Comment calculer la distance à l'aide de modèles de vision par ordinateur ?

Lorsque tu traverses la route et que tu vois une voiture arriver vers toi, tu peux instantanément dire à peu près à quelle distance elle se trouve. Ce jugement rapide, presque instinctif, est dû à une compréhension spatiale de ton environnement. Sur la base de ce sens, tu peux décider d'accélérer, de t'arrêter ou de continuer à marcher.

De même, la computer vision est une branche de l'intelligence artificielle (IA) 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 des décisions rapides, les modèles de computer vision 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 computer vision capable de détecter et de suivre des objets dans des images et des vidéos en temps réel. En clair, YOLO11 analyse l'image entière d'un seul coup plutôt que par parties, ce qui le rend plus rapide et plus efficace. Il peut également gérer des tâches de computer vision 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 tels que 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 explorer comment Ultralytics YOLO11 peut être utilisé pour le distance calculation dans les applications de vision par ordinateur, pourquoi c'est important et son impact dans différents secteurs.

Fig 1. Un exemple d'utilisation de YOLO pour calculer la distance d'atterrissage d'un avion.

Un aperçu du calcul de distance en vision par ordinateur#

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

Pour convertir des mesures en pixels en distances réelles, la calibration est essentielle. Tu peux voir cela comme l'utilisation d'une règle pour mesurer quelque chose, puis l'utilisation de cette mesure pour comprendre la taille d'autres objets. En se référant à des objets de taille connue, la calibration établit un lien entre les pixels et les distances physiques réelles.

Regardons un exemple pour voir comment cela fonctionne. Dans l'image ci-dessous, la pièce est l'objet de référence et sa taille (0,9 pouce par 1,0 pouce) 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 de monnaie peut servir de référence pour mesurer la taille réelle d'autres objets.

Cependant, le calcul de distance est effectué dans un plan bidimensionnel (2D), ce qui signifie qu'il ne mesure que les distances horizontales et verticales entre les objets. C'est différent de l'estimation de profondeur, qui mesure la distance des objets dans un espace tridimensionnel, y compris leur distance par rapport à la caméra.

Bien que les depth cameras puissent mesurer la profondeur réelle et fournir des informations spatiales plus détaillées, dans de nombreux cas, une simple distance calibrée suffit. Par exemple, savoir quelle est la distance entre des objets dans un plan 2D fonctionne très bien pour des tâches telles que le suivi d'objets ou la gestion de files d'attente, de sorte que l'estimation de la profondeur n'est pas nécessaire dans ces situations.

Comprendre le fonctionnement du calcul de distance avec Ultralytics YOLO11#

Ensuite, voyons comment calculer la distance entre deux objets en utilisant la prise en charge par Ultralytics YOLO11 de la object detection et du suivi. Voici les détails :

• Détection et suivi d'objets : Ultralytics YOLO11 peut être utilisé pour détecter des objets en les reconnaissant dans une image et en suivant leur mouvement d'une image à l'autre dans une vidéo. Il attribue un ID de suivi unique à chaque objet, ce qui permet au système de surveiller leur position et leur mouvement tout au long de la vidéo.
• Boîtes englobantes : Des boîtes englobantes sont tracées autour des objets détectés sur la base des résultats de détection d'objets d'Ultralytics YOLO11, qui définissent leur emplacement dans l'image.
• Sélection d'objets : Deux objets peuvent être sélectionnés pour être ciblés, et Ultralytics YOLO11 met à jour les boîtes englobantes à mesure que les objets se déplacent en temps réel.
• Calcul du centroïde : Les centroïdes (les points centraux des boîtes englobantes des deux objets) sont calculés en fonction des coordonnées des coins de la boîte englobante, représentant les positions des objets.
• Calcul de distance : Les centroïdes des deux objets peuvent ensuite être utilisés pour calculer la distance euclidienne entre eux. La distance euclidienne est la distance en ligne droite entre deux points dans un plan 2D, calculée en utilisant les différences dans les directions horizontale et verticale. Cela fournit la distance entre les deux objets en pixels.

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

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

L'impact de l'estimation de distance YOLO#

Étant donné que le calcul des distances à l'aide d'Ultralytics YOLO11 est une estimation, tu te demandes peut-être : où cela peut-il être utilisé et comment cela peut-il faire une différence ?

Puisque des étalonnages sont utilisés pour parvenir à ces estimations de distance, elles sont suffisamment précises pour aider 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 déroulement des opérations.

