Object Tracking

Le suivi d'objets est un processus dynamique en vision par ordinateur (CV) qui implique l'identification d'entités spécifiques dans une vidéo et la surveillance de leur mouvement à travers une séquence d'images. Contrairement à l'analyse d'images statiques, qui traite chaque instantané de manière isolée, le suivi introduit la dimension temporelle. Cela permet aux systèmes d'intelligence artificielle (IA) d'attribuer un numéro d'identification (ID) unique à chaque élément détecté — comme 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 compréhension vidéo avancée, permettant aux machines d'analyser les comportements, de calculer des trajectoires et d'en tirer des informations exploitables à partir de séquences brutes.

Link to this sectionComment 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 image, un modèle de détection d'objets, tel que le YOLO26 de pointe, scanne l'image pour localiser les objets d'intérêt. Le modèle génère des boîtes englobantes qui définissent l'étendue spatiale de chaque objet.

2. Prédiction de mouvement : Des algorithmes comme le Filtre de Kalman 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 l'image suivante, rendant le système plus efficace.

3. Association de données : Le système fait correspondre les nouvelles détections aux suivis existants à l'aide de méthodes d'optimisation comme l'algorithme hongrois. Cette étape s'appuie souvent sur des mesures comme l'Intersection sur Union (IoU) pour mesurer le chevauchement entre une boîte prédite et une nouvelle détection. Les trackers avancés peuvent également utiliser l'extraction de caractéristiques visuelles pour réidentifier des objets se ressemblant.

Link to this sectionSuivi d'objets vs 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 ? » 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 est avec état. Il relie la « voiture » de l'image 1 à la « voiture » de l'image 2, permettant au système d'enregistrer que la « Car ID #42 » se déplace de gauche à droite. C'est essentiel pour des tâches comme la modélisation prédictive et le comptage.

Link to this sectionApplications concrètes#

La capacité à maintenir l'identité d'un objet permet des applications d'inférence en temps réel complexes dans divers secteurs.

• Systèmes de transport intelligents : Le suivi est vital pour les véhicules autonomes afin de naviguer en toute sécurité. En suivant les piétons et les autres véhicules, les voitures peuvent prédire des collisions potentielles. De plus, les ingénieurs en trafic utilisent ces systèmes pour l'estimation de vitesse afin de faire respecter les règles de sécurité et d'optimiser la fluidité du trafic.
• Analyse de vente au détail : Les magasins physiques utilisent l'IA dans le commerce de détail pour comprendre le comportement des clients. Le suivi permet aux gérants de magasins d'effectuer un comptage d'objets pour mesurer la fréquentation, d'analyser les temps de séjour 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 combiné à la pose estimation pour analyser la biomécanique des joueurs et les formations d'équipe. Ces données offrent un avantage compétitif en révélant des modèles invisibles à l'œil nu.

Link to this sectionImplémenter le suivi avec Python#

Ultralytics facilite l'implémentation 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 la plateforme Ultralytics 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()}")

Link to this sectionConcepts associés#

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