Top 8 des outils et algorithmes de suivi d'objets open source

Lorsqu'une voiture grille un feu rouge et qu'une amende automatisée est envoyée au conducteur, ou qu'un joueur de football dribble sur le terrain et que la caméra suit fluidement l'action, l'IA travaille discrètement en arrière-plan. Ces systèmes reposent notamment sur la computer vision, un sous-domaine de l'IA qui permet aux machines de voir, d'interpréter et de comprendre les informations visuelles du monde.

Dans le domaine de la computer vision, l'une des tâches clés derrière ces applications est le object tracking. Il est utilisé pour identifier des objets dans chaque image d'une vidéo, puis pour suivre ces objets au fur et à mesure qu'ils se déplacent, se chevauchent ou changent de direction.

Il existe aujourd'hui de nombreux object tracking tools et algorithmes disponibles, chacun étant conçu pour des cas d'utilisation, des besoins de performance et des niveaux de complexité différents. Certains se concentrent sur la vitesse et peuvent suivre des dizaines d'objets en temps réel, tandis que d'autres privilégient la précision ou la stabilité à long terme dans des conditions difficiles comme l'occlusion, les mouvements rapides ou une faible luminosité.

En particulier, les open-source projects ont joué un rôle majeur dans l'avancement de ce domaine. Comme leur code est librement accessible, les développeurs et les chercheurs peuvent étudier leur fonctionnement, améliorer les méthodes existantes et les adapter à de nouvelles applications. Cette ouverture a aidé le suivi d'objets à évoluer rapidement et à être plus facile à intégrer dans des systèmes concrets.

Dans cet article, nous allons explorer huit outils et algorithmes de suivi d'objets open source populaires. Commençons !

Link to this sectionQu'est-ce que le suivi d'objets ?#

Imagine un scénario où un agent de sécurité regarde les images CCTV d'un parking. Il décide de garder un œil sur une voiture rouge. Pendant la lecture de la vidéo, il identifie mentalement cette voiture et continue de la suivre partout où elle va, même lorsque d'autres voitures passent à côté ou que des personnes marchent devant elle.

Le suivi d'objets basé sur l'IA est similaire, mais il fonctionne automatiquement et à grande échelle. En d'autres termes, le suivi d'objets est le processus consistant à suivre un objet à mesure qu'il se déplace à travers les images d'une vidéo et à maintenir son identité constante d'une image à l'autre.

Dans de nombreux systèmes, cela commence par l'object detection, qui trouve et étiquette des objets comme des personnes, des véhicules ou des panneaux de signalisation dans chaque image. Ensuite, à mesure que ces objets se déplacent, apparaissent, disparaissent ou se chevauchent, le système de suivi lie les détections entre les images afin de savoir quel objet est lequel et où chacun va au fil du temps.

Fig 1. Un aperçu du suivi d'objets (Source)

Il existe deux types courants de suivi : le suivi d'objet unique (SOT), qui se concentre sur un objet principal (comme suivre uniquement le ballon dans une vidéo sportive), et le suivi multi-objets (MOT), qui suit plusieurs objets à la fois et attribue à chacun un ID unique (comme suivre toutes les voitures à un carrefour très fréquenté).

Quel que soit le type de suivi, la plupart des systèmes reposent sur trois composants principaux : un détecteur pour trouver les objets dans chaque image, un modèle de mouvement pour prédire comment ces objets sont susceptibles de bouger, et une étape de mise en correspondance pour relier les nouvelles détections aux objets déjà suivis. Ces éléments transforment une vidéo brute en informations significatives sur la façon dont les objets bougent et interagissent au fil du temps.

Link to this sectionLe besoin d'outils de suivi d'objets open source#

Avant de plonger dans les détails, tu te demandes peut-être : qu'est-ce qui rend les outils et algorithmes de suivi d'objets open source si spéciaux ?

Les outils open source ont joué un rôle important en rendant le suivi d'objets plus facile à utiliser et plus largement disponible. Comme le code est ouvert, les développeurs et les chercheurs peuvent voir exactement comment un tracker fonctionne, apprendre de lui et l'adapter à leurs propres projets au lieu de le traiter comme une boîte noire.