Un exemple intéressant consiste à utiliser YOLO11 pour track packages sur un tapis roulant et estimer la distance entre eux en temps réel. Cela aide les gestionnaires d'entrepôt à s'assurer que les colis sont correctement espacés, ce qui évite les collisions et garantit le bon déroulement des opérations.

Dans de tels cas, une distance exacte n'est pas toujours nécessaire. Généralement, une plage ou un seuil pour la distance optimale est défini, donc une estimation fonctionne bien pour ces types d'applications.

Fig 4. Détection de colis à l'aide d'Ultralytics YOLO11 et calcul de la distance entre eux.

Le calcul de distance dans les applications de vision par ordinateur#

Diverses applications de vision par ordinateur peuvent bénéficier du calcul de la distance entre des objets à l'aide d'Ultralytics YOLO11. Dans l'analyse de vente au détail, par exemple, cela aide à améliorer la gestion des files d'attente en suivant la position des clients en temps réel. Cela permet aux entreprises de mieux allouer les ressources, de réduire les temps d'attente et de créer une expérience d'achat plus fluide. En ajustant dynamiquement les niveaux de personnel et en gérant le flux de clients, les magasins peuvent éviter la surpopulation et optimiser l'utilisation de l'espace.

De même, dans le domaine de la traffic management, l'estimation de la distance aide à surveiller l'espacement des véhicules et à analyser les schémas de circulation. Cela peut servir à détecter des comportements dangereux, comme le talonnage, et à ajuster les feux de circulation pour maintenir un trafic fluide. Cela contribue à rendre les routes plus sûres en identifiant les problèmes potentiels et en améliorant la gestion globale du trafic en temps réel.

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

Une autre utilisation unique de cette technologie est apparue pendant la COVID-19 pandemic, lorsqu'elle a contribué à promouvoir la distanciation sociale. Elle a permis de s'assurer que les personnes gardaient 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 individus étaient trop proches, 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 distance en vision par ordinateur#

Maintenant que nous avons discuté de certaines des applications du calcul de distance à l'aide de la vision par ordinateur, voici un examen plus approfondi des avantages associés à cette pratique :

• Automatisation : L'IA de vision peut automatiser les tâches de calcul de distance qui nécessiteraient autrement un suivi manuel, réduisant ainsi l'erreur humaine et les coûts de main-d'œuvre tout en augmentant la productivité.
• Optimisation des ressources : En connaissant l'espacement approximatif et la proximité des objets, les ressources (comme le personnel ou les machines) peuvent être optimisées, réduisant le gaspillage et améliorant les flux de travail.
• Complexité de configuration minimale : Une fois configurés, les systèmes de calcul de distance par vision nécessitent relativement peu d'entretien et moins d'intervention humaine par rapport à d'autres systèmes qui reposent sur une saisie manuelle ou des machines complexes.

Malgré ces avantages, il existe également certaines limites à garder à l'esprit lors de la mise en œuvre de tels systèmes. Voici un bref aperçu des facteurs clés à prendre en compte en ce qui concerne le calcul de distance à l'aide de 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 potentielles.
• Privacy concerns : l'utilisation de la computer vision pour suivre des objets ou des personnes peut soulever des problèmes de confidentialité, en particulier dans les espaces publics ou les environnements sensibles où des données personnelles peuvent entrer en jeu.
• Complexité dans les scénarios multi-objets : Dans les environnements avec de nombreux objets en mouvement, le calcul précis des distances entre plusieurs objets simultanément peut entraîner une confusion, en particulier s'ils sont proches les uns des autres ou s'ils s'entrecroisent.

Points clés#

Calculer la distance entre des objets à l'aide d'Ultralytics YOLO11 est une solution fiable qui peut soutenir la prise de décision. C'est particulièrement utile dans les environnements dynamiques tels que 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 effort manuel. Bien qu'il y ait certains défis, tels que la sensibilité aux facteurs environnementaux et les préoccupations en matière de confidentialité, les avantages, comme l'automatisation, l'évolutivité et la facilité d'intégration, en font un outil percutant. À mesure que la vision par ordinateur continue de s'améliorer, en particulier dans des domaines comme le calcul de distance, il est probable que nous assisterons à un réel changement dans la façon dont les machines interagissent avec leur environnement et le comprennent.

Rejoins notre community ! Explore notre GitHub repository pour en savoir plus sur l'IA de vision. Si tu souhaites exploiter la computer vision, consulte nos licensing options. Découvre comment la computer vision in healthcare améliore l'efficacité et observe l'impact de l'AI in agriculture en visitant nos pages de solutions !