Suivi des objets

Comment fonctionne le suivi d'objet

Le suivi d'objets commence généralement par la détection d'objets dans l'image initiale à l'aide d'un détecteur d'objets, tel que le modèle YOLO d'Ultralytics. Une fois l'objet détecté, souvent représenté par une boîte englobante, l'algorithme de suivi lui attribue un identifiant unique. Dans les images suivantes, l'algorithme prédit le nouvel emplacement de l'objet en fonction de son état précédent, qui peut inclure la position, la vitesse et les caractéristiques d'apparence. Cette prédiction fait souvent appel à des techniques telles que l'estimation du mouvement. Le système associe ensuite les objets nouvellement détectés dans l'image en cours aux objets suivis existants, en mettant à jour leurs trajectoires et en conservant leurs identifiants uniques.

Ce processus doit gérer plusieurs défis, notamment les objets qui deviennent temporairement cachés (occlusion), les changements d'apparence des objets, les interactions complexes entre plusieurs objets et les variations de l'éclairage ou du point de vue de la caméra. Les techniques couramment utilisées pour relever ces défis comprennent des méthodes de filtrage telles que le filtre de Kalman (KF) pour la prédiction et l'association des mouvements, et des approches d'apprentissage profond (DL) plus avancées telles que SORT (Simple Online and Realtime Tracking) et DeepSORT, qui combinent les caractéristiques de mouvement et d'apparence pour un suivi plus robuste. Les modèles Ultralytics prennent en charge différents trackers disponibles pour la mise en œuvre de ces techniques. Une gestion efficace des occlusions est cruciale pour maintenir la continuité de la trace.

Différences essentielles par rapport aux concepts apparentés

Il est important de distinguer le suivi d'objets des autres tâches de vision par ordinateur:

• Détection d'objets: Identifie et localise les objets (généralement avec des boîtes de délimitation) dans une seule image ou un seul cadre. Elle répond à la question suivante : "Quels objets se trouvent à quel endroit dans cette image ?" Le suivi d'objet s'appuie sur la détection en y ajoutant la dimension temporelle, en répondant à la question "Où cet objet spécifique s'est-il déplacé dans le temps ?"
• Classification d'images: Attribue une étiquette unique à l'ensemble d'une image (par exemple, "contient un chat"). Elle ne localise pas les objets et ne les suit pas.
• Segmentation d'images: Attribue une étiquette de classe à chaque pixel d'une image. Si la segmentation d'instance permet de distinguer différentes instances d'objets, la segmentation standard ne permet pas de suivre ces instances d'une image à l'autre. La combinaison de la segmentation d'instance et du suivi(segmentation d'instance et suivi) est une tâche connexe mais plus complexe qui fournit des masques au niveau des pixels pour les objets suivis.

Applications dans le monde réel

Le suivi d'objets, en particulier le suivi d'objets multiples (MOT), est crucial pour de nombreuses applications d'intelligence artificielle dans le monde réel :

• Véhicules autonomes: Essentiel pour suivre les piétons, les cyclistes et les autres véhicules afin de prédire leurs mouvements, ce qui permet de naviguer en toute sécurité et d'éviter les collisions. Cette capacité est fondamentale pour atteindre des niveaux plus élevés d'automatisation de la conduite et alimente de nombreuses solutions d'IA dans les voitures autonomes.
• Vidéosurveillance et sécurité : Surveillance de personnes ou de véhicules dans des zones sensibles, détection de comportements inhabituels et déclenchement d'alertes automatisées. Les exemples incluent la création d'un système d'alarme de sécurité ou l'utilisation de caméras de sécurité IA pour la protection du périmètre.
• Analyse du commerce de détail: Suivre les parcours des clients dans les magasins pour optimiser l'agencement, analyser les temps d'attente, effectuer une gestion automatisée des files d'attente et comprendre les habitudes d'achat afin d'améliorer l'expérience des clients dans le cadre de l'IA dans le commerce de détail.
• Analyses sportives: Suivre les joueurs et le ballon pendant les matchs fournit des données précieuses pour l'analyse des performances, la planification tactique et la création de moments forts automatisés. En savoir plus sur la vision par ordinateur dans le domaine du sport.
• Robotique: Permettre aux robots de suivre et d'interagir avec des objets ou des personnes dans des environnements dynamiques, ce qui est essentiel pour des tâches telles que la fabrication collaborative ou la navigation autonome dans les entrepôts.
• Surveillance de la faune : Suivi non invasif des animaux pour étudier le comportement, les schémas de migration et la taille des populations, afin de contribuer aux efforts de conservation. Les modèles Ultralytics tels que YOLOv8 ont été utilisés pour la surveillance des animaux.
• Gestion du trafic : Surveillance des flux de véhicules, comptage des véhicules dans des régions spécifiques(comptage régional) et détection des incidents pour une infrastructure urbaine plus intelligente(IA dans la gestion du trafic).

Outils et mise en œuvre

La mise en œuvre du suivi d'objets implique souvent de combiner des modèles de détection d'objets avec des algorithmes de suivi. Des bibliothèques populaires comme OpenCV fournissent des fonctionnalités de suivi de base. Des frameworks tels que PyTorch et TensorFlow sont utilisés pour construire et entraîner les modèles de détection sous-jacents. Ultralytics simplifie ce processus en intégrant des capacités de suivi directement dans ses modèles comme YOLO11. Les utilisateurs peuvent facilement activer le suivi en utilisant le mode de suivi dédié. Pour gérer l'ensemble du flux de travail, de l'annotation des données au déploiement, des plateformes comme Ultralytics HUB offrent des outils complets. Vous pouvez suivre des guides tels que le guide de suivi des objets de YOLO11 pour commencer.