15 aprile 2025
Scopri come funzionano i sistemi di tracciamento con la computer vision, esplora i modelli più diffusi che supportano il tracciamento di oggetti come YOLO11 e scopri le loro applicazioni nel mondo reale.
Robot in grado di assemblare componenti elettrici, sistemi che rilevano le auto in eccesso di velocità e soluzioni di vendita al dettaglio intelligenti che tracciano il comportamento dei clienti: tutte queste innovazioni si basano sulla computer vision, un ramo dell'intelligenza artificiale (AI) che aiuta le macchine ad analizzare e comprendere immagini e video.
Ad esempio, un robot deve riconoscere e seguire diversi componenti per assemblarli correttamente. Allo stesso modo, un sistema di controllo del traffico può utilizzare la computer vision per individuare le auto, leggere le targhe e rilevare quando qualcuno supera i limiti di velocità. Nei negozi, invece, la Vision AI può aiutare a tracciare ciò che i clienti guardano o prendono e può persino tenere sotto controllo l'inventario.
Tali applicazioni sono alimentate da modelli di computer vision come Ultralytics YOLO11, che supportano un'ampia gamma di attività visive. Molte di queste attività si concentrano sulla raccolta di informazioni da una singola immagine, ma un'attività particolarmente interessante, il tracciamento di oggetti, può essere utilizzata per seguire il movimento di oggetti attraverso una serie di immagini o fotogrammi video.
In questa guida, esamineremo più da vicino come funziona il tracciamento di oggetti ed esploreremo esempi reali di come viene utilizzato. Discuteremo anche di come i modelli Vision AI come Ultralytics YOLO11 supportano il tracciamento di oggetti. Iniziamo!
Il tracciamento di oggetti è un'attività di computer vision utilizzata per seguire il movimento di oggetti attraverso i fotogrammi video, aiutando i sistemi a monitorare e comprendere come cambiano le cose nel tempo. È molto simile a come gli umani possono naturalmente seguire una persona o un oggetto in movimento con gli occhi, come quando si guarda una partita di tennis e gli occhi seguono la palla mentre si muove avanti e indietro sul 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:
Un'altra attività di computer vision supportata da YOLO11 e strettamente correlata al tracciamento di oggetti è il rilevamento di oggetti. Esploriamo la differenza tra queste due attività.
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 entrambi, possiamo costruire potenti sistemi Vision AI in grado di tracciare in tempo reale in ambienti dinamici. Ad esempio, un sistema di sicurezza automatizzato può rilevare le persone che entrano in uno spazio e tracciare continuamente il loro movimento attraverso il fotogramma.
Ora che abbiamo trattato la differenza tra rilevamento e tracciamento di oggetti, diamo un'occhiata a come i modelli Ultralytics YOLO, come YOLO11, supportano il tracciamento di oggetti in tempo reale.
Sebbene i modelli YOLO non siano di per sé algoritmi di tracking, svolgono un ruolo essenziale rilevando gli oggetti in ogni fotogramma video. Una volta rilevati gli oggetti, sono necessari algoritmi di tracking 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 perfettamente il rilevamento oggetti con algoritmi di tracking diffusi come BoT-SORT e ByteTrack. Questa integrazione consente agli utenti di eseguire il rilevamento e il tracking insieme con una configurazione minima.
Quando si utilizzano i modelli YOLO per l'object tracking, è possibile scegliere quale algoritmo di tracking 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, d'altra parte, funziona particolarmente bene in scene affollate, mantenendo un tracking affidabile anche quando gli oggetti sono sfocati o parzialmente nascosti.
L'addestramento personalizzato è il processo di fine-tuning di un modello di rilevamento oggetti pre-addestrato, come YOLO11, su un set di dati specifico in modo che possa riconoscere oggetti non inclusi nei set di dati standard. Questo è particolarmente importante quando il sistema di tracking deve seguire oggetti personalizzati o non comuni.
I sistemi di tracking si basano sul modello di rilevamento per riconoscere prima l'oggetto. Se un modello YOLO non riesce a rilevare un particolare elemento, come un tipo specifico di macchinario o specie selvatiche, l'algoritmo di tracking non sarà in grado di seguirlo.
Ecco perché l'addestramento personalizzato è essenziale: garantisce che il modello di rilevamento possa identificare accuratamente gli oggetti che si desidera tracciare.
È inoltre importante tenere presente che solo il modello di rilevamento viene messo a punto durante questo processo. Gli algoritmi di tracking, come BoT-SORT o ByteTrack, non vengono addestrati in modo personalizzato: utilizzano semplicemente l'output del modello YOLO per seguire gli oggetti rilevati attraverso i fotogrammi.
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.
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, gli oggetti possono essere rilevati e tracciati attraverso i fotogrammi video. Analizzando la distanza percorsa da un oggetto in un determinato periodo di tempo, il sistema può stimarne la velocità.
I processi di produzione possono essere frenetici e altamente complessi, rendendo difficile tenere traccia manualmente di ogni articolo prodotto. L'object tracking offre una buona soluzione per automatizzare il monitoraggio dei prodotti mentre si spostano attraverso ogni fase della produzione. Può aiutare le fabbriche a mantenere alti livelli di accuratezza ed efficienza senza rallentare le operazioni.
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.
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.
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:
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:
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.
Con modelli di Vision AI come YOLO11 e algoritmi di tracciamento come BoT-SORT e ByteTrack, il tracciamento degli oggetti è diventato più veloce, più intelligente e più accessibile in diversi settori. Con l'evolversi della tecnologia di tracciamento degli oggetti, questa sta aiutando 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.
