23 mai 2024
Découvrez comment le modèle Ultralytics YOLOv8 peut être utilisé pour l'estimation de la vitesse dans vos projets de vision par ordinateur. Essayez-le vous-même avec un exemple de codage simple.
Nous avons probablement tous vu des panneaux de limitation de vitesse. Certains d'entre nous ont peut-être même reçu une notification automatisée d'infraction à la limitation de vitesse par courrier ou par courriel. 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 en temps réel captées par les caméras installées aux feux de signalisation et sur les autoroutes sont utilisées pour estimer la vitesse et renforcer la sécurité routière.
L'estimation de la vitesse ne se limite pas à la sécurité routière. Elle peut être utilisée dans les sports, les véhicules autonomes et diverses autres applications. Dans cet article, nous allons voir comment vous pouvez utiliser le modèle Ultralytics YOLOv8 pour l'estimation de la vitesse dans vos projets de vision par ordinateur. Nous vous présenterons également un exemple de codage étape par étape afin que vous puissiez l'essayer vous-même. Commençons par le commencement !
Selon l'Organisation mondiale de la santé (OMS), environ 1,19 million de personnes meurent chaque année dans des accidents de la route dus à des excès de vitesse. En outre, 20 à 50 millions d'autres personnes souffrent de blessures non mortelles, dont beaucoup entraînent des handicaps. On ne saurait trop insister sur l'importance de la sécurité routière, surtout lorsque l'estimation de la vitesse contribue à prévenir les accidents, à sauver des vies et à préserver la sécurité et l'efficacité de nos routes.
L'estimation de la vitesse à l'aide de la vision par ordinateur consiste à détecter et à suivre des objets dans des images vidéo afin de calculer la vitesse à laquelle ils se déplacent. Des algorithmes tels que YOLOv8 peuvent identifier et suivre des objets tels que des véhicules sur plusieurs images consécutives. Le système mesure la distance parcourue par ces objets à l'aide de caméras calibrées ou de points de référence pour évaluer les distances dans le monde réel. En chronométrant le temps nécessaire aux objets pour se déplacer entre deux points, le système calcule leur vitesse à l'aide du rapport distance-temps.
Les systèmes d'estimation de la vitesse intégrés à l'IA ne se contentent pas d'attraper les chauffards, ils peuvent collecter des données pour faire des prévisions sur le trafic. Ces prévisions peuvent faciliter les tâches de gestion du trafic, comme l'optimisation des horaires des feux de signalisation et l'affectation des ressources. La connaissance des schémas de circulation et des causes des embouteillages peut être utilisée pour planifier de nouvelles routes afin de réduire les embouteillages.
Les applications de l'estimation de la vitesse ne se limitent pas à la surveillance des routes. Elles peuvent également être utiles pour surveiller les performances des athlètes, aider les véhicules autonomes à comprendre la vitesse des objets qui se déplacent autour d'eux, détecter les comportements suspects, etc. Partout où une caméra peut être utilisée pour mesurer la vitesse d'un objet, l'estimation de la vitesse à l'aide de la vision par ordinateur peut être utilisée.
Voici quelques exemples d'utilisation de l'estimation de la vitesse :
Les systèmes d'estimation de la vitesse basés sur la vision remplacent les méthodes traditionnelles basées sur des capteurs en raison de leur précision accrue, de leur rentabilité et de leur flexibilité. Contrairement aux systèmes qui reposent sur des capteurs coûteux comme le LiDAR, la vision par ordinateur utilise des caméras standard pour contrôler et analyser la vitesse en temps réel. Les solutions de vision par ordinateur pour l'estimation de la vitesse peuvent être intégrées de manière transparente à l'infrastructure routière existante. En outre, ces systèmes peuvent être conçus pour effectuer un certain nombre de tâches complexes telles que l'identification du type de véhicule et l'analyse des schémas de circulation, afin d'améliorer la fluidité et la sécurité du trafic dans son ensemble.
Maintenant que nous avons une bonne compréhension de l'estimation de la vitesse et de ses applications, examinons de plus près la manière dont vous pouvez intégrer l'estimation de la vitesse dans vos projets de vision par ordinateur à l'aide du code. Nous allons détecter des véhicules en mouvement et estimer leur vitesse à l'aide du modèle YOLOv8.
Cet exemple utilise une vidéo de voitures sur une route téléchargée sur l'internet. Vous pouvez utiliser la même vidéo ou toute autre vidéo pertinente. Le modèle YOLOv8 identifie le centre de chaque véhicule et calcule sa vitesse en fonction de la vitesse à laquelle ce centre traverse une ligne horizontale dans le cadre de la 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 ne pas être tout à fait exacte. De plus, la vitesse estimée peut varier en fonction de la vitesse de votre GPU.
