Migliorare la re-identificazione dei veicoli con i modelli Ultralytics YOLO

Quando guardi una gara di Formula One, è facile riconoscere l’auto della tua scuderia preferita. Il rosso brillante della Ferrari o l’argento della Mercedes spiccano giro dopo giro.

Chiedere a una macchina di fare lo stesso, non su un circuito pulito ma sulle strade cittadine affollate dal traffico, è molto più difficile. Ecco perché la re-identificazione dei veicoli (vehicle re-ID) sta ricevendo sempre più attenzione nel campo dell’AI.

La re-identificazione dei veicoli consente alle macchine di riconoscere lo stesso veicolo attraverso telecamere con viste multiple o non sovrapposte. Mira inoltre a identificare i veicoli dopo un’occlusione temporanea (quando un veicolo è parzialmente nascosto) o variazioni dell’illuminazione e del punto di vista.

Una tecnologia fondamentale alla base della re-ID dei veicoli è la computer vision. La computer vision è un sottocampo dell’intelligenza artificiale che si concentra sull’insegnamento alle macchine della comprensione e dell’interpretazione di informazioni visive, come immagini e video. Utilizzando questa tecnologia, i sistemi di AI possono analizzare le caratteristiche dei veicoli e seguirli in modo affidabile attraverso reti di telecamere estese, per applicazioni come la sorveglianza urbana e il monitoraggio del traffico.

In particolare, i modelli di Vision AI come Ultralytics YOLO11 e il prossimo Ultralytics YOLO26 supportano attività come il rilevamento e il tracking degli oggetti. Possono individuare rapidamente i veicoli in ogni fotogramma e seguirne il movimento nella scena. Quando questi modelli vengono combinati con reti di re-identificazione dei veicoli, il sistema risultante può riconoscere lo stesso veicolo attraverso feed provenienti da telecamere diverse, anche quando cambiano il punto di vista o le condizioni di illuminazione.

Fig. 1. Esempio di utilizzo di YOLO11 per il tracking dei veicoli e la stima della velocità (Fonte)

In questo articolo vediamo come funziona la re-identificazione dei veicoli, la tecnologia che la rende possibile e dove viene utilizzata nei sistemi di trasporto intelligenti. Iniziamo!

Che cos’è la re-identificazione dei veicoli?#

La re-identificazione dei veicoli è un’importante applicazione della computer vision. Si concentra sul riconoscimento dello stesso veicolo quando appare in telecamere diverse e non sovrapposte, mantenendone coerente l’identità mentre attraversa una città. Questo è difficile perché ogni telecamera può riprendere il veicolo da un’angolazione diversa, con un’illuminazione differente o con un’occlusione parziale.

Immagina uno scenario in cui una berlina blu attraversa un incrocio e in seguito appare su un’altra strada, ripresa da una telecamera diversa. Angolazione, illuminazione e sfondo sono cambiati e altre auto possono ostruire brevemente la visuale. Nonostante ciò, il sistema di vehicle re-ID deve comunque stabilire che si tratta dello stesso veicolo.

I recenti progressi nel deep learning, in particolare con le reti neurali convoluzionali (CNN) e i modelli basati su Transformer, hanno reso questo processo molto più accurato. Questi modelli possono estrarre pattern visivi significativi e distinguere tra veicoli dall’aspetto simile, identificando comunque quello corretto.

Nei sistemi di trasporto intelligenti, questa capacità supporta il monitoraggio continuo, la ricostruzione dei percorsi e l’analisi del traffico su scala cittadina, offrendo ai sistemi di smart city un quadro più chiaro degli spostamenti dei veicoli. Contribuisce a migliorare sicurezza ed efficienza.

Capire come funziona la re-identificazione dei veicoli#

In genere, i filmati provenienti da incroci, aree di parcheggio e autostrade vengono analizzati con tecniche di re-identificazione dei veicoli per stabilire se lo stesso veicolo appare in telecamere diverse. Il concetto è simile alla re-identificazione delle persone, in cui i sistemi seguono gli individui attraverso più viste, ma qui l’attenzione è rivolta all’analisi delle caratteristiche specifiche dei veicoli anziché dell’aspetto umano.

