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

Robot in grado di assemblare componenti elettrici, sistemi che rilevano auto in eccesso di velocità e soluzioni smart per la vendita al dettaglio che monitorano il comportamento d'acquisto dei clienti: tutte queste innovazioni si basano sulla computer vision. Si tratta di 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 gestione del traffico può utilizzare la computer vision per individuare auto, leggere targhe e determinare se qualcuno sta superando i limiti di velocità. Nel frattempo, nei negozi, la vision AI può aiutare a monitorare 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 si concentrano sull'estrazione di informazioni da una singola immagine, ma un'attività particolarmente interessante, il object tracking, può essere utilizzata per seguire il movimento di oggetti in una serie di immagini o fotogrammi video.

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

In questa guida, analizzeremo più da vicino come funziona il tracciamento degli oggetti ed esploreremo esempi reali del suo utilizzo. Discuteremo anche di come i modelli di vision AI come Ultralytics YOLO11 supportino il tracciamento degli oggetti. Iniziamo!

Link to this sectionUno sguardo più attento ai sistemi di tracciamento tramite computer vision#

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

Allo stesso modo, il tracciamento degli oggetti comporta l'utilizzo di telecamere e AI per seguire il movimento della pallina in tempo reale. Questa tecnologia può offrire agli spettatori a casa una migliore comprensione dello svolgimento della partita, specialmente attraverso metriche come velocità, traiettoria e posizionamento dei giocatori.

Sebbene questo tipo di tracciamento visivo possa sembrare semplice per gli esseri umani, quando si parla di visione artificiale, comporta una serie di passaggi alimentati da modelli di vision AI. Ecco una semplice spiegazione di come funziona il tracciamento degli oggetti:

• Acquisizione video: le telecamere registrano riprese video, catturando il movimento degli oggetti in una scena nel tempo.
• Rilevamento oggetti: i modelli di computer vision basati su 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, garantendo che il sistema sappia che si tratta dello stesso oggetto anche mentre si muove.
• Monitoraggio del movimento: il sistema segue il movimento nel tempo e questi dati possono essere utilizzati per raccogliere informazioni come velocità, direzione e interazioni con altri oggetti.
• Generazione di insight: queste informazioni possono essere utilizzate in tempo reale per fornire analisi, supportare il processo decisionale o gestire sovrapposizioni visive, a seconda del caso d'uso specifico.

Link to this sectionConfronto tra rilevamento e tracciamento di oggetti con YOLO#

Un'altra attività di computer vision supportata da YOLO11 strettamente correlata al tracciamento degli oggetti è l'object detection. Esploriamo la differenza tra queste due attività.

L'object detection consiste nell'identificare e localizzare oggetti di interesse all'interno di una singola immagine o fotogramma video. Ad esempio, un'auto a guida autonoma utilizza l'object detection per riconoscere un segnale di stop o un pedone in un singolo fotogramma catturato dalle telecamere di bordo. Risponde alla domanda: “Cosa c'è in questa immagine e dove si trova?” Tuttavia, non fornisce alcuna informazione su dove l'oggetto andrà dopo.

Il tracciamento degli oggetti si basa sull'object detection aggiungendo una comprensione del movimento nel tempo. La differenza principale tra i due è come gestiscono il tempo e il movimento. L'object detection tratta ogni fotogramma come un'istantanea indipendente, mentre il tracciamento degli oggetti unisce i punti tra i fotogrammi, utilizzando dati passati per prevedere la posizione futura di un oggetto.

Combinando entrambi, possiamo costruire potenti sistemi di vision AI capaci di tracciamento in tempo reale in ambienti dinamici. Ad esempio, un sistema di sicurezza automatizzato può rilevare le persone che entrano in uno spazio e tracciarne continuamente il movimento all'interno dell'inquadratura.

Link to this sectionTracciamento in tempo reale utilizzando i modelli YOLO di Ultralytics#

Ora che abbiamo analizzato la differenza tra object detection e tracciamento, vediamo come i modelli YOLO di 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 rilevati gli oggetti, sono necessari algoritmi di tracciamento per assegnare loro ID univoci, consentendo al sistema di seguire il loro movimento da un fotogramma all'altro.

Per rispondere a questa esigenza, il pacchetto Python di Ultralytics integra perfettamente l'object detection con popolari algoritmi di tracciamento come BoT-SORT e ByteTrack. Questa integrazione consente agli utenti di eseguire rilevamento e tracciamento insieme con una configurazione minima.

Quando utilizzi i modelli YOLO per il tracciamento di oggetti, puoi scegliere quale algoritmo di tracciamento applicare in base ai requisiti della tua applicazione. Ad esempio, BoT-SORT è una buona opzione per seguire oggetti che si muovono in modo imprevedibile, grazie all'uso della predizione del movimento e del deep learning. ByteTrack, d'altro canto, funziona particolarmente bene in scene affollate, mantenendo un tracciamento affidabile anche quando gli oggetti sono sfocati o parzialmente nascosti.

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

Link to this sectionIn che modo l'addestramento personalizzato del modello YOLO è correlato al tracciamento degli oggetti?#

L'addestramento personalizzato è il processo di ottimizzazione di un modello di object detection 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 tuo sistema di tracciamento deve seguire oggetti personalizzati o non comuni.

