Una guida al tracciamento degli oggetti in movimento nei video con i modelli Ultralytics YOLO

I robot in grado di assemblare componenti elettrici, i sistemi che individuano le auto che superano i limiti di velocità e le soluzioni intelligenti per il commercio al dettaglio che tracciano le abitudini di acquisto dei clienti: tutte queste innovazioni si basano sulla computer vision. È un ramo dell'intelligenza artificiale (AI) che aiuta le macchine ad analizzare e comprendere immagini e video.

Per esempio, un robot deve riconoscere e seguire diversi componenti per assemblarli correttamente. Allo stesso modo, un sistema di gestione del traffico può usare la computer vision per individuare le auto, leggere le targhe e stabilire se qualcuno sta superando il limite di velocità. Nei negozi, invece, la Vision AI può aiutare a tracciare ciò che i clienti guardano o prendono e persino a monitorare le scorte.

Applicazioni di questo tipo sono rese possibili da modelli di computer vision come Ultralytics YOLO11, che supportano un'ampia gamma di attività visive. Molte di queste attività mirano a ricavare informazioni da una singola immagine, ma una funzione particolarmente interessante, il tracciamento degli oggetti, può essere usata per seguire il movimento degli oggetti in una sequenza di immagini o fotogrammi video.

Fig. 1. Un esempio di rilevamento e tracciamento di auto.

In questa guida approfondiremo il funzionamento del tracciamento degli oggetti e vedremo esempi reali del suo utilizzo. Parleremo inoltre di come i modelli di IA visiva, come Ultralytics YOLO11, supportino il tracciamento degli oggetti.

Uno sguardo più da vicino ai sistemi di tracciamento nella computer vision#

Il tracciamento degli oggetti è un'attività di computer vision che permette di seguire il movimento degli oggetti tra i fotogrammi di un video, aiutando i sistemi a monitorare e comprendere i cambiamenti nel tempo. È molto simile al modo naturale in cui gli esseri umani seguono con lo sguardo una persona o un oggetto in movimento, per esempio quando guardi una partita di tennis e segui la pallina mentre si muove da una parte all'altra del campo.

Allo stesso modo, il tracciamento degli oggetti usa telecamere e AI per seguire in tempo reale il movimento della pallina. Questa tecnologia può aiutare chi guarda da casa a comprendere meglio l'andamento della partita, soprattutto grazie ad analisi di parametri come velocità, traiettoria e posizione dei giocatori.

Anche se questo tipo di tracciamento visivo può sembrare semplice per gli esseri umani, nella visione artificiale richiede una serie di passaggi basati su modelli di Vision AI. Ecco una semplice panoramica del funzionamento del tracciamento degli oggetti:

• Acquisizione del video: le telecamere registrano i filmati, riprendendo come gli oggetti si muovono in una scena nel tempo.
• Rilevamento degli oggetti: i modelli di computer vision basati sull'AI, come YOLO11, possono analizzare ogni fotogramma per identificare e localizzare oggetti specifici, come persone, veicoli o prodotti.
• Assegnazione dell’identità: una volta rilevato un oggetto, gli algoritmi di tracciamento gli assegnano un ID univoco per seguirlo in più fotogrammi, assicurando che il sistema riconosca che si tratta dello stesso oggetto anche quando si sposta.
• Monitoraggio del movimento: il sistema traccia il movimento nel tempo e questi dati possono essere usati per raccogliere informazioni quali velocità, direzione e interazioni con altri oggetti.
• Generazione di insight: queste informazioni possono essere usate in tempo reale per fornire analisi, supportare il processo decisionale o alimentare sovrapposizioni visive, a seconda del caso d’uso specifico.

Confronto tra rilevamento e tracciamento degli oggetti con YOLO#

Un altro task di computer vision supportato da Ultralytics YOLO11 e strettamente correlato al tracciamento degli oggetti è il rilevamento degli oggetti. Esaminiamo le differenze tra questi due task.

Il rilevamento degli oggetti consiste nell’identificare e localizzare gli oggetti di interesse in una singola immagine o in un fotogramma video. Per esempio, un’auto a guida autonoma usa il rilevamento degli oggetti per riconoscere un segnale di stop o un pedone in un singolo fotogramma acquisito dalle telecamere di bordo. Risponde alla domanda: «Che cosa c’è in questa immagine e dove si trova?». Tuttavia, non fornisce informazioni su dove andrà l’oggetto.

Il tracciamento degli oggetti si basa sul rilevamento degli oggetti e aggiunge la comprensione del movimento nel tempo. La differenza fondamentale tra i due consiste nel modo in cui gestiscono il tempo e il movimento. Il rilevamento degli oggetti considera ogni fotogramma un’istantanea indipendente, mentre il tracciamento degli oggetti collega i punti tra i fotogrammi e usa i dati precedenti per prevedere la posizione futura di un oggetto.

