Object Tracking

Le suivi d'objets est un processus dynamique en vision par ordinateur (CV) qui consiste à identifier des entités spécifiques dans une vidéo et à suivre leurs mouvements au fil d'une séquence d'images. Contrairement à l'analyse d'images statiques, qui traite chaque instantané isolément, le suivi introduit la dimension temporelle. Cela permet aux systèmes d'intelligence artificielle (AI) d'attribuer un numéro d'identification (ID) unique à chaque élément détecté — comme une voiture, une personne ou un animal — et de conserver cette identité lorsque l'objet se déplace, change d'orientation ou est temporairement masqué. Cette capacité constitue la pierre angulaire de la compréhension vidéo avancée, permettant aux machines d'analyser les comportements, de calculer les trajectoires et de tirer des informations exploitables de séquences vidéo brutes.

Fonctionnement du suivi d'objets#

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

1. Détection : À chaque image, un modèle de détection d'objets, tel que le modèle [YOLO26](https://ultralytics-translation-1.invalid de pointe), parcourt l'image pour localiser les objets d'intérêt. Le modèle produit des boîtes englobantes qui définissent l'étendue spatiale de chaque objet.

2. Prédiction du mouvement : Des algorithmes comme le filtre de Kalman estiment la position future d'un objet à partir de sa vitesse et de sa trajectoire actuelles. Cette prédiction réduit l'espace de recherche pour l'image suivante, ce qui améliore l'efficacité du système.

3. Association des données : Le système met en correspondance les nouvelles détections avec les trajectoires existantes à l'aide de méthodes d'optimisation comme l'algorithme hongrois. Cette étape s'appuie souvent sur des métriques comme l'intersection sur union (IoU) pour mesurer le chevauchement entre une boîte prédite et une nouvelle détection. Les traqueurs avancés peuvent également utiliser l'extraction de caractéristiques visuelles pour réidentifier des objets d'apparence similaire.

Suivi d'objets et détection d'objets#

Bien que ces termes soient étroitement liés, ils remplissent des fonctions distinctes au sein du pipeline d'apprentissage automatique (ML).

• La détection d'objets répond à la question : « Qu'est-ce qui est présent dans cette image et où se trouve-t-il ? » 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 précis ? » Il conserve un état. Il relie la « voiture » de l'image 1 à la « voiture » de l'image 2, ce qui permet au système d'enregistrer que la « voiture ID n° 42 » se déplace de gauche à droite. Cette fonction est essentielle pour des tâches comme la modélisation prédictive et le comptage.

Applications concrètes#

La capacité à conserver l'identité des objets permet de créer des applications complexes d'inférence en temps réel dans divers secteurs.

• Systèmes de transport intelligents : Le suivi est essentiel pour permettre aux véhicules autonomes de se déplacer en toute sécurité. En suivant les piétons et les autres véhicules, les voitures peuvent prédire les collisions potentielles. En outre, les ingénieurs de la circulation utilisent ces systèmes pour l'estimation de la vitesse, afin de faire respecter les règles de sécurité et d'optimiser la fluidité du trafic.
• Analyse du commerce de détail : Les magasins physiques utilisent l'AI dans le commerce de détail pour comprendre le comportement des clients. Le suivi permet aux responsables de magasin d'effectuer le comptage d'objets afin de mesurer la fréquentation, d'analyser le temps passé devant les présentoirs à l'aide de cartes de chaleur et d'optimiser la gestion des files d'attente pour réduire les temps d'attente.
• Analyse sportive : Dans le sport professionnel, les entraîneurs utilisent le suivi associé à l'estimation de la pose 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 l'implémentation d'un suivi hautes performances. Le mode track de la bibliothèque gère automatiquement la détection, la prédiction du mouvement et l'attribution des ID. L'exemple ci-dessous montre comment utiliser le modèle YOLO26 compatible avec l'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 la segmentation d'instances, qui suit les contours précis d'un objet au niveau des pixels plutôt qu'une simple boîte. En outre, les défis de suivi multi-objets (MOT) s'appuient souvent sur des benchmarks largement utilisés comme MOTChallenge pour évaluer la capacité des algorithmes à gérer les scènes encombrées et les occultations. Pour le déploiement dans des environnements de production, les développeurs utilisent souvent des outils comme NVIDIA DeepStream ou OpenCV afin d'intégrer ces modèles dans des pipelines efficaces.