Object Tracking

Le suivi d'objets est un processus dynamique en computer vision (CV) qui consiste à identifier des entités spécifiques dans une vidéo et à surveiller leur mouvement à travers une séquence de trames. Contrairement à l'analyse d'images statiques, qui traite chaque instantané de manière isolée, le suivi introduit la dimension du temps. Cela permet aux systèmes artificial intelligence (AI) d'attribuer un numéro d'identification unique (ID) à chaque élément détecté — tel qu'une voiture, une personne ou un animal — et de maintenir cette identité à mesure que l'objet se déplace, change d'orientation ou est temporairement masqué. Cette capacité est la pierre angulaire de la video understanding avancée, permettant aux machines d'analyser les comportements, de calculer des trajectoires et d'extraire des informations exploitables à partir de séquences brutes.

Comment fonctionne le suivi d'objets#

Les systèmes de suivi modernes utilisent généralement un paradigme de « suivi par détection ». Ce flux de travail combine des modèles de détection puissants avec des algorithmes spécialisés pour associer les détections au fil du temps. Le processus suit généralement trois étapes principales :

1. Détection : Dans chaque trame, un modèle de object detection, tel que le YOLO26 de pointe, analyse l'image pour localiser les objets d'intérêt. Le modèle génère des bounding boxes qui définissent l'étendue spatiale de chaque objet.

2. Prédiction de mouvement : Des algorithmes tels que le Kalman Filter estiment la position future d'un objet en fonction de sa vitesse et de sa trajectoire actuelles. Cette prédiction réduit l'espace de recherche pour la trame suivante, rendant le système plus efficace.

3. Association de données : Le système associe de nouvelles détections à des pistes existantes à l'aide de méthodes d'optimisation telles que le Hungarian algorithm. Cette étape repose souvent sur des mesures telles que Intersection over Union (IoU) pour évaluer le chevauchement entre une boîte prédite et une nouvelle détection. Les traqueurs avancés peuvent également utiliser l' feature extraction visuelle pour réidentifier des objets d'aspect similaire.

Suivi d'objets vs détection d'objets#

Bien que ces termes soient étroitement liés, ils remplissent des fonctions distinctes au sein du pipeline machine learning (ML).

• La détection d'objets répond à la question : « Qu'est-ce qui est présent dans cette image et où ? » Elle est sans état, ce qui signifie qu'elle n'a aucune mémoire des images précédentes. Si une voiture traverse une vidéo, un détecteur voit une « voiture » dans l'image 1 et une « voiture » dans l'image 2, mais ne sait pas qu'il s'agit du même véhicule.
• Le suivi d'objets répond à la question : « Où va cet objet spécifique ? » Il conserve un état. Il relie la « voiture » de la trame 1 à la « voiture » de la trame 2, permettant au système d'enregistrer que la « Car ID #42 » se déplace de gauche à droite. C'est essentiel pour des tâches telles que predictive modeling et le comptage.

Applications concrètes#

La capacité à maintenir l'identité des objets permet des applications de real-time inference complexes dans divers secteurs.

• Systèmes de transport intelligents : Le suivi est essentiel pour que les autonomous vehicles naviguent en toute sécurité. En suivant les piétons et les autres véhicules, les voitures peuvent anticiper les collisions potentielles. De plus, les ingénieurs de la circulation utilisent ces systèmes pour l'speed estimation afin de faire respecter les règles de sécurité et d'optimiser la fluidité du trafic.
• Analytique pour le commerce de détail : Les magasins physiques utilisent AI in retail pour comprendre le comportement des clients. Le suivi permet aux responsables de magasin d'effectuer un object counting pour mesurer le trafic piétonnier, d'analyser les temps de présence devant les présentoirs à l'aide de heatmaps et d'optimiser la queue management pour réduire les temps d'attente.
• Analyse sportive : Dans le sport professionnel, les entraîneurs utilisent le suivi combiné à l'pose estimation pour analyser la biomécanique des joueurs et les formations d'équipe. Ces données procurent un avantage compétitif en révélant des schémas invisibles à l'œil nu.

Implémenter le suivi avec Python#

Ultralytics simplifie la mise en œuvre d'un suivi haute performance. Le mode track de la bibliothèque gère automatiquement la détection, la prédiction de mouvement et l'attribution d'ID. L'exemple ci-dessous montre comment utiliser le modèle YOLO26 compatible avec Ultralytics Platform pour suivre des objets dans une vidéo.

from ultralytics import YOLO

# Load the official YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video file or webcam (source=0)
# 'show=True' displays the video with bounding boxes and unique IDs
results = model.track(source="https://ultralytics.com/images/bus.jpg", show=True)

# Access the unique tracking IDs from the results
if results[0].boxes.id is not None:
    print(f"Detected Track IDs: {results[0].boxes.id.cpu().numpy()}")

Concepts associés#

Pour bien comprendre l'écosystème du suivi, il est utile d'explorer instance segmentation, qui suit les contours précis d'un objet au niveau des pixels plutôt qu'une simple boîte. De plus, les défis de suivi multi-objets (MOT) font souvent appel à des benchmarks reconnus tels que MOTChallenge pour évaluer la capacité des algorithmes à gérer des scènes encombrées et des occlusions. Pour un déploiement en production, les développeurs utilisent souvent des outils tels que NVIDIA DeepStream ou OpenCV pour intégrer ces modèles dans des pipelines efficaces.