Ils bénéficient également de communautés solides. De nombreux outils de suivi open source sont maintenus par des contributeurs actifs qui ajoutent de nouvelles fonctionnalités, améliorent la vitesse et la précision, corrigent les bugs et maintiennent les outils à jour avec les dernières recherches. Cette collaboration continue les aide à rester fiables et utiles dans différentes applications.

Le coût est une autre raison majeure de leur importance. Comme les outils open source sont gratuits, les étudiants, les startups et les petites équipes peuvent expérimenter, prototyper et construire des systèmes concrets sans se soucier des frais de licence ou des coûts d'abonnement.

Link to this sectionTop 8 des outils et algorithmes de suivi d'objets open source#

Une grande variété d'options open source est disponible aujourd'hui pour construire des systèmes de suivi. Certains sont des algorithmes de suivi ou des modèles que tu peux brancher directement dans ton pipeline, tandis que d'autres sont des bibliothèques et des frameworks qui facilitent l'exécution, la gestion et l'intégration de ces modèles. Ensemble, ils couvrent tout, de la logique de suivi de base aux outils environnants dont tu as besoin pour un projet réel.

Ensuite, jetons un œil à huit outils et algorithmes de suivi d'objets open source populaires.

Link to this section1. Les modèles Ultralytics YOLO et le package Ultralytics Python#

L'une des options les plus simples et les plus pratiques pour le suivi d'objets consiste à utiliser les Ultralytics YOLO models en combinaison avec le Ultralytics Python package. Les modèles Ultralytics YOLO tels que Ultralytics YOLO11 et le futur Ultralytics YOLO26 sont des modèles de computer vision qui prennent en charge une gamme de tâches visuelles, notamment l'object detection, la segmentation d'instances, l'estimation de pose et le suivi d'objets.

Fig 2. Un exemple d'utilisation de YOLO11 pour détecter et suivre des objets. (Source)

Il est intéressant de noter que les modèles eux-mêmes ne suivent pas les objets d'une image à l'autre. Au lieu de cela, le package Ultralytics Python, une bibliothèque qui simplifie l'exécution et le déploiement des modèles Ultralytics YOLO, rend le suivi possible en combinant les détections image par image de YOLO avec des algorithmes de suivi multi-objets dédiés tels que BoT-SORT et ByteTrack.

Grâce à sa capacité de suivi intégrée, le package Ultralytics et les modèles Ultralytics YOLO peuvent être utilisés pour détecter des objets dans chaque image, puis attribuer des ID cohérents afin qu'ils puissent être suivis lorsqu'ils se déplacent, se chevauchent, quittent l'image et y rentrent plus tard. Cette approche est de plus en plus adoptée dans des secteurs comme la fabrication et le commerce de détail, permettant des applications telles que les flux de travail d'inspection des défauts, le suivi des flux d'inventaire et le suivi des clients en magasin.

Link to this section2. Trackers OpenCV#

OpenCV est une vaste bibliothèque de computer vision qui comprend une collection d'algorithmes de suivi d'objets. Cette bibliothèque est développée et maintenue par la communauté OpenCV depuis 1999.

Au lieu de s'appuyer sur le deep learning, la plupart de ces trackers utilisent des méthodes traditionnelles de computer vision telles que les filtres de corrélation et les techniques basées sur le noyau (qui suivent un objet en faisant correspondre son apparence visuelle, comme la couleur et la texture, d'une image à la suivante, plutôt que d'apprendre des caractéristiques via des réseaux neuronaux).

Lorsque tu utilises ces algorithmes, tu peux généralement d'abord sélectionner l'objet que tu souhaites suivre, et le tracker recherche en continu la région visuelle la plus similaire dans les images suivantes au fur et à mesure que l'objet se déplace.

Fig 3. Suivi d'objets à l'aide d'OpenCV (Source)

Bien que ces méthodes ne soient peut-être pas aussi robustes que les systèmes de suivi modernes basés sur le deep learning dans des scènes complexes ou bondées, elles sont toujours largement utilisées car elles sont légères, rapides et faciles à exécuter. De plus, comme ces trackers fonctionnent efficacement sur les CPU et ne nécessitent généralement pas de GPU, ils fonctionnent bien pour des expériences rapides, l'apprentissage en classe et les projets amateurs.

Link to this section3. ByteTrack#

ByteTrack est l'un des algorithmes open source les plus populaires pour le suivi multi-objets. Au lieu de ne faire correspondre que les détections dont le modèle est très sûr, il utilise également les détections à plus faible confiance que de nombreux systèmes ignorent normalement.

