Guida al tracciamento di oggetti in movimento nei video con i modelliYOLO di Ultralytics

Robot in grado di assemblare parti elettriche, sistemi che catturano le auto in corsa e soluzioni di vendita al dettaglio intelligenti che track degli acquisti dei clienti: tutte queste innovazioni si basano sulla computer vision. Si tratta di una branca dell'intelligenza artificiale (AI) che aiuta le macchine ad analizzare e comprendere immagini e video.

Ad esempio, un robot deve riconoscere e seguire le diverse parti per metterle insieme correttamente. Allo stesso modo, un sistema di traffico può utilizzare la computer vision per individuare le auto, leggere le targhe e capire se qualcuno sta correndo troppo. Nei negozi, invece, la Vision AI può aiutare a track di ciò che i clienti guardano o prendono e può anche tenere d'occhio l'inventario.

Tali applicazioni sono alimentate da modelli di visione artificiale come Ultralytics YOLO11che supportano un'ampia gamma di compiti visivi. Molti di questi compiti si concentrano sulla raccolta di informazioni da una singola immagine, ma un compito particolarmente interessante, il tracciamento degli oggetti, può essere utilizzato per seguire il movimento degli oggetti in una serie di immagini o fotogrammi video.

‍

In questa guida vedremo da vicino come funziona il tracciamento degli oggetti ed esploreremo esempi reali del suo utilizzo. Parleremo anche di come i modelli Vision AI come Ultralytics YOLO11 supportano il tracciamento degli oggetti. Iniziamo!

Uno sguardo più da vicino ai sistemi di tracciamento con computer vision

Il tracciamento degli oggetti è un'attività di computer vision utilizzata per seguire il movimento degli oggetti attraverso i fotogrammi di un video, aiutando i sistemi a monitorare e capire come le cose cambiano nel tempo. È molto simile al modo in cui gli esseri umani possono seguire naturalmente una persona o un oggetto in movimento con gli occhi, come quando si guarda una partita di tennis e gli occhi track la palla mentre si muove avanti e indietro per il campo.

Allo stesso modo, il tracciamento di oggetti comporta l'utilizzo di telecamere e intelligenza artificiale per seguire il movimento della palla in tempo reale. Questa tecnologia può offrire agli spettatori a casa una migliore comprensione del flusso di gioco, soprattutto attraverso analisi come velocità, traiettoria e posizionamento dei giocatori.

Mentre questo tipo di tracciamento visivo può sembrare semplice per gli esseri umani, quando si tratta di machine vision, comporta una serie di passaggi alimentati da modelli Vision AI. Ecco una semplice analisi di come funziona il tracciamento di oggetti: 

• Acquisizione video: le telecamere registrano filmati video, catturando come gli oggetti si muovono attraverso una scena nel tempo.
  ‍
• Rilevamento di oggetti: I modelli di visione artificiale 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 attraverso più fotogrammi, assicurando che il sistema sappia che si tratta dello stesso oggetto anche mentre si muove.
  ‍
• Monitoraggio del movimento: il sistema tiene traccia del movimento nel tempo e questi dati possono essere utilizzati per raccogliere dati come velocità, direzione e interazioni con altri oggetti.
  ‍
• Generazione di informazioni: queste informazioni possono essere utilizzate in tempo reale per fornire analisi, assistere il processo decisionale o alimentare sovrapposizioni visive, a seconda del caso d'uso specifico.

Confronto tra il rilevamento e il tracciamento degli oggetti con YOLO

Un'altra attività di computer vision supportata da YOLO11 , strettamente correlata al tracciamento degli oggetti, è il rilevamento degli oggetti. Analizziamo la differenza tra questi due compiti. 

Il rilevamento di oggetti implica l'identificazione e la localizzazione di oggetti di interesse all'interno di una singola immagine o fotogramma video. Ad esempio, un'auto a guida autonoma utilizza il rilevamento di oggetti per riconoscere un segnale di stop o un pedone in un singolo fotogramma acquisito dalle telecamere a bordo. Risponde alla domanda: "Cosa c'è in questa immagine e dove si trova?". Tuttavia, non fornisce alcuna informazione su dove andrà l'oggetto in seguito.

