Ultralytics YOLOv8 pour l’estimation de vitesse dans les projets de vision par ordinateur

Nous avons probablement tous vu des panneaux indiquant la limitation de vitesse. Certains d’entre nous ont peut-être même reçu par courrier ou par e-mail une notification automatisée d’infraction à la limitation de vitesse. Les systèmes de gestion du trafic basés sur l’intelligence artificielle (IA) peuvent signaler automatiquement les excès de vitesse grâce à la vision par ordinateur. Les images vidéo en temps réel capturées par des caméras installées aux feux de circulation et sur les autoroutes servent à estimer la vitesse et à renforcer la sécurité routière.

L’estimation de la vitesse ne se limite pas à la sécurité sur les autoroutes. Elle peut être utilisée dans le sport, les véhicules autonomes et diverses autres applications. Dans cet article, nous verrons comment utiliser le modèle Ultralytics YOLOv8 pour estimer la vitesse dans tes projets de vision par ordinateur. Nous parcourrons également pas à pas un exemple de code pour que tu puisses l’essayer toi-même. Commençons !

L’estimation de la vitesse facilite la gestion du trafic#

Selon l’Organisation mondiale de la Santé (WHO), environ 1,19 million de personnes meurent chaque année dans des accidents de la circulation en raison de la vitesse excessive. De plus, 20 à 50 millions de personnes supplémentaires subissent des blessures non mortelles, dont beaucoup entraînent un handicap. L’importance de la sécurité routière ne peut être sous-estimée, surtout lorsque l’estimation de la vitesse contribue à prévenir les accidents, à sauver des vies et à maintenir des routes sûres et fluides.

L’estimation de la vitesse par vision par ordinateur consiste à détecter et à suivre des objets dans des images vidéo afin de calculer leur vitesse de déplacement. Des algorithmes comme Ultralytics YOLOv8 peuvent identifier et suivre des objets tels que des véhicules dans des images successives. Le système mesure la distance parcourue par ces objets à l’aide de caméras étalonnées ou de points de référence afin d’évaluer les distances réelles. En mesurant le temps nécessaire aux objets pour se déplacer entre deux points, le système calcule leur vitesse à partir du rapport entre la distance et le temps.

Fig 1. Estimation de la vitesse à l’aide du modèle Ultralytics YOLOv8.

Au-delà de la détection des excès de vitesse, les systèmes d’estimation de la vitesse intégrant l’IA peuvent collecter des données pour établir des prévisions sur le trafic. Ces prévisions peuvent faciliter des tâches de gestion du trafic comme l’optimisation de la durée des feux et l’allocation des ressources. Les informations sur les schémas de circulation et les causes des embouteillages peuvent servir à planifier de nouvelles routes afin de réduire la congestion.

Applications de l’estimation de la vitesse dans d’autres secteurs#

Les applications de l’estimation de la vitesse vont au-delà de la surveillance des routes. Elle peut également être utile pour surveiller les performances des athlètes, aider les véhicules autonomes à comprendre la vitesse des objets qui se déplacent autour d’eux, détecter des comportements suspects, etc. Partout où une caméra peut mesurer la vitesse d’un objet, l’estimation de la vitesse par vision par ordinateur peut être utilisée.

Voici quelques exemples d’utilisation de l’estimation de la vitesse :

• Les voitures autonomes de Tesla utilisent l’estimation de la vitesse basée sur la vision pour éviter les collisions.
• La vision par ordinateur et l’estimation de la vitesse seront utilisées lors des Jeux olympiques de 2024 pour améliorer l’analyse des performances dans les épreuves d’athlétisme.
• Les villes intelligentes étudient l’analyse de la démarche des piétons afin de surveiller leur vitesse de marche et d’améliorer la mobilité et la sécurité urbaines. Ces systèmes peuvent alerter les conducteurs de la présence de piétons et prévenir les accidents.
• Les systèmes de surveillance du comportement animal utilisent l’estimation de la vitesse pour suivre les déplacements des animaux et détecter les signes de détresse ou de maladie.

Fig 2. L’estimation de la vitesse peut mesurer la vitesse de marche d’une personne.

Les avantages de l’estimation de la vitesse par vision par ordinateur#

Les systèmes d’estimation de la vitesse basés sur la vision remplacent les méthodes traditionnelles fondées sur des capteurs grâce à leur précision accrue, leur rentabilité et leur flexibilité. Contrairement aux systèmes qui dépendent de capteurs coûteux comme le LiDAR, la vision par ordinateur utilise des caméras standard pour surveiller et analyser la vitesse en temps réel. Les solutions de vision par ordinateur destinées à l’estimation de la vitesse peuvent s’intégrer facilement à l’infrastructure de gestion du trafic existante. De plus, ces systèmes peuvent être conçus pour effectuer des tâches complexes comme l’identification du type de véhicule et l’analyse des schémas de circulation afin d’améliorer la fluidité et la sécurité globales du trafic.

Essaie par toi-même : estimation de la vitesse avec Ultralytics YOLOv8#

Maintenant que nous comprenons clairement l’estimation de la vitesse et ses applications, examinons de plus près comment intégrer l’estimation de la vitesse à tes projets de vision par ordinateur grâce au code. Nous détecterons les véhicules en mouvement et estimerons leur vitesse à l’aide du modèle Ultralytics YOLOv8.

Cet exemple utilise une vidéo de voitures roulant sur une route, téléchargée sur Internet. Tu peux utiliser la même vidéo ou toute autre vidéo pertinente. Le modèle Ultralytics YOLOv8 identifie le centre de chaque véhicule et calcule sa vitesse en fonction de la rapidité avec laquelle ce centre franchit une ligne horizontale dans l’image vidéo.

