20 novembre 2024
Rejoignez-nous pour découvrir comment utiliser Ultralytics YOLO11 pour le suivi d'objets dans des applications en temps réel telles que la surveillance, l'agriculture et la fabrication.
Supposons que vous souhaitiez contrôler et suivre le mouvement des composants sur une chaîne de montage dans une usine de fabrication afin de garantir le contrôle de la qualité et d'améliorer l'efficacité du flux de travail. En règle générale, cela implique des inspections manuelles ou l'utilisation de capteurs de base pour suivre les éléments, ce qui peut prendre du temps et être source d'erreurs. Cependant, la vision par ordinateur et le suivi d'objets peuvent être utilisés pour automatiser et améliorer ce processus.
Le suivi d'objets est une tâche de vision par ordinateur qui permet de détecter, d'identifier et de suivre des objets dans une vidéo. Il peut être utilisé pour une grande variété d'applications, de la surveillance des animaux dans les fermes à la sécurité et à la surveillance dans les magasins de détail. Les objets suivis dans une vidéo sont généralement visualisés à l'aide de boîtes de délimitation afin d'aider l'utilisateur à voir exactement où ils sont situés et détectés dans l'image vidéo.
Lancé lors de l'événement hybride annuel d'Ultralytics, YOLO Vision 2024 (YV24), Ultralytics YOLO11 est un modèle de vision par ordinateur qui peut gérer une grande variété de tâches d'IA Vision, y compris le suivi d'objets. Dans cet article, nous allons explorer le fonctionnement du suivi d'objets et discuter d'applications réelles. Nous verrons également comment vous pouvez tester le suivi d'objets à l'aide de YOLO11. C'est parti !
Le suivi d'objets est une technique essentielle de vision par ordinateur. Elle permet d'identifier et de suivre les objets dans une vidéo au fil du temps. Le suivi d'objets peut sembler très similaire à une autre tâche de vision par ordinateur, la détection d'objets. La principale différence entre les deux réside dans la manière dont elles traitent les images vidéo. La détection d'objets examine chaque image individuellement, identifiant et classant les objets sans tenir compte des images précédentes ou futures. Le suivi d'objet, quant à lui, relie les points entre les images, en suivant les mêmes objets dans le temps et en gardant une trace de leurs mouvements.
Voici une présentation plus détaillée du fonctionnement du suivi des objets:
Ultralytics prend en charge le suivi d'objets en temps réel en s'appuyant sur des algorithmes de suivi avancés tels que BoT-SORT et ByteTrack. Il fonctionne également de manière transparente avec les modèles de segmentation et d'estimation de la pose YOLO11, ce qui en fait un outil flexible pour un large éventail de tâches de suivi.
Les capacités polyvalentes du modèle YOLO11 d'Ultralytics ouvrent la voie à un large éventail d'applications possibles dans de nombreux secteurs. Examinons de plus près quelques cas d'utilisation de YOLO11 pour le suivi d'objets.
Le suivi d'objets est essentiel pour aider les voitures autonomes à fonctionner de manière sûre et efficace. Ces véhicules doivent constamment comprendre leur environnement pour prendre des décisions en temps réel, comme s'arrêter, tourner ou changer de voie. La détection d'objets permet à la voiture d'identifier les éléments clés de son environnement, tels que les piétons, les cyclistes, les autres véhicules et les panneaux de signalisation. Toutefois, la détection de ces objets en un seul instant n'est pas suffisante pour assurer une navigation sûre.
C'est là qu'intervient le suivi des objets. Il permet à la voiture de suivre ces objets dans le temps, en suivant leurs mouvements sur plusieurs images. Par exemple, il aide les véhicules autonomes à prédire où se dirige un piéton, à surveiller la vitesse et la direction des véhicules à proximité ou à reconnaître qu'un feu de circulation n'a pas changé. En combinant la détection et le suivi, les voitures autonomes peuvent anticiper les mouvements des objets qui les entourent, réagir de manière proactive et conduire en toute sécurité et sans heurts.
Le suivi des animaux d'une ferme, comme le bétail, est essentiel pour une gestion efficace, mais il peut s'agir d'une tâche fastidieuse et chronophage. Les méthodes traditionnelles, telles que l'utilisation de capteurs ou d'étiquettes, présentent souvent des inconvénients. Ces dispositifs peuvent stresser les animaux lorsqu'ils sont attachés et sont susceptibles de tomber ou d'être endommagés, ce qui perturbe le suivi.
La vision par ordinateur offre aux agriculteurs une meilleure solution pour surveiller et suivre les animaux sans qu'il soit nécessaire d'utiliser des étiquettes physiques. Le suivi d'objets peut donner aux agriculteurs des informations précieuses sur le comportement et la santé des animaux. Par exemple, il peut aider à détecter des conditions telles que la boiterie qui affecte la façon dont un animal marche. En utilisant le suivi d'objets, les agriculteurs peuvent repérer des changements subtils dans les mouvements et s'attaquer rapidement aux problèmes de santé.
