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

Nous avons probablement tous déjà vu des panneaux de limitation de vitesse. Certains d’entre nous ont même peut-être reçu par courrier ou par e-mail un avis automatisé d’excès de vitesse. Les systèmes de gestion du trafic fondés sur l’intelligence artificielle (IA) peuvent signaler automatiquement les infractions pour excès de vitesse grâce à la vision par ordinateur. Les images en temps réel capturées par des caméras installées sur les lampadaires et 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 routière. Elle peut être utilisée dans le sport, les véhicules autonomes et bien d’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 suivrons également pas à pas un exemple de code pour que tu puisses le tester toi-même.

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

Selon l’Organisation mondiale de la Santé (OMS), environ 1,16 million de personnes meurent chaque année dans des accidents de la route, et la vitesse excessive en est une cause majeure. Par ailleurs, 20 à 50 millions de personnes supplémentaires subissent des blessures non mortelles, dont beaucoup entraînent des handicaps. L’importance de la sécurité routière est capitale, d’autant plus que l’estimation de la vitesse aide à prévenir les accidents, à sauver des vies et à rendre nos routes plus sûres et plus efficaces.

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 modèles 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 permettant 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 avec le modèle Ultralytics YOLOv8.

En plus de repérer les excès de vitesse, les systèmes d’estimation de la vitesse intégrant l’IA peuvent recueillir des données pour prévoir l’évolution du trafic. Ces prévisions peuvent faciliter des tâches de gestion du trafic, comme l’optimisation du minutage des feux et de l’affectation des ressources. Les informations sur les tendances de circulation et les causes des embouteillages peuvent servir à planifier de nouvelles routes pour 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 aussi servir à surveiller les performances des athlètes, aider les véhicules autonomes à comprendre la vitesse des objets qui les entourent, détecter les 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 par vision pour éviter les collisions.
• Les villes intelligentes étudient l’analyse de la démarche des piétons pour surveiller leur vitesse de marche et améliorer la mobilité et la sécurité urbaines. Ces systèmes peuvent avertir 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.

Avantages de l’estimation de la vitesse par vision par ordinateur#

Les systèmes d’estimation de la vitesse par vision remplacent les méthodes traditionnelles fondées sur des capteurs grâce à leur meilleure précision, à leur rentabilité et à leur flexibilité. Contrairement aux systèmes qui reposent sur des capteurs coûteux comme le LiDAR, la vision par ordinateur utilise des caméras classiques pour surveiller et analyser la vitesse en temps réel. Les solutions de vision par ordinateur pour l’estimation de la vitesse peuvent s’intégrer à l’infrastructure routière existante. Ces systèmes peuvent aussi être conçus pour effectuer diverses tâches complexes, comme l’identification du type de véhicule et l’analyse des schémas de circulation, afin d’améliorer la fluidité globale du trafic et la sécurité.

À toi de jouer : estimation de la vitesse avec Ultralytics YOLOv8#

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

Cet exemple utilise une vidéo de voitures sur une route téléchargée depuis Internet. Tu peux utiliser cette vidéo ou toute autre vidéo pertinente. Le modèle Ultralytics YOLOv8 détecte et suit chaque véhicule, et l’estimateur de vitesse convertit la distance parcourue par chaque véhicule suivi sur plusieurs images en une vitesse, en utilisant la fréquence d’images de la vidéo et une échelle en mètres par pixel.

Avant de commencer, il est important de noter que, dans ce cas, le calcul de la distance est approximatif et repose sur la distance euclidienne en pixels multipliée par une valeur estimée de mètres par pixel. L’étalonnage de la caméra n’est pas pris en compte ; l’estimation de la vitesse risque donc de manquer de précision.

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

pip install ultralytics

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

Étape 2 : Importe ensuite les bibliothèques nécessaires. La bibliothèque OpenCV nous aidera à traiter les vidéos.

import cv2
from ultralytics import solutions

Étape 3 : À cette étape, nous allons ouvrir le fichier vidéo d’entrée avec le module VideoCapture d’OpenCV. Nous allons également extraire 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 4 : Nous allons ici initialiser l’enregistreur vidéo afin de 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 5 : Nous pouvons maintenant initialiser l’objet d’estimation de la vitesse avec le modèle Ultralytics YOLOv8 et la fréquence d’images de la vidéo. La valeur meter_per_pixel définit l’échelle réelle de la scène ; n’hésite donc pas à l’ajuster à ta configuration de caméra.

speed_obj = solutions.SpeedEstimator(
    model="yolov8n.pt",
    fps=fps,
    meter_per_pixel=0.05,
    show=True,
)

Découvre tous les modèles que nous prenons en charge pour déterminer lequel convient le mieux à ton projet.

Étape 6 : Le cœur du script traite la vidéo image par image. Nous lisons chaque image, puis l’estimateur de vitesse détecte et suit les objets, estime leur vitesse et renvoie l’image annotée, qui 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
    results = speed_obj(im0)
    video_writer.write(results.plot_im)

Étape 7 : 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 8 : Enregistre ton script. Si tu travailles dans un terminal ou une invite de commandes, exécute le script avec la commande suivante :

python your_script_name.py

Les défis de l’estimation de la vitesse par 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 empêcher ces systèmes de suivre un véhicule cible et d’estimer sa vitesse avec précision. 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 de nombreuses données visuelles provenant de caméras de circulation haute définition. Ta solution peut nécessiter du matériel coûteux pour traiter toutes ces données et garantir un fonctionnement rapide, sans retard.

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

À toute vitesse vers l’avenir#

Le modèle Ultralytics YOLOv8 offre une solution flexible et efficace pour de nombreuses applications d’estimation de la vitesse. Malgré certaines difficultés, comme la précision dans des conditions difficiles et la gestion des problèmes de confidentialité, ses avantages sont considérables. Par rapport aux méthodes plus anciennes, l’estimation de la vitesse par vision par ordinateur est plus rentable, adaptable et précise. 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 devrait jouer un rôle clé dans les futurs systèmes intelligents.

Tu t’intéresses à l’IA ? Rejoins notre communauté ! Explore notre dépôt GitHub pour en savoir plus sur notre utilisation de l’IA afin de créer des solutions innovantes dans différents secteurs, comme les soins de santé et l’agriculture. Collabore, innove et apprends avec nous !