Comment calculer des distances avec des modèles de vision par ordinateur ?

Quand tu traverses la rue et que tu vois une voiture arriver vers toi, tu peux immédiatement estimer à quelle distance elle se trouve. Ce jugement rapide, presque instinctif, repose sur ta perception spatiale de l’environnement. Grâce à cette perception, tu peux décider d’accélérer le pas, de t’arrêter ou de continuer à marcher.

De la même manière, la vision par ordinateur est une branche de l’intelligence artificielle (AI) qui permet aux machines de comprendre leur environnement en interprétant des données visuelles. Tout comme tu peux évaluer la proximité d’une voiture pour prendre rapidement une décision, les modèles de vision par ordinateur peuvent analyser des images et des vidéos, aidant 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 analyse l’image entière d’un seul coup, plutôt que par parties, ce qui le rend plus rapide et plus efficace. Il peut aussi effectuer des tâches de vision par ordinateur comme la segmentation d’instances, l’estimation de pose et la classification d’images.

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

Dans cet article, nous allons voir comment utiliser Ultralytics YOLO11 pour le calcul de distances dans des applications de vision par ordinateur, pourquoi cette capacité 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 distances en vision par ordinateur#

Le calcul de distances 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 représente un point unique doté d’une couleur ou d’une valeur d’intensité spécifique.

Pour convertir les mesures en pixels en distances réelles, l’étalonnage est essentiel. Tu peux le voir comme l’utilisation d’une règle pour mesurer quelque chose, puis de cette mesure pour déterminer la taille d’autres objets. En s’appuyant sur des objets dont la taille est connue, l’étalonnage 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 sert d’objet de référence et sa taille (0,9 po sur 1,0 po) 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 servir de référence pour mesurer la taille réelle d’autres objets.

Toutefois, le calcul des distances s’effectue dans un plan bidimensionnel (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 tridimensionnel, y compris leur distance par rapport à la caméra.

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

Comprendre le fonctionnement du calcul de distances avec Ultralytics YOLO11#

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

• Détection et suivi d’objets : Ultralytics YOLO11 peut détecter des objets en les reconnaissant dans une image et suivre 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 sa position et ses déplacements tout au long de 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 au fur et à mesure de leurs déplacements en temps réel.
• Calcul du centroïde : Les centroïdes (les points centraux des boîtes englobantes des deux objets) sont calculés à partir des coordonnées des coins des boîtes englobantes et représentent la position des objets.
• Calcul de la distance : Les centroïdes des deux objets peuvent ensuite servir à 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 horizontales et verticales. 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. Détection d’une personne avec Ultralytics YOLO et calcul des distances.

Impact de l’estimation des distances avec YOLO#

Comme le calcul des distances avec Ultralytics YOLO11 fournit une estimation, tu te demandes peut-être où il peut être utilisé et quelle différence il peut apporter.

Ces estimations de distance reposant sur des étalonnages, elles sont suffisamment précises pour aider dans de nombreuses situations pratiques. L’estimation des distances 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 déroulement 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, ce qui évite les collisions et assure le bon déroulement des opérations.

Dans ces cas, il n’est pas toujours nécessaire de connaître la distance exacte. En général, on définit une plage ou un seuil correspondant à la distance optimale ; une estimation suffit donc pour ce type d’applications.

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

Calcul de distances dans les applications de vision par ordinateur#

De nombreuses applications de vision par ordinateur peuvent tirer parti du calcul de la distance entre des objets avec Ultralytics YOLO11. Dans l’analyse du commerce de détail, par exemple, cette capacité 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 rendre les achats plus agréables. En ajustant les effectifs de manière dynamique et en gérant les 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 des distances 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 repérant les problèmes potentiels et en améliorant la gestion globale du trafic en temps réel.

Fig. 5. Le calcul des distances assisté par vision peut servir à surveiller le trafic.

Une autre application singulière de cette technologie est apparue pendant la pandémie de COVID-19, lorsqu’elle a contribué à promouvoir la distanciation physique. Elle permettait de s’assurer que les personnes maintenaient une distance de sécurité dans les espaces 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, permettant aux entreprises et aux prestataires de soins de santé de réagir rapidement et de maintenir un environnement plus sûr pour tous.

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

Maintenant que nous avons abordé quelques applications du calcul de distances en vision par ordinateur, examinons de plus près les avantages de cette approche :

• Automatisation : L’IA visuelle peut automatiser les tâches de calcul de distances 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 distances assistés par vision nécessitent relativement peu de maintenance et moins d’interventions humaines que les autres systèmes qui reposent sur une 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 distances en vision par ordinateur :

• Sensibilité aux facteurs environnementaux : La précision du calcul de distances peut être affectée par les conditions d’éclairage, les ombres, les reflets ou les obstacles, ce qui peut entraîner des erreurs ou des incohérences.
• Préoccupations en matière de confidentialité : Le suivi d’objets ou de personnes par vision par ordinateur peut soulever des problèmes de confidentialité, en particulier dans les espaces publics ou les environnements sensibles où des données personnelles peuvent être concernées.
• Complexité des scénarios à objets multiples : Dans les environnements où de nombreux objets sont en mouvement, calculer avec précision les distances entre plusieurs objets simultanément peut prêter à confusion, en particulier lorsqu’ils sont proches les uns des autres ou se croisent.

Points clés à retenir#

Le calcul de la distance entre des objets avec Ultralytics YOLO11 est une solution fiable qui peut faciliter la prise de décision. Elle 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 une intervention manuelle. Malgré certains défis, comme la sensibilité aux facteurs environnementaux et les préoccupations en matière de confidentialité, ses avantages — notamment l’automatisation, l’évolutivité et la facilité d’intégration — ont un impact important. À mesure que la vision par ordinateur progresse, notamment dans des domaines comme le calcul de distances, nous verrons probablement un véritable changement dans la façon dont les machines interagissent avec leur environnement et le comprennent.

Rejoins notre communauté ! Consulte notre dépôt GitHub pour en savoir plus sur l’IA visuelle. Si tu souhaites tirer parti de la vision par ordinateur, découvre nos options de licence. Découvre comment la vision par ordinateur dans le secteur de la santé améliore l’efficacité et consulte nos pages de solutions pour voir l’impact de l’IA dans l’agriculture !