Combinando entrambi, possiamo realizzare potenti sistemi di Vision AI capaci di tracciare gli oggetti in tempo reale in ambienti dinamici. Per esempio, un sistema di sicurezza automatizzato può rilevare le persone che entrano in uno spazio e tracciarne continuamente i movimenti nel fotogramma.

Tracciamento in tempo reale con i modelli Ultralytics YOLO#

Ora che abbiamo visto la differenza tra rilevamento e tracciamento degli oggetti, scopriamo come i modelli Ultralytics YOLO, come YOLO11, supportano il tracciamento degli oggetti in tempo reale.

I modelli YOLO non sono algoritmi di tracciamento, ma svolgono un ruolo essenziale rilevando gli oggetti in ogni fotogramma video. Una volta rilevati gli oggetti, servono algoritmi di tracciamento per assegnare loro ID univoci, consentendo al sistema di seguirne il movimento da un fotogramma all’altro.

Per rispondere a questa esigenza, il pacchetto Python Ultralytics integra il rilevamento degli oggetti con algoritmi di tracciamento molto diffusi, come BoT-SORT e ByteTrack. Questa integrazione consente agli utenti di eseguire insieme il rilevamento e il tracciamento con una configurazione minima.

Quando usi i modelli YOLO per il tracciamento degli oggetti, puoi scegliere l'algoritmo di tracciamento da applicare in base alle esigenze della tua applicazione. Ad esempio, BoT-SORT è una buona scelta per seguire gli oggetti che si muovono in modo imprevedibile, grazie all'uso della previsione del movimento e del deep learning. ByteTrack, invece, funziona particolarmente bene nelle scene affollate e mantiene un tracciamento affidabile anche quando gli oggetti sono sfocati o parzialmente nascosti.

Fig. 2 Il pacchetto Python Ultralytics integra BoT-SORT e ByteTrack.

In che modo l’addestramento personalizzato dei modelli YOLO è correlato al tracciamento degli oggetti?#

L'addestramento personalizzato consiste nell'affinare un modello di rilevamento degli oggetti preaddestrato, come Ultralytics YOLO11, su un dataset specifico, affinché possa riconoscere oggetti non presenti nei dataset standard. Questo è particolarmente importante quando il sistema di tracciamento deve seguire oggetti personalizzati o insoliti.

I sistemi di tracciamento si basano sul modello di rilevamento per riconoscere prima l’oggetto. Se un modello YOLO non riesce a rilevare un elemento specifico, come un particolare tipo di macchinario o una specie selvatica, l’algoritmo di tracciamento non sarà in grado di seguirlo.

Ecco perché l’addestramento personalizzato è essenziale: assicura che il modello di rilevamento possa identificare con precisione gli oggetti che vuoi tracciare.

È inoltre importante ricordare che durante questa procedura viene affinato solo il modello di rilevamento. Gli algoritmi di tracciamento, come BoT-SORT o ByteTrack, non vengono addestrati su misura: usano semplicemente l'output del modello YOLO per seguire gli oggetti rilevati nei vari fotogrammi.

Applicazioni del tracciamento degli oggetti con Ultralytics YOLO#

Ora che abbiamo capito meglio che cos’è il tracciamento degli oggetti e come funziona, esploriamo alcune applicazioni reali in cui questa tecnologia sta avendo un impatto.

Tracciamento in tempo reale con Ultralytics YOLO per la stima della velocità#

I sistemi di stima della velocità basati sulla computer vision dipendono da task come il rilevamento e il tracciamento degli oggetti. Questi sistemi sono progettati per calcolare la velocità di un oggetto, che sia un veicolo, un ciclista o anche una persona. Queste informazioni sono fondamentali per numerose applicazioni, dalla gestione del traffico al monitoraggio della sicurezza e all’automazione industriale.

Con un modello come Ultralytics YOLO11, gli oggetti possono essere rilevati e tracciati nei fotogrammi video. Analizzando la distanza percorsa da un oggetto in un determinato intervallo di tempo, il sistema può stimarne la velocità.

Fig. 3 Uso del supporto di YOLO11 per il tracciamento degli oggetti ai fini della stima della velocità.

Esplorare il tracciamento degli oggetti nella produzione#

I processi produttivi possono essere rapidi e molto complessi, rendendo difficile seguire manualmente ogni elemento prodotto. Il tracciamento degli oggetti offre una valida soluzione per automatizzare il monitoraggio dei prodotti nelle diverse fasi della produzione. Può aiutare le fabbriche a mantenere alti livelli di precisione ed efficienza senza rallentare il lavoro.