Avant de commencer, il est important de noter que, dans ce cas, le calcul de la distance est approximatif et basé sur la distance euclidienne. L’étalonnage de la caméra n’est pas pris en compte, et l’estimation de la vitesse peut donc manquer de précision. De plus, la vitesse estimée peut varier en fonction de la vitesse de ton GPU.

Étape 1 : Nous commencerons par installer le package Ultralytics. Ouvre ton invite de commandes ou ton terminal et exécute la commande ci-dessous.

pip install ultralytics

Consulte notre guide d’installation Ultralytics pour obtenir des instructions détaillées étape par étape et découvrir les bonnes pratiques du processus d’installation. Si tu rencontres des problèmes lors de l’installation des packages requis pour YOLOv8, notre guide des problèmes courants propose des solutions et des conseils utiles.

Étape 2 : Nous importerons ensuite les bibliothèques nécessaires. La bibliothèque OpenCV nous aidera à gérer le traitement vidéo.

import cv2
from ultralytics import YOLO, solutions

Étape 3 : Nous pouvons ensuite charger le modèle Ultralytics YOLOv8 et récupérer les noms des classes que le modèle peut détecter.

model = YOLO("yolov8n.pt")
names = model.model.names

Consulte tous les modèles que nous prenons en charge pour déterminer celui qui convient le mieux à ton projet.

Étape 4 : À cette étape, nous ouvrirons le fichier vidéo d’entrée à l’aide du module VideoCapture d’OpenCV. Nous extrairons également la largeur, la hauteur et le nombre d’images par seconde (fps) de la vidéo.

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

Étape 5 : Nous allons ici initialiser l’enregistreur vidéo pour sauvegarder les résultats finaux de l’estimation de la vitesse. Le fichier vidéo de sortie sera enregistré sous le nom « speed_estimation.avi ».

video_writer = cv2.VideoWriter("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

Étape 6 : Nous pouvons ensuite définir les points de la ligne utilisée pour l’estimation de la vitesse. Pour notre vidéo d’entrée, cette ligne sera placée horizontalement au milieu de l’image. N’hésite pas à modifier les valeurs pour placer la ligne aux positions les plus adaptées, selon ta vidéo d’entrée.

line_pts = [(0, 360), (1280, 360)]

Étape 7 : Nous pouvons maintenant initialiser l’objet d’estimation de la vitesse à l’aide des points de ligne et des noms de classes définis.

speed_obj = solutions.SpeedEstimator(
    reg_pts=line_pts,
    names=names,
    view_img=True,
)

Étape 8 : Le script traite la vidéo image par image. Nous lisons chaque image, puis détectons et suivons les objets. La vitesse des objets suivis est estimée, et l’image annotée est écrite dans la vidéo de sortie.

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

Étape 9 : Enfin, nous libérons les objets de capture et d’écriture vidéo, puis fermons toutes les fenêtres OpenCV.

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Étape 10 : Enregistre ton script. Si tu travailles depuis ton terminal ou ton invite de commandes, exécute le script avec la commande suivante :

python your_script_name.py

Les difficultés de l’estimation de la vitesse basée sur la vision#

Il est également important de comprendre les difficultés liées à la mise en œuvre de l’estimation de la vitesse par vision par ordinateur. Des conditions météorologiques défavorables comme la pluie, le brouillard ou la neige peuvent perturber le système en réduisant la visibilité de la route. De même, les occultations causées par d’autres véhicules ou objets peuvent compliquer le suivi et l’estimation précise de la vitesse d’un véhicule cible. Les mauvaises conditions d’éclairage, qui provoquent des ombres ou des reflets dus au soleil, peuvent également compliquer davantage l’estimation de la vitesse.

Un autre défi concerne la puissance de calcul. Pour estimer la vitesse en temps réel, nous devons traiter une grande quantité de données visuelles provenant de caméras de circulation haute qualité. Ta solution peut nécessiter du matériel coûteux pour gérer tout cela et garantir un fonctionnement rapide et sans délai.

Vient ensuite la question de la confidentialité. Les données collectées par ces systèmes peuvent inclure des informations sur le véhicule d’une personne, comme sa marque, son modèle et son numéro de plaque d’immatriculation, recueillies sans son consentement. Certaines caméras HD modernes peuvent même capturer des images des occupants à l’intérieur de la voiture. Une telle collecte de données peut soulever de graves problèmes éthiques et juridiques, qui doivent être traités avec la plus grande attention.

L’estimation de la vitesse se dirige vers l’avenir#

L’utilisation du modèle Ultralytics YOLOv8 pour l’estimation de la vitesse fournit une solution flexible et efficace pour de nombreux usages. Malgré certains défis, comme la précision dans des conditions difficiles et la résolution des problèmes de confidentialité, les avantages sont nombreux. L’estimation de la vitesse assistée par la vision par ordinateur est plus rentable, adaptable et précise que les anciennes méthodes. Elle est utile dans divers secteurs comme les transports, le sport, la surveillance et les voitures autonomes. Compte tenu de tous ses avantages et de ses applications, elle est appelée à devenir un élément essentiel des futurs systèmes intelligents.

L’IA t’intéresse ? Rejoins notre communauté ! Explore notre dépôt GitHub pour en savoir plus sur la manière dont nous utilisons l’IA afin de créer des solutions innovantes dans divers secteurs comme la santé et l’agriculture. Collabore, innove et apprends avec nous ! 🚀