Etape 1 : Nous allons commencer par installer le paquet Ultralytics. Ouvrez votre invite de commande ou votre terminal et exécutez la commande ci-dessous.
Consultez notre guide d'installation d'Ultralytics pour obtenir des instructions pas à pas et des bonnes pratiques sur le processus d'installation. Si vous rencontrez des problèmes lors de l'installation des paquets requis pour YOLOv8, notre guide des problèmes courants contient des solutions et des conseils utiles.
Étape 2 : Ensuite, nous allons importer les bibliothèques nécessaires. La bibliothèque OpenCV nous aidera à traiter les vidéos.
Étape 3 : Ensuite, nous pouvons charger le modèle YOLOv8 et récupérer les noms des classes que le modèle peut détecter.
Consultez tous les modèles que nous prenons en charge pour savoir lequel convient le mieux à votre projet.
Étape 4 : Dans 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.
Étape 5 : Ici, nous allons initialiser le graveur vidéo pour enregistrer les résultats finaux de l'estimation de la vitesse. Le fichier vidéo de sortie sera enregistré sous le nom "speed_estimation.avi".
Etape6 : Ensuite, nous pouvons définir les points de la ligne pour l'estimation de la vitesse. Pour notre vidéo d'entrée, cette ligne sera placée horizontalement au milieu de l'image. N'hésitez pas à jouer avec les valeurs pour placer la ligne dans les positions les plus appropriées, en fonction de votre vidéo d'entrée.
Étape 7 : Nous pouvons maintenant initialiser l'objet d'estimation de la vitesse en utilisant les points de ligne et les noms de classe définis.
Étape 8 : Le cœur du script traite la vidéo image par image. Nous lisons chaque image et détectons et suivons les objets. La vitesse des objets suivis est estimée et l'image annotée est écrite dans la vidéo de sortie.
Étape 9 : Enfin, nous libérons les objets de capture vidéo et d'écriture et fermons toutes les fenêtres OpenCV.
Étape 10 : Enregistrez votre script. Si vous travaillez à partir d'un terminal ou d'une invite de commande, exécutez le script à l'aide de la commande suivante :
Si votre code est exécuté avec succès, votre fichier vidéo de sortie ressemblera à ceci.
Il est également important de comprendre les défis liés à la mise en œuvre de l'estimation de la vitesse à l'aide de la vision par ordinateur. Des conditions météorologiques défavorables comme la pluie, le brouillard ou la neige peuvent poser des problèmes au système car elles peuvent obstruer la visibilité de la route. De même, les occlusions causées par d'autres véhicules ou objets peuvent empêcher ces systèmes de suivre et d'estimer avec précision la vitesse d'un véhicule cible. De mauvaises conditions d'éclairage, avec des ombres ou un éblouissement par le soleil, peuvent également compliquer la tâche d'estimation de la vitesse.
Un autre défi concerne la puissance de calcul. Pour estimer la vitesse en temps réel, nous devons traiter un grand nombre de données visuelles provenant de caméras de circulation de haute qualité. Votre solution peut nécessiter un matériel coûteux pour gérer tout cela et garantir que tout fonctionne rapidement sans retard.
Vient ensuite la question de la protection de la vie privée. Les données collectées par ces systèmes peuvent inclure les détails du véhicule d'une personne, tels que la marque, le modèle et la plaque d'immatriculation, qui sont recueillis 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 le plus grand soin.
L'utilisation du modèle Ultralytics YOLOv8 pour l'estimation de la vitesse constitue une solution flexible et efficace pour de nombreuses utilisations. Bien qu'il y ait des défis à relever, comme la précision dans des conditions difficiles et la prise en compte des questions de protection de la vie privée, les avantages sont multiples. L'estimation de la vitesse par vision par ordinateur est plus rentable, plus adaptable et plus précise que les anciennes méthodes. Elle est utile dans divers secteurs tels que les transports, les sports, la surveillance et les voitures autonomes. Avec tous ces avantages et ces applications, elle est destinée à devenir un élément clé des futurs systèmes intelligents.
L'IA vous intéresse ? Entrez en contact avec notre communauté! Explorez notre dépôt GitHub pour en savoir plus sur la façon dont nous utilisons l'IA pour créer des solutions innovantes dans divers secteurs tels que la santé et l'agriculture. Collaborez, innovez et apprenez avec nous ! 🚀
.webp)