I sistemi di tracciamento si affidano al modello di rilevamento per riconoscere innanzitutto l'oggetto. Se un modello YOLO non riesce a rilevare un particolare elemento, 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 possa identificare accuratamente gli oggetti che desideri tracciare.

È inoltre importante tenere presente che solo il modello di rilevamento viene ottimizzato durante questo processo. Gli algoritmi di tracciamento, 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.

Link to this sectionApplicazioni del tracciamento di oggetti con Ultralytics YOLO#

Ora che abbiamo una migliore comprensione di cosa sia il tracciamento degli oggetti e come funzioni, esploriamo alcune applicazioni reali in cui questa tecnologia sta avendo un impatto.

Link to this sectionTracciamento in tempo reale utilizzando 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 tracciamento degli oggetti. Questi sistemi sono progettati per calcolare quanto velocemente si sta muovendo un oggetto, che si tratti di un veicolo, un ciclista o persino una persona. Queste informazioni sono cruciali 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 quanto si sposta un oggetto in un determinato periodo di tempo, il sistema può stimarne la velocità.

Fig 3. Utilizzo del supporto di YOLO11 per il tracciamento di oggetti per la stima della velocità.

Link to this sectionEsplorazione del tracciamento di oggetti nel settore manifatturiero#

I processi di produzione possono essere frenetici e altamente complessi, rendendo difficile tenere traccia di ogni articolo prodotto manualmente. Il tracciamento degli oggetti offre una buona soluzione per automatizzare il monitoraggio dei prodotti mentre avanzano in ogni fase di produzione. Può aiutare le fabbriche a mantenere elevati 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 porta visibilità e controllo a compiti che altrimenti richiederebbero tempo o sarebbero soggetti a errori. Questa tecnologia ha un impatto particolare in settori ad alto volume come l'industria alimentare, l'elettronica e il packaging, dove velocità e precisione sono critiche.

Fig 4. Un esempio di tracciamento e conteggio di prodotti alimentari su una linea di assemblaggio utilizzando YOLO11.

Link to this sectionUna panoramica del tracciamento di oggetti nell'analisi retail#

Innumerevoli clienti entrano ed escono dai negozi retail ogni giorno, e comprendere il loro comportamento è fondamentale per migliorare sia l'esperienza del cliente che le prestazioni aziendali. Il tracciamento degli oggetti consente ai rivenditori di monitorare il flusso di persone, misurare il tempo di sosta e analizzare i modelli di movimento, il tutto senza bisogno di metodi invasivi o manuali.

Tracciando gli individui mentre entrano, escono e si muovono all'interno del negozio, le aziende possono ottenere informazioni su orari di punta, aree popolari e persino sulla lunghezza delle code. Questi insight possono guidare le decisioni su personale, layout del negozio e posizionamento dell'inventario, portando in definitiva a operazioni più efficienti e a un aumento delle vendite.

Fig 5. Utilizzo delle capacità di tracciamento di oggetti di YOLO11 per monitorare le persone che entrano ed escono da un negozio.

Link to this sectionPro e contro del tracciamento di oggetti#

Dai negozi al dettaglio ai piani di fabbrica, il tracciamento di oggetti viene utilizzato in tutti i tipi di settori per migliorare fattori come efficienza, sicurezza ed esperienza complessiva. Ecco alcuni dei principali vantaggi che il tracciamento di oggetti può apportare a vari settori:

• Abilita avvisi in tempo reale: i sistemi integrati con il tracciamento di oggetti possono essere configurati per attivare avvisi automaticamente quando viene rilevato qualcosa di insolito, come una persona che entra in un'area riservata o una consegna lasciata troppo a lungo in un posto.
• Si integra con altri sistemi: i dati di tracciamento di oggetti possono essere combinati con altre tecnologie, come il riconoscimento facciale, telecamere termiche o sistemi di inventario, per insight ancora più potenti.
• Conveniente nel lungo periodo: sebbene la configurazione iniziale possa richiedere investimenti, il tracciamento automatizzato riduce la necessità di lavoro manuale, abbassa i tassi di errore e riduce i costi operativi nel tempo.

Sebbene questi vantaggi evidenzino come il tracciamento degli oggetti abbia un impatto positivo su diversi casi d'uso, è anche importante considerare le sfide coinvolte nella sua implementazione. Analizziamo più da vicino alcune limitazioni del tracciamento degli oggetti:

• Difficoltà in ambienti affollati: in contesti frenetici come concerti, centri commerciali o strade cittadine, i sistemi di tracciamento possono avere difficoltà a distinguere tra persone o oggetti vicini tra loro, portando a confusione o risultati imprecisi.

• Sensibile alle condizioni ambientali: scarsa illuminazione, nebbia, movimento rapido o vibrazioni della telecamera possono influenzare la capacità del sistema di tracciare gli oggetti con precisione, specialmente in ambienti esterni o non controllati.

• Problemi di privacy e legali: il trattamento improprio 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.

Link to this sectionPunti chiave#

Il tracciamento di oggetti è un'attività di computer vision che consente alle macchine di seguire il movimento di oggetti nel tempo. Viene utilizzato in una vasta gamma di scenari reali, dalla stima della velocità dei veicoli e il conteggio di prodotti su una linea di assemblaggio all'analisi dei movimenti dei giocatori nello 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. Man mano che la tecnologia di tracciamento degli oggetti si evolve, 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, connettiti 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 nell'industria automobilistica, visita le nostre pagine delle soluzioni per scoprirne di più.