Il processo comprende diversi passaggi fondamentali, ciascuno progettato per aiutare il sistema a rilevare i veicoli, estrarne le caratteristiche visive e associarli in modo affidabile attraverso punti di vista differenti.

A un livello generale, il sistema rileva prima i veicoli in ogni fotogramma, quindi estrae caratteristiche come colore, forma e texture per creare una rappresentazione digitale univoca, o embedding, per ciascuno di essi. Questi embedding vengono confrontati nel tempo e tra le telecamere, spesso con il supporto del tracking degli oggetti e di verifiche spazio-temporali, per stabilire se due avvistamenti appartengono allo stesso veicolo.

Fig. 2. Come funziona la re-identificazione dei veicoli. (Fonte)

Vediamo più da vicino questo processo:

• Rilevamento degli oggetti: Il sistema identifica e localizza innanzitutto i veicoli all’interno di ogni fotogramma video, in modo da sapere esattamente quali aree elaborare. Questo passaggio viene generalmente gestito da modelli di object detection.
• Estrazione delle caratteristiche: dopo il rilevamento, una rete dedicata alla Re-ID o all’estrazione delle caratteristiche analizza il ritaglio di ciascun veicolo e genera mappe o rappresentazioni delle caratteristiche che catturano dettagli visivi come colore, forma, texture e parti distintive.
• Generazione degli embedding: Le caratteristiche estratte vengono trasformate in una rappresentazione numerica chiamata feature embedding. Questo embedding agisce come un’impronta digitale che cattura l’aspetto del veicolo da angolazioni diverse. Prima dell’associazione, questi embedding vengono generalmente normalizzati, così che le differenze causate da illuminazione, contrasto o impostazioni della telecamera non interferiscano con il confronto dell’identità. La normalizzazione garantisce che il sistema si concentri sulle caratteristiche significative legate all’identità, anziché sul rumore.
• Tracking degli oggetti: All’interno della vista di una singola telecamera, gli algoritmi di tracking collegano i rilevamenti tra i fotogrammi, contribuendo a mantenere un’identità coerente mentre il veicolo si muove nella scena.
• Matching tra telecamere: Per associare lo stesso veicolo attraverso telecamere diverse, il sistema confronta gli embedding (generati dalla rete Re-ID) insieme alle informazioni temporali e di posizione. Questo passaggio stabilisce se due avvistamenti appartengono allo stesso veicolo, anche quando i campi visivi delle telecamere non si sovrappongono.

Come i modelli YOLO di Ultralytics possono supportare la re-identificazione dei veicoli#

I modelli YOLO di Ultralytics svolgono un importante ruolo di supporto nelle pipeline di re-identificazione dei veicoli. Sebbene non eseguano autonomamente la Re-ID, forniscono altre capacità essenziali, come il rilevamento rapido e un tracking stabile, da cui le reti Re-ID dipendono per un matching accurato tra telecamere.

Vediamo ora più da vicino come i modelli YOLO di Ultralytics, come YOLO11, possono migliorare i sistemi di re-identificazione dei veicoli.

Un modulo accurato per il rilevamento dei veicoli: la prima parte dei sistemi Re-ID#

Il fondamento di qualsiasi sistema di re-identificazione dei veicoli è un rilevamento accurato degli oggetti. I modelli YOLO di Ultralytics, come YOLO11, sono un’ottima scelta a questo scopo, poiché possono rilevare rapidamente i veicoli in ogni fotogramma, anche in scene affollate con occlusioni parziali, traffico intenso o condizioni di illuminazione variabili.