Dal conteggio dei prodotti su un nastro trasportatore all’individuazione di difetti o alla verifica del corretto assemblaggio, il tracciamento degli oggetti offre visibilità e controllo su attività che altrimenti richiederebbero molto tempo o sarebbero soggette a errori. Questa tecnologia è particolarmente efficace nei settori ad alto volume, come la lavorazione degli alimenti, l’elettronica e il confezionamento, dove velocità e precisione sono fondamentali.

Fig. 4 Esempio di tracciamento e conteggio di prodotti alimentari su una linea di assemblaggio con Ultralytics YOLO11.

Panoramica sul tracciamento degli oggetti nell’analisi del commercio al dettaglio#

Ogni giorno innumerevoli clienti entrano ed escono dai negozi al dettaglio e comprenderne il comportamento è fondamentale per migliorare sia l’esperienza del cliente sia i risultati aziendali. Il tracciamento degli oggetti consente ai rivenditori di monitorare il flusso di persone, misurare il tempo di permanenza e analizzare gli schemi di movimento, senza ricorrere a metodi invasivi o manuali.

Tracciando le persone mentre entrano, escono e si spostano nel negozio, le aziende possono ottenere insight sugli orari di punta, sulle aree più frequentate e persino sulla lunghezza delle code. Questi insight possono orientare le decisioni relative al personale, alla disposizione del negozio e al posizionamento delle scorte, favorendo in ultima analisi operazioni più efficienti e un aumento delle vendite.

Fig. 5. Uso delle funzionalità di tracciamento degli oggetti di Ultralytics YOLO11 per monitorare le persone che entrano ed escono da un negozio.

Vantaggi e svantaggi del tracciamento degli oggetti#

Dai negozi al dettaglio ai reparti di produzione, il tracciamento degli oggetti viene usato in ogni tipo di settore per migliorare aspetti come l’efficienza, la sicurezza e l’esperienza complessiva. Ecco alcuni dei principali vantaggi che il tracciamento degli oggetti può offrire ai diversi settori:

• Consente avvisi in tempo reale: i sistemi integrati con il tracciamento degli oggetti possono essere configurati per generare automaticamente avvisi quando rilevano qualcosa di insolito, come una persona che entra in un’area riservata o una consegna lasciata troppo a lungo nello stesso posto.
• Si integra con altri sistemi: i dati del tracciamento degli oggetti possono essere combinati con altre tecnologie, come il riconoscimento facciale, le telecamere termiche o i sistemi di gestione delle scorte, per ottenere insight più approfonditi.
• Conveniente nel lungo periodo: anche se la configurazione iniziale può richiedere un investimento, il tracciamento automatizzato riduce la necessità di manodopera, abbassa i tassi di errore e riduce i costi operativi nel tempo.

Sebbene questi vantaggi mostrino l’impatto positivo del tracciamento degli oggetti nei diversi casi d’uso, è importante considerare anche le difficoltà legate alla sua implementazione. Esaminiamo più da vicino alcuni limiti del tracciamento degli oggetti:

• Difficoltà negli ambienti affollati: in contesti movimentati come concerti, centri commerciali o strade cittadine, i sistemi di tracciamento possono avere difficoltà a distinguere persone o oggetti vicini tra loro, generando confusione o risultati imprecisi.
• Sensibile alle condizioni ambientali: scarsa illuminazione, nebbia, movimenti rapidi o vibrazioni della telecamera possono influire sulla capacità del sistema di tracciare gli oggetti con precisione, soprattutto all’aperto o in ambienti non controllati.
• Questioni di privacy e legali: una gestione impropria dei dati personali, l’assenza del consenso degli utenti o la sorveglianza negli spazi pubblici possono sollevare questioni etiche e comportare la violazione delle leggi sulla privacy.

Punti chiave#

Il tracciamento degli oggetti è un task di computer vision che consente alle macchine di seguire il movimento degli oggetti nel tempo. Viene usato in un’ampia gamma di scenari reali, dalla stima della velocità dei veicoli al conteggio dei prodotti su una linea di assemblaggio, fino all’analisi dei movimenti degli atleti.

Grazie a modelli di IA visiva come Ultralytics YOLO11 e ad algoritmi di tracciamento come BoT-SORT e ByteTrack, il tracciamento degli oggetti è diventato più rapido, intelligente e accessibile in diversi settori. Con l'evolversi della tecnologia di tracciamento degli oggetti, i sistemi diventano più intelligenti, efficienti e reattivi, un fotogramma alla volta.

Vuoi saperne di più sulla computer vision e sull'IA? Esplora il nostro repository GitHub, entra in contatto con la nostra community e scopri le nostre opzioni di licenza per avviare il tuo progetto di computer vision. Se stai esplorando innovazioni come l'IA nella produzione e la computer vision nel settore automobilistico, visita le nostre pagine dedicate alle soluzioni per saperne di più.