Cela l'aide à garder une trace des objets qui sont brièvement difficiles à voir, par exemple lorsqu'ils sont partiellement bloqués, éloignés ou en mouvement rapide. Parce qu'il est rapide et fiable, ByteTrack est couramment utilisé dans des applications comme l'analyse du trafic, le suivi des piétons et la surveillance du commerce de détail, où les performances en temps réel et les ID cohérents sont importants.

Comme mentionné précédemment, si tu utilises les modèles Ultralytics YOLO pour la détection, il est facile d'activer ByteTrack via le package Ultralytics Python. Mais il peut également être utilisé indépendamment dans des pipelines personnalisés, ce qui le rend adapté à tout, des prototypes de recherche aux systèmes de production écrits en C++.

Link to this section4. DeepSORT#

Un autre algorithme largement utilisé pour le suivi multi-objets est DeepSORT, abréviation de Deep Simple Online and Real-Time Tracking. C'est une version avancée de SORT, qui signifie Simple Online and Real-Time Tracking.

Semblable à ByteTrack, SORT suit une approche de suivi par détection. Cependant, SORT s'appuie sur un Kalman filter, un modèle mathématique qui estime la position future d'un objet en fonction de son mouvement passé, pour prédire où chaque objet est susceptible de se déplacer ensuite.

Il fait ensuite correspondre les nouvelles détections aux pistes existantes, principalement en fonction de la position et du chevauchement de la bounding-box. Cela rend SORT rapide et léger, mais il peut avoir des difficultés lorsque les objets se chevauchent, se croisent ou disparaissent brièvement de la vue.

DeepSORT améliore SORT en ajoutant des informations d'apparence au processus de suivi. En plus du mouvement et de la position, il utilise un modèle de ré-identification ou re-id basé sur le deep learning qui apprend à quoi ressemblent les objets. Cela permet au tracker de reconnaître le même objet à travers les images, même lorsque le mouvement n'est pas suffisant pour le distinguer des autres.

Pour cette raison, DeepSORT est couramment utilisé dans des applications comme la surveillance et le suivi de foules, où les personnes se chevauchent fréquemment ou sont brièvement obstruées. Cependant, il est considéré comme une référence classique aujourd'hui, et les méthodes de suivi plus récentes atteignent souvent de meilleures performances dans des scènes plus difficiles.

Link to this section5. Norfair#

Norfair est une bibliothèque de suivi légère conçue pour être flexible, plutôt que de t'imposer un pipeline de suivi fixe. Elle peut ajouter un suivi par-dessus presque n'importe quel détecteur, tant que les sorties du détecteur peuvent être représentées sous forme d'un ensemble de points, tels que des centres de bounding-box, des points clés ou des données de coordonnées personnalisées.

Fig 4. Suivi d'objets en conditions réelles à l'aide de Norfair (Source)

Cette flexibilité le rend particulièrement percutant pour les projets impliquant des entrées inhabituelles ou des modèles de mouvement dynamiques où les outils de suivi multi-objets standard peuvent échouer. La bibliothèque fournit également des fonctions de distance intégrées pour contrôler la façon dont les détections sont appariées entre les images.

Ces fonctions de distance mesurent à quel point deux points ou objets sont similaires, donnant aux utilisateurs un contrôle total sur la logique de suivi. Norfair est souvent utilisé dans la robotique, l'analyse du mouvement sportif, la navigation par drone et les applications qui reposent fortement sur le suivi de points de repère de pose ou de keypoints.

Link to this section6. MMTracking#

MMTracking est une boîte à outils de suivi open source de l'équipe OpenMMLab, qui est également à l'origine de bibliothèques de computer vision largement utilisées comme MMDetection. Construit sur MMDetection, il fournit un framework flexible pour développer et expérimenter des systèmes de suivi.

L'un de ses plus grands atouts est sa conception modulaire. Au lieu de t'enfermer dans un pipeline unique, MMTracking te permet de configurer et d'échanger différents composants, tels que des détecteurs, des modules de suivi et, dans certaines configurations, des modèles de ré-identification. En raison de cette flexibilité, il est particulièrement populaire dans la recherche et les projets avancés où les équipes souhaitent évaluer des méthodes, tester de nouvelles idées ou affiner des pipelines de suivi.