Inoltre, possono essere sottoposti ad addestramento personalizzato: puoi eseguire il fine-tuning del modello sul tuo dataset, così che impari a riconoscere tipi specifici di veicoli, come taxi, furgoni per le consegne o veicoli di flotte. Questo è particolarmente utile quando una soluzione richiede un rilevamento più specializzato. Fornendo bounding box puliti e precisi, i modelli YOLO di Ultralytics offrono alle reti Re-ID input di alta qualità, ottenendo associazioni più affidabili tra le telecamere.

Supportare un tracking affidabile con una singola telecamera#

Una volta rilevati i veicoli, modelli come Ultralytics YOLO11 possono anche supportare un tracking stabile degli oggetti all’interno della vista di una singola telecamera. Il tracking degli oggetti è il processo di seguire un veicolo rilevato attraverso fotogrammi consecutivi e assegnargli un ID coerente mentre si muove.

Grazie al supporto integrato per algoritmi di tracking come ByteTrack e BoT-SORT nel pacchetto Python di Ultralytics, YOLO11 può mantenere ID coerenti mentre i veicoli si muovono nella scena. Questo tracking stabile riduce gli scambi di identità prima che intervenga il sistema Re-ID, migliorando in definitiva l’accuratezza del matching tra telecamere.

Re-ID opzionale a livello di tracker per una maggiore stabilità dell’identità#

Oltre al tracking standard basato sul movimento, il pacchetto Python di Ultralytics include funzionalità Re-ID opzionali basate sull’aspetto all’interno del tracker BoT-SORT. Ciò significa che il tracker può utilizzare le caratteristiche dell’aspetto visivo, non solo i pattern di movimento o la sovrapposizione delle bounding box, per stabilire se due rilevamenti appartengono allo stesso veicolo.

Quando è abilitato, BoT-SORT estrae embedding leggeri dell’aspetto dal rilevatore o da un modello di classificazione Ultralytics YOLO11 e li utilizza per verificare l’identità tra i fotogrammi. Questo ulteriore indizio basato sull’aspetto aiuta il tracker a mantenere ID più stabili in situazioni difficili, come brevi occlusioni, veicoli che passano ravvicinati o piccoli spostamenti causati dal movimento della telecamera.

Sebbene questa Re-ID integrata non sia pensata per sostituire la re-identificazione completa dei veicoli tra telecamere, migliora la coerenza dell’identità all’interno della vista di una singola telecamera e produce tracklet più puliti, su cui i moduli Re-ID downstream possono fare affidamento. Per utilizzare queste funzionalità di tracking basate sull’aspetto, ti basta abilitare la Re-ID in un file di configurazione del tracker BoT-SORT impostando “with_reid” su “True” e selezionando il modello che fornirà le caratteristiche dell’aspetto.

Per ulteriori dettagli, puoi consultare la pagina della documentazione di Ultralytics sul tracking degli oggetti, che spiega le opzioni Re-ID disponibili e come configurarle.

Fornire input di alta qualità alle reti Re-ID#

Oltre a migliorare la stabilità dell’identità durante il tracking, i modelli YOLO svolgono un ruolo importante anche nella preparazione di input visivi puliti per la rete Re-ID stessa.

Dopo il rilevamento di un veicolo, la sua bounding box viene generalmente ritagliata e inviata a una rete di re-identificazione, che estrae le caratteristiche visive necessarie per il matching. Poiché i modelli Re-ID dipendono fortemente da queste immagini ritagliate, input di scarsa qualità, come ritagli sfocati, disallineati o incompleti, possono produrre embedding più deboli e un matching meno affidabile tra telecamere.

I modelli YOLO di Ultralytics contribuiscono a ridurre questi problemi producendo con coerenza bounding box pulite e ben allineate, che catturano interamente il veicolo di interesse. Con ritagli più chiari e accurati, la rete Re-ID può concentrarsi su dettagli significativi come colore, forma, texture e altre caratteristiche distintive. Input di alta qualità portano a prestazioni Re-ID più affidabili e accurate attraverso le diverse viste delle telecamere.