Il tracciamento di oggetti si basa sul rilevamento di oggetti aggiungendo una comprensione del movimento nel tempo. La differenza fondamentale tra i due è il modo in cui gestiscono il tempo e il movimento. Il rilevamento di oggetti tratta ogni fotogramma come un'istantanea indipendente, mentre il tracciamento di oggetti collega i punti tra i fotogrammi, utilizzando i dati passati per prevedere la posizione futura di un oggetto.

Combinando entrambe le cose, possiamo costruire potenti sistemi di IA di visione in grado di tracciare in tempo reale gli spostamenti in ambienti dinamici. Ad esempio, un sistema di sicurezza automatizzato può detect persone che entrano in uno spazio e track continuamente il movimento attraverso l'inquadratura.

Tracciamento in tempo reale con i modelliYOLO di Ultralytics

Dopo aver illustrato la differenza tra rilevamento e tracciamento degli oggetti, vediamo come i modelliYOLO Ultralytics , come YOLO11, supportano il tracciamento degli oggetti in tempo reale.

Sebbene i modelli YOLO non siano di per sé algoritmi di tracciamento, svolgono un ruolo essenziale rilevando gli oggetti in ogni fotogramma video. Una volta individuati gli oggetti, gli algoritmi di tracciamento sono necessari per assegnare loro ID univoci, consentendo al sistema di seguirne il movimento da un fotogramma all'altro. 

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

Quando si utilizzano i modelli YOLO per il tracciamento degli oggetti, è possibile scegliere l'algoritmo di tracciamento da applicare in base ai requisiti dell'applicazione. Ad esempio, BoT-SORT è una buona opzione per seguire oggetti che si muovono in modo imprevedibile, grazie all'uso della previsione del movimento e del deep learning. ByteTrack, invece, si comporta particolarmente bene nelle scene affollate, mantenendo un tracking affidabile anche quando gli oggetti sono sfocati o parzialmente nascosti.

‍

In che modo l'addestramento del modello YOLO personalizzato è legato al tracciamento degli oggetti?

L'addestramento personalizzato è il processo di messa a punto di un modello di rilevamento degli oggetti pre-addestrato, come YOLO11, su un set di dati specifico, in modo che possa riconoscere oggetti che non sono inclusi nei set di dati standard. Questo è particolarmente importante quando il sistema di tracciamento deve seguire oggetti personalizzati o poco comuni.

I sistemi di tracciamento si basano sul modello di rilevamento per riconoscere l'oggetto. Se un modello YOLO non è in grado di detect un particolare oggetto, come un tipo specifico di macchinario o una specie selvatica, l'algoritmo di tracciamento non sarà in grado di seguirlo.

Ecco perché l'addestramento personalizzato è essenziale: garantisce che il modello di rilevamento sia in grado di identificare con precisione gli oggetti che si desidera track.

È inoltre importante tenere presente che durante questo processo viene messo a punto solo il modello di rilevamento. Gli algoritmi di tracciamento, come BoT-SORT o ByteTrack, non sono addestrati in modo personalizzato: utilizzano semplicemente l'output del modello YOLO per seguire gli oggetti rilevati attraverso i fotogrammi.

Applicazioni del tracciamento di oggetti con Ultralytics YOLO

Ora che abbiamo una migliore comprensione di cosa sia l'object tracking e di 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 abilitati dalla computer vision dipendono da attività come il rilevamento e il tracking degli oggetti. Questi sistemi sono progettati per calcolare la velocità di movimento di un oggetto, che si tratti di un veicolo, un ciclista o anche una persona. Queste informazioni sono fondamentali per una varietà di applicazioni, dalla gestione del traffico al monitoraggio della sicurezza e all'automazione industriale.

Utilizzando un modello come Ultralytics YOLO11, è possibile rilevare e seguire gli oggetti attraverso i fotogrammi video. Analizzando la distanza percorsa da un oggetto in un determinato periodo di tempo, il sistema può stimare la sua velocità. 

‍

Esplorazione dell'object tracking nella produzione

I processi di produzione possono essere rapidi e molto complessi, il che rende difficile tenere track di ogni articolo prodotto manualmente. Il tracciamento degli oggetti offre una buona soluzione per automatizzare il monitoraggio dei prodotti durante ogni fase della produzione. Può aiutare le fabbriche a mantenere alti livelli di precisione ed efficienza senza rallentare le attività.

Dal conteggio dei prodotti su un nastro trasportatore all'individuazione di difetti o alla verifica del corretto assemblaggio, l'object tracking porta visibilità e controllo a compiti che altrimenti richiederebbero molto tempo o sarebbero soggetti a errori. Questa tecnologia è particolarmente efficace in settori ad alto volume come la lavorazione degli alimenti, l'elettronica e l'imballaggio, dove velocità e precisione sono fondamentali.

