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 vision par ordinateur est une branche de l'intelligence artificielle (IA) 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 des décisions rapides, 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 fonctionne en examinant l'image entière à la fois, plutôt que par parties, ce qui le rend plus rapide et plus efficace. Il peut également gérer des tâches de vision par ordinateur comme la segmentation d'instance, l'estimation de pose et la classification d'images.

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

Dans cet article, nous explorerons comment YOLO11 peut être utilisé pour le calcul de distance 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.

Link to this sectionUn 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 les mesures en pixels en distances réelles, la calibration est essentielle. Tu peux imaginer 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 référençant des objets de tailles connues, la calibration crée 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 peut être utilisée comme 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 caméras de profondeur puissent mesurer la profondeur réelle et donner des informations spatiales plus détaillées, dans de nombreux cas, une simple distance calibrée suffit. Par exemple, savoir à quelle distance se trouvent les objets dans un plan 2D fonctionne bien pour des tâches comme le suivi d'objets ou la gestion des files d'attente, donc l'estimation de profondeur n'est pas nécessaire dans ces situations.

Link to this sectionComprendre comment fonctionne le calcul de distance avec YOLO11#

Ensuite, voyons comment calculer la distance entre deux objets en utilisant le support de YOLO11 pour la détection d'objets et le suivi. Voici une décomposition :

• Détection et suivi d'objets : YOLO11 peut être utilisé pour détecter des objets en les reconnaissant dans une image et en suivant leur mouvement à travers les images dans une vidéo. Il attribue un ID de suivi unique à chaque objet, permettant au système de surveiller leur position et leur mouvement tout au long de la vidéo.
• Boîtes englobantes (Bounding boxes) : Les boîtes englobantes sont dessinées autour des objets détectés en fonction des résultats de détection d'objets de YOLO11, qui définissent leur emplacement dans l'image.
• Sélection d'objets : Deux objets peuvent être sélectionnés pour se concentrer sur eux, et YOLO11 met à jour les boîtes englobantes au fur et 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.

Link to this sectionL'impact de l'estimation de distance YOLO#

Étant donné que le calcul des distances à l'aide de YOLO11 est une estimation, tu pourrais te demander : Où cela peut-il être utilisé, et comment cela peut-il faire une différence ?

Comme des calibrations sont utilisées pour arriver à ces estimations de distance, elles sont assez précises pour aider dans de nombreuses situations pratiques. L'estimation de distance de 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 est l'utilisation de YOLO11 pour suivre les colis 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, évitant ainsi les collisions et permettant aux opérations de se dérouler sans problème.

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. Détecter des colis à l'aide de YOLO11 et calculer la distance entre eux.

Link to this sectionLe 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 de YOLO11. Dans l'analyse du commerce de détail, par exemple, cela aide à améliorer la gestion des files d'attente en suivant les positions 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 la gestion du trafic, l'estimation de distance aide à surveiller l'espacement des véhicules et à analyser les modèles de circulation. Cela peut être utilisé pour détecter les comportements dangereux, comme le non-respect des distances de sécurité, et ajuster les feux de circulation pour maintenir un trafic fluide. Cela peut aider 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 activé par la vision peut être utilisé pour surveiller le trafic.

Une autre utilisation unique de cette technologie est apparue pendant la pandémie de COVID-19 lorsqu'elle a aidé à promouvoir la distanciation sociale. Elle garantissait que les gens 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.

Link to this sectionAvantages 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.
• Préoccupations en matière de confidentialité : L'utilisation de la vision par ordinateur 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 pourraient être impliquées.
• 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.

Link to this sectionPoints clés#

Le calcul de la distance entre les objets à l'aide de YOLO11 est une solution fiable qui peut soutenir 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.

YOLO11 permet d'automatiser des tâches qui nécessiteraient normalement un effort manuel. Bien qu'il y ait certains défis, comme la sensibilité aux facteurs environnementaux et les préoccupations en matière de confidentialité, les avantages, tels que l'automatisation, l'évolutivité et l'intégration facile, le rendent percutant. À mesure que la vision par ordinateur continue de s'améliorer, notamment 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 communauté ! Explore notre dépôt GitHub pour en savoir plus sur l'IA de vision. Si tu souhaites tirer parti de la vision par ordinateur, consulte nos options de licence. Découvre comment la vision par ordinateur dans les soins de santé améliore l'efficacité et vois l'impact de l'IA dans l'agriculture en visitant nos pages de solutions !