligne droite entre deux points dans un plan 2D, calculée à partir des différences dans les directions horizontale et verticale. Elle fournit la distance entre les deux objets en pixels.

Il est important de garder à l’esprit que les distances calculées avec cette méthode ne sont que des estimations, car elles reposent sur des mesures de pixels en 2D.

Fig. 3. Utilisation d’Ultralytics YOLO pour détecter une personne et calculer des distances.

L’impact de l’estimation de distance avec YOLO#

Puisque le calcul des distances avec Ultralytics YOLO11 est une estimation, tu te demandes peut-être : où cette fonction peut-elle être utilisée et quelle différence peut-elle faire ?

Comme des calibrations sont utilisées pour obtenir ces estimations de distance, celles-ci sont suffisamment précises pour être utiles dans de nombreuses situations pratiques. L’estimation de distance d’Ultralytics YOLO11 est particulièrement utile dans les environnements dynamiques, comme les entrepôts, où les objets sont constamment en mouvement et où des ajustements en temps réel sont nécessaires pour assurer le bon fonctionnement des opérations.

Un exemple intéressant consiste à utiliser YOLO11 pour suivre des colis sur un tapis roulant et estimer en temps réel la distance qui les sépare. Cela aide les responsables d’entrepôt à s’assurer que les colis sont correctement espacés, à éviter les collisions et à maintenir le bon déroulement des opérations.

Dans ce type de situation, une distance exacte n’est pas toujours nécessaire. En général, une plage ou un seuil correspondant à la distance optimale est défini, de sorte qu’une estimation convient parfaitement à ces types d’applications.

Fig. 4. Détection de colis avec Ultralytics YOLO11 et calcul de la distance qui les sépare.

Calcul de distance dans les applications de vision par ordinateur#

Diverses applications de vision par ordinateur peuvent tirer parti du calcul de la distance entre les objets avec Ultralytics YOLO11. Dans l’analyse du commerce de détail, par exemple, cela contribue à améliorer la gestion des files d’attente en suivant en temps réel la position des clients. Les entreprises peuvent ainsi mieux répartir leurs ressources, réduire les temps d’attente et offrir une expérience d’achat plus fluide. En ajustant dynamiquement les effectifs et en gérant le flux de clients, les magasins peuvent éviter la surpopulation et optimiser l’utilisation de l’espace.

De même, dans la gestion du trafic, l’estimation de distance aide à surveiller l’espacement entre les véhicules et à analyser les schémas de circulation. Elle peut servir à détecter des comportements dangereux, comme le non-respect des distances de sécurité, et à ajuster les feux de circulation pour fluidifier le trafic. Elle peut contribuer à rendre les routes plus sûres en identifiant les problèmes potentiels et en améliorant globalement la gestion du trafic en temps réel.

Fig. 5. Le calcul de distance assisté par la vision peut être utilisé pour surveiller le trafic.

Une autre utilisation remarquable de cette technologie a eu lieu pendant la pandémie de COVID-19, lorsqu’elle a contribué à promouvoir la distanciation sociale. Elle permettait de s’assurer que les personnes maintenaient une distance de sécurité dans les lieux publics, les magasins et les hôpitaux, réduisant ainsi le risque de propagation du virus.

En suivant les distances en temps réel, des alertes pouvaient être envoyées lorsque des personnes étaient trop proches les unes des autres, ce qui permettait aux entreprises et aux professionnels de santé de réagir rapidement et de maintenir un environnement plus sûr pour tous.

Avantages et inconvénients du calcul de distance en vision par ordinateur#

Maintenant que nous avons abordé certaines applications du calcul de distance avec la vision par ordinateur, examinons plus en détail les avantages associés à cette approche :

• Automatisation : l’IA visuelle peut automatiser les tâches de calcul de distance qui nécessiteraient autrement un suivi manuel, réduisant les erreurs humaines et les coûts de main-d’œuvre tout en augmentant la productivité.
• Optimisation des ressources : en connaissant l’espacement et la proximité approximatifs des objets, les ressources (comme le personnel ou les machines) peuvent être optimisées, ce qui réduit le gaspillage et améliore les flux de travail.
• Complexité minimale de la configuration : une fois configurés, les systèmes de calcul de distance assistés par la vision nécessitent relativement peu de maintenance et moins d’intervention humaine que les autres systèmes reposant sur la saisie manuelle ou des machines complexes.

Malgré ces avantages, certaines limites doivent également être prises en compte lors de la mise en œuvre de tels systèmes. Voici un aperçu rapide des principaux facteurs à considérer pour le calcul de distance avec la vision par ordinateur :

• Sensibilité aux facteurs environnementaux : la précision du calcul de distance peut être affectée par les conditions d’éclairage, les ombres, les reflets ou les obstructions, ce qui peut entraîner des erreurs ou des incohérences.
• Préoccupations relatives à la confidentialité : l’utilisation de la vision par ordinateur pour suivre des objets ou des personnes peut soulever des problèmes de confidentialité, notamment dans les lieux publics ou les environnements sensibles où des données personnelles peuvent être concernées.
• Complexité dans les scénarios comportant plusieurs objets : dans les environnements comprenant de nombreux objets en mouvement, calculer avec précision les distances entre plusieurs objets simultanément peut entraîner de la confusion, en particulier lorsqu’ils sont proches les uns des autres ou qu’ils se croisent.

Points clés à retenir#

Le calcul de la distance entre les objets avec Ultralytics YOLO11 constitue une solution fiable qui peut contribuer à la prise de décision. Il est particulièrement utile dans les environnements dynamiques comme les entrepôts, le commerce de détail et la gestion du trafic, où le suivi de la proximité des objets peut améliorer l’efficacité et la sécurité.

Ultralytics YOLO11 permet d’automatiser des tâches qui nécessiteraient normalement un travail manuel. Malgré certains défis, comme la sensibilité aux facteurs environnementaux et les préoccupations relatives à la confidentialité, ses avantages, notamment l’automatisation, l’évolutivité et la facilité d’intégration, lui confèrent un impact important. À mesure que la vision par ordinateur continue de progresser, notamment dans des domaines comme le calcul de distance, il est probable que nous assistions à une véritable évolution de la manière dont les machines interagissent avec leur environnement et le comprennent.

Rejoins notre communauté ! Explore notre dépôt GitHub pour en savoir plus sur l’IA visuelle. Si tu souhaites exploiter la vision par ordinateur, consulte nos options de licence. Découvre comment la vision par ordinateur dans le domaine de la santé améliore l’efficacité et observe l’impact de l’IA dans l’agriculture en consultant nos pages dédiées aux solutions !