Abilitare il matching tra telecamere in combinazione con un modello Re-ID#

Sebbene i modelli YOLO di Ultralytics non eseguano autonomamente la re-identificazione, forniscono le informazioni fondamentali di cui una rete re-ID ha bisogno per confrontare i veicoli attraverso viste diverse delle telecamere. Modelli come YOLO11 possono occuparsi di localizzare e seguire i veicoli all’interno di ciascuna telecamera, mentre il modello Re-ID stabilisce se due ritagli di veicoli provenienti da luoghi diversi appartengono alla stessa identità.

Quando questi componenti lavorano insieme — YOLO per il rilevamento e il tracking e un modello di embedding dedicato per l’estrazione delle caratteristiche — formano una pipeline completa di matching dei veicoli tra più telecamere. Ciò consente di associare lo stesso veicolo mentre attraversa una rete di telecamere più ampia.

Ad esempio, in uno studio recente, i ricercatori hanno utilizzato un modello Ultralytics YOLO11 leggero come rilevatore di veicoli in un sistema di tracking online con più telecamere. Lo studio ha rilevato che l’utilizzo di YOLO11 contribuiva a ridurre il tempo di rilevamento senza sacrificare l’accuratezza, migliorando così le prestazioni complessive del tracking downstream e del matching tra telecamere.

Fig. 3. Tracking e re-identificazione multi-veicolo tra più telecamere basati su Ultralytics YOLO11. (Fonte)

Architetture di deep learning per la Re-ID dei veicoli#

Ora che abbiamo compreso meglio come i modelli YOLO di Ultralytics possono supportare la re-identificazione dei veicoli, esaminiamo più da vicino i modelli di deep learning che gestiscono le fasi di estrazione e matching delle caratteristiche. Questi modelli imparano l’aspetto dei veicoli, creano embedding robusti e distinguono tra veicoli visivamente simili attraverso viste diverse delle telecamere.

Ecco alcuni esempi dei principali componenti di deep learning utilizzati nei sistemi di re-identificazione degli oggetti:

• Estrazione delle caratteristiche con le CNN: Le reti neurali convoluzionali come ResNet50 o ResNet101 apprendono caratteristiche profonde attraverso il riconoscimento dei pattern, identificando elementi come colore, forma e texture che distinguono un veicolo dall’altro. Questi pattern appresi vengono quindi convertiti in embedding che fungono da rappresentazione digitale univoca del veicolo.

• Meccanismi di attenzione e Transformer: Le reti e i layer di attenzione, inclusa l’attenzione spaziale, possono aiutare a mettere in evidenza regioni importanti di un veicolo, come fari, finestrini o aree della targa. L’attenzione spaziale concentra il modello sui punti in cui si trovano gli indizi visivi più informativi, mentre i modelli basati su Transformer come i Vision Transformer (ViT) catturano le relazioni globali nell’intera immagine. Insieme, migliorano l’accuratezza a grana fine quando i veicoli sono molto simili.

• Reti basate sulle parti e multi-ramo: Alcuni modelli Re-ID analizzano separatamente regioni specifiche del veicolo, come il tetto, i fanali posteriori o i pannelli laterali, per poi combinare i risultati. In questo modo il sistema rimane robusto anche quando i veicoli sono parzialmente occlusi o osservati da angolazioni difficili.

Oltre a questi componenti architetturali, il metric learning svolge un ruolo fondamentale nell’addestramento dei modelli di vehicle Re-ID. Funzioni di loss come triplet loss, contrastive loss e cross-entropy loss aiutano il sistema ad apprendere embedding forti e discriminativi, avvicinando le immagini dello stesso veicolo e allontanando quelle di veicoli diversi.

Dataset e benchmark diffusi per la re-identificazione dei veicoli#

Nella ricerca sulla computer vision, la qualità di un dataset ha un forte impatto sulle prestazioni di un modello una volta implementato. Un dataset fornisce le immagini o i video annotati da cui il modello apprende.

Per la re-identificazione dei veicoli, questi dataset all’avanguardia devono rappresentare condizioