Suivi d'objets

Le suivi d'objets est une tâche essentielle en vision par ordinateur (VA) qui implique l'identification des entités spécifiques au sein d'une séquence vidéo et de suivre leur mouvement à travers des images consécutives. Contrairement à l'analyse d'images statiques, ce processus introduit une dimension temporelle. statique, ce processus introduit une dimension temporelle, ce qui permet aux systèmes de conserver une identité unique pour chaque élément détecté au fur et à mesure qu'il traverse une scène. détecté au fur et à mesure qu'il traverse une scène. En attribuant un numéro d'identification persistant à chaque entité, les modèles d'intelligence artificielle (IA) peuvent analyser les trajectoires, calculer les vitesses et comprendre les interactions dans le temps. Cette capacité est essentielle pour Cette capacité est essentielle pour transformer les données vidéo brutes en informations exploitables, et constitue l'épine dorsale des systèmes avancés de compréhension vidéo. systèmes avancés de compréhension vidéo.

Principaux mécanismes de suivi

Les systèmes de repérage modernes fonctionnent généralement selon un paradigme de "repérage par détection". Ce flux de travail commence avec un modèle de détection d'objet, tel que le modèle l'état de l'art YOLO11qui localise les objets dans chaque chaque image. Une fois les objets détectés et localisés avec des avec des boîtes englobantes, l'algorithme de suivi prend le relais pour d'associer ces détections aux pistes existantes des images précédentes.

Le processus comporte généralement trois étapes essentielles :

1. Prédiction de mouvement : Des algorithmes tels que le le filtre de Kalman (KF) utilisent la position et la vitesse passées de l'objet pour estimer l'endroit où il apparaîtra probablement dans la prochaine image. de l'objet pour estimer l'endroit où il apparaîtra probablement dans l'image suivante. Cette prédiction réduit la zone de recherche de recherche, ce qui améliore considérablement l'efficacité des calculs.
2. Association de données : Le système associe les objets nouvellement détectés aux pistes existantes à l'aide de méthodes d'optimisation telles que l'algorithme hongrois. d'optimisation comme l'algorithme hongrois. Cette étape s'appuie sur des mesures telles que l'intersection sur l'union (IoU ) pour le le chevauchement spatial ou les similitudes de caractéristiques visuelles.
3. Maintien de l'identité : Les traqueurs sophistiqués, tels que ByteTrack et BoT-SORT, gèrent des scénarios complexes dans lesquels objets se croisent ou sont temporairement cachés derrière des obstacles (occlusion). En utilisant l'extraction de caractéristiques et l'apprentissage profond le système peut réidentifier un objet même après sa réapparition, empêchant ainsi le "changement d'identité".

Suivi d'objets vs. Détection d'objets

Bien que ces termes soient souvent mentionnés ensemble, ils ont des objectifs distincts dans le l'apprentissage automatique (ML).

• La détection d'objets répond à la question "Qu'est-ce qui est présent dans cette image et où ?". Elle traite chaque image comme un événement indépendant, en produisant des étiquettes de classe et des scores de confiance sans mémoire du passé. de classe et des scores de confiance sans mémoire du passé.
• Le suivi d'objet répond à la question "Où va cet objet spécifique ?". Il relie les détections dans le temps, ce qui permet au système de reconnaître qu'une voiture dans l'image 10 est le même véhicule que dans l'image 100. Cette distinction est essentielle pour les applications nécessitant une modélisation prédictive du comportement.

Applications concrètes

La capacité de suivre des objets de manière fiable transforme diverses industries en permettant l'inférence en temps réel dans des environnements dynamiques. l 'inférence en temps réel dans des environnements dynamiques.

• Systèmes de transport intelligents : Dans le domaine des véhicules autonomes, le suivi est non négociable. Les voitures autonomes doivent track piétons, les cyclistes et les autres véhicules afin de prédire leur position future et d'éviter les collisions. pour prédire leur position future et éviter les collisions. Cela implique souvent de fusionner des données provenant de caméras et de capteurs LiDAR afin de maintenir la précision en cas de collision. LiDAR pour maintenir la précision dans différentes conditions météorologiques.
• Analyse du commerce de détail : Les magasins de bric et de broc utilisent l'IA dans le commerce de détail pour cartographier les parcours des clients. l 'IA dans le commerce de détail pour cartographier les parcours des clients. En suivant les les détaillants peuvent générer des cartes thermiques des allées les plus fréquentées, analyser les temps d'attente et optimiser l'agencement des magasins. l'agencement des magasins. Ces données permettent de gérer efficacement les files d'attente et de placer les stocks. gestion des files d'attente et le placement des stocks.
• Analyse sportive : Les équipes professionnelles utilisent le suivi pour analyser les performances des joueurs. En combinant le le suivi et l'estimation de la pose, les entraîneurs peuvent biomécanique, la vitesse et les formations d'équipe, ce qui leur donne un avantage concurrentiel grâce à une stratégie basée sur les données.

Mise en œuvre du suivi avec Python

La mise en œuvre d'un suivi performant est simple avec le logiciel ultralytics paquet. L'exemple suivant suivant montre comment charger un modèle pré-entraîné de Modèle YOLO11 et de track objets dans un fichier vidéo. L'application track gère automatiquement la détection et l'attribution des identifiants.

from ultralytics import YOLO

# Load the official YOLO11 nano model
model = YOLO("yolo11n.pt")

# Track objects in a video source (use '0' for webcam)
# The 'show=True' argument visualizes the tracking IDs in real-time
results = model.track(source="https://supervision.roboflow.com/assets/", show=True)

# Print the unique IDs detected in the first frame
if results[0].boxes.id is not None:
    print(f"Tracked IDs: {results[0].boxes.id.cpu().numpy()}")

Concepts connexes

Pour bien saisir les nuances du suivi, il est utile de comprendre ce qui suit le suivi de plusieurs objets (MOT), qui qui se concentre spécifiquement sur le traitement simultané de plusieurs cibles dans des scènes très fréquentées. En outre, le suivi est souvent souvent combinée à la segmentation d'instances pour track pour suivre des contours d'objets précis plutôt que de simples boîtes de délimitation, ce qui offre un niveau de granularité plus élevé pour des tâches telles que l'imagerie médicale ou la manipulation robotique. l'imagerie médicale ou la manipulation robotique.