Au-delà de la surveillance de la santé, la vision par ordinateur peut également aider les éleveurs à comprendre d'autres comportements, tels que les interactions sociales, les habitudes alimentaires et les schémas de déplacement. Ces informations peuvent améliorer la gestion du troupeau, optimiser les programmes d'alimentation et favoriser le bien-être général des animaux. En réduisant le travail manuel et le stress des animaux, le suivi basé sur la vision par ordinateur est un outil pratique et efficace pour l'agriculture moderne.
Le suivi d'objets a de nombreuses applications dans le secteur manufacturier. Par exemple, les systèmes de détection et de suivi d'objets permettent de surveiller les lignes de production. Les produits ou les matières premières peuvent être facilement suivis et comptés lorsqu'ils se déplacent sur un tapis roulant. Ces systèmes peuvent également être intégrés à d'autres systèmes de vision par ordinateur pour effectuer des tâches supplémentaires. Par exemple, un article présentant un défaut peut être identifié à l'aide d'un système de détection des défauts et suivi à l'aide d'un système de suivi des objets afin de s'assurer qu'il est correctement pris en charge.
Une autre application importante de la localisation d'objets dans l'industrie manufacturière est liée à la sécurité. Les systèmes de suivi d'objets peuvent être utilisés pour détecter et suivre les travailleurs dans des environnements industriels potentiellement dangereux. Les zones dangereuses peuvent être marquées et surveillées en permanence à l'aide de systèmes de vision par ordinateur, et les superviseurs peuvent être avertis si les travailleurs (suivis) s'approchent de ces zones. Ces systèmes de sécurité peuvent également être utilisés pour détecter et suivre les équipements, afin de prévenir les risques de vol.
Le suivi d'objets en temps réel est largement utilisé dans les systèmes de sécurité et de surveillance. Ces systèmes peuvent être utilisés pour surveiller les lieux publics, les centres de transport et les grands environnements de vente au détail tels que les centres commerciaux. Dans les zones très fréquentées, cette technologie permet de suivre les individus suspects ou le comportement de la foule, offrant ainsi une solution de surveillance sans faille. Par exemple, pendant la pandémie, des systèmes de suivi d'objets ont été utilisés pour surveiller les zones bondées et s'assurer que les gens maintenaient une distance sociale.
Le suivi d'objets peut également être utilisé dans le cadre de la surveillance du trafic. Le suivi d'objets permet de suivre et d'analyser le comportement des véhicules, de repérer les actions inhabituelles ou suspectes en temps réel afin d'aider à prévenir les accidents ou les délits. Les systèmes d'estimation de la vitesse en sont un bon exemple. Ils peuvent détecter et suivre un véhicule pour déterminer sa vitesse.
Maintenant que nous avons exploré quelques-unes des applications de suivi d'objets, voyons comment vous pouvez les tester en utilisant le modèle YOLO11 d'Ultralytics.
Pour commencer, installez le package Ultralytics Python à l'aide de pip, conda ou Docker. Si vous rencontrez des difficultés lors de l'installation, notre Guide des problèmes courants vous propose des conseils de dépannage utiles.
Une fois le paquetage installé avec succès, exécutez le code suivant. Il explique comment charger le modèle Ultralytics YOLO11 et l'utiliser pour suivre des objets dans un fichier vidéo. Le modèle utilisé dans le code est "yolo11n.pt". Le "n" signifie Nano - la plus petite variante du modèle YOLO11. Il existe également d'autres variantes du modèle : petit, moyen, grand et très grand.
Vous pouvez également choisir d'utiliser un modèle entraîné sur mesure plutôt qu'un modèle pré-entraîné. L'entraînement personnalisé consiste à affiner un modèle pré-entraîné pour l'adapter à votre application spécifique.
Comme indiqué précédemment, le suivi d'objet est pris en charge pour les modèles YOLO11 suivants : détection d'objet, estimation de la pose et segmentation d'instance. Si vous avez une application spécifique impliquant le suivi, vous pouvez personnaliser l'entraînement de n'importe lequel de ces modèles en fonction de votre application. Vous pouvez entraîner un modèle à l'aide du package Ultralytics Python ou de la plateforme sans code Ultralytics HUB.
Ultralytics YOLO11 est un excellent outil pour suivre les objets dans les vidéos, et il peut être utilisé dans de nombreux domaines, tels que les voitures autonomes, l'agriculture, la fabrication et la sécurité. Il peut détecter et suivre des objets en temps réel, aidant ainsi les entreprises et les industries à suivre leurs travailleurs et leurs équipements. Le modèle est facile à utiliser et peut être personnalisé pour répondre à des besoins spécifiques, ce qui en fait une bonne option pour toute personne souhaitant adopter des capacités de vision par ordinateur de manière transparente.
Pour en savoir plus, visitez notre dépôt GitHub et participez à la vie de notre communauté. Explorez les applications de l'IA dans les voitures auto-conduites et l'agriculture sur nos pages de solutions. 🚀
.webp)
.webp)