‍

Una panoramica dell'object tracking nella retail analytics

Innumerevoli clienti entrano ed escono dai negozi al dettaglio ogni giorno e comprendere il loro comportamento è fondamentale per migliorare sia l'esperienza del cliente che le prestazioni aziendali. L'object tracking consente ai rivenditori di monitorare il traffico pedonale, misurare il tempo di permanenza e analizzare i modelli di movimento, il tutto senza la necessità di metodi invasivi o manuali.

Tracciando gli individui mentre entrano, escono e si muovono all'interno del negozio, le aziende possono ottenere informazioni dettagliate sulle ore di punta, sulle aree più frequentate e persino sulla lunghezza delle code. Queste informazioni possono informare le decisioni relative all'organico, alla disposizione del negozio e al posizionamento dell'inventario, portando in definitiva a operazioni più efficienti e a un aumento delle vendite.

‍

Pro e contro dell'object tracking

Dai negozi al dettaglio ai reparti di produzione, l'object tracking viene utilizzato in tutti i tipi di settori per migliorare fattori come l'efficienza, la sicurezza e l'esperienza complessiva. Ecco alcuni dei principali vantaggi che l'object tracking può apportare a vari settori:

• Abilita avvisi in tempo reale: I sistemi integrati con il tracciamento degli oggetti possono essere configurati per attivare automaticamente degli avvisi quando viene rilevato qualcosa di insolito, come una persona che entra in un'area riservata o una consegna che viene lasciata troppo a lungo in un determinato luogo.
  ‍
• Si integra con altri sistemi: I dati di tracciamento degli oggetti possono essere combinati con altre tecnologie, come il riconoscimento facciale, le termocamere o i sistemi di inventario, per ottenere informazioni ancora più approfondite.
  ‍
• Conveniente nel lungo periodo: Sebbene la configurazione iniziale possa richiedere un investimento, il tracciamento automatizzato riduce la necessità di manodopera, diminuisce i tassi di errore e riduce i costi operativi nel tempo.

Sebbene questi vantaggi evidenzino l'impatto positivo del tracciamento degli oggetti in diversi casi d'uso, è anche importante considerare le sfide che comporta la sua implementazione. Diamo uno sguardo più da vicino ad alcune limitazioni del tracciamento degli oggetti:

• Difficoltà in ambienti affollati: In contesti affollati come concerti, centri commerciali o vie cittadine, i sistemi di tracciamento possono avere difficoltà a distinguere tra persone o oggetti che sono vicini tra loro, il che può portare a confusione o a risultati inaccurati.

• Sensibile alle condizioni ambientali: Scarsa illuminazione, nebbia, movimenti rapidi o vibrazioni della telecamera possono influire sulla capacità del sistema di track con precisione gli oggetti, soprattutto in ambienti esterni o non controllati.

• Preoccupazioni legali e relative alla privacy: Una gestione impropria dei dati personali, la mancanza di consenso dell'utente o la sorveglianza in spazi pubblici possono sollevare questioni etiche e portare alla non conformità con le leggi sulla privacy.

Punti chiave

Il tracciamento degli oggetti è un'attività di computer vision che consente alle macchine di seguire il movimento degli oggetti nel tempo. Viene utilizzato in un'ampia gamma di scenari del mondo reale, dalla stima della velocità dei veicoli e dal conteggio dei prodotti su una catena di montaggio all'analisi dei movimenti dei giocatori negli sport.

Grazie a modelli Vision AI come YOLO11 e ad algoritmi di tracciamento come BoT-SORT e ByteTrack, il tracciamento degli oggetti è diventato più veloce, più intelligente e più accessibile in diversi settori. L'evoluzione della tecnologia di tracciamento degli oggetti aiuta i sistemi a diventare più intelligenti, efficienti e reattivi, un fotogramma alla volta.

Vuoi saperne di più sulla computer vision e sull'AI? Esplora il nostro repository GitHub, entra in contatto con la nostra community e dai un'occhiata alle nostre opzioni di licenza per dare il via al tuo progetto di computer vision. Se stai esplorando innovazioni come l'AI nella produzione e la computer vision nel settore automobilistico, visita le nostre pagine delle soluzioni per saperne di più.