Link to this section7. FairMOT#

FairMOT est un framework de suivi multi-objets conçu pour suivre de nombreux objets en même temps. Contrairement aux pipelines traditionnels de suivi par détection qui exécutent la détection d'abord, puis relient les objets entre les images en tant qu'étape distincte, FairMOT apprend la détection et la ré-identification ensemble dans un seul réseau.

Fig 5. Comment fonctionne le framework FairMOT (Source)

Cette configuration conjointe l'aide à maintenir des identités plus cohérentes, surtout dans les scènes bondées où les personnes se chevauchent souvent ou bougent rapidement. FairMOT est couramment utilisé dans des scénarios comme le suivi des piétons et la surveillance de foules, et il est également appliqué dans des environnements tels que l'analyse du commerce de détail et la surveillance du trafic, où le suivi de nombreuses cibles en temps réel est important.

Link to this section8. SiamMask#

SiamMask est une méthode de suivi d'objet unique qui va plus loin que de nombreux trackers en produisant un masque de segmentation en plus d'une bounding-box. En clair, il ne se contente pas de dessiner un rectangle autour de la cible. Il souligne également la forme de l'objet au niveau du pixel, ce qui peut être utile lorsque la cible change de forme, tourne ou devient partiellement cachée.

Fig 6. Suivi et segmentation d'un objet à l'aide de SiamMask (Source)

Cette approche utilise une conception de suivi siamoise, dans laquelle le tracker prend d'abord une petite vue de référence de la cible à partir de la première image, souvent appelée modèle (template). Ensuite, dans chaque nouvelle image, il recherche une région plus large et trouve l'endroit présentant la plus grande similarité avec ce modèle.

SiamMask s'appuie sur cette idée de mise en correspondance. Il prédit également un masque au niveau du pixel pour la cible, de sorte que tu obtiennes à la fois l'emplacement de l'objet et un contour plus précis pendant la lecture de la vidéo.

Link to this sectionFacteurs clés dans le choix d'un outil de suivi d'objets#

Avec les diverses options d'outils de suivi d'objets open source disponibles aujourd'hui dans l'espace de l'IA, la meilleure option pour ton projet de computer vision dépend des exigences de ton cas d'utilisation spécifique. Voici quelques facteurs à prendre en compte :

• Précision : C'est le facteur le plus significatif dans les scènes bondées ou visuellement complexes, où le système de vision doit maintenir des ID stables même en cas de chevauchement, d'occlusion ou de mouvement rapide.
• Vitesse : Pour les applications en temps réel comme la robotique, la surveillance du trafic et l'analyse sportive, la réactivité peut importer plus qu'une précision parfaite.
• Facilité d'intégration : Certains outils de suivi d'objets sont faciles à utiliser en plug-and-play et fonctionnent avec seulement quelques lignes de code, tandis que d'autres nécessitent plus de configuration, de paramétrage ou de travail de pipeline personnalisé.
• Contraintes de déploiement : L'environnement cible, tel que les serveurs GPU, les appareils edge ou le matériel mobile, peut déterminer quelle approche de suivi est pratique.
• Évolutivité : Si ton système doit suivre de nombreux objets à la fois ou traiter plusieurs flux vidéo, le tracker doit évoluer efficacement sans baisse importante des performances.

Chaque outil ou algorithme de suivi d'objets sert un objectif différent. En fin de compte, le bon choix dépend de tes exigences spécifiques, de tes contraintes d'exécution, de tes métriques de performance et du degré de personnalisation requis par ton projet pour l'approche de suivi.

Link to this sectionPoints clés#

Le suivi d'objets a évolué depuis les premières techniques artisanales jusqu'aux systèmes de deep learning de pointe actuels qui interprètent le mouvement, l'identité et le comportement avec une précision impressionnante. Les outils open source ont été une force motrice derrière ces progrès. Ils démocratisent l'accès à des algorithmes puissants, encouragent l'expérimentation et permettent aux chercheurs de construire des pipelines de suivi sophistiqués sans licences restrictives ni infrastructure lourde.

Consulte notre community et notre GitHub repository pour en savoir plus sur l'IA. Explore nos pages de solutions sur AI in agriculture et computer vision in manufacturing. Découvre nos licensing options et commence à construire ton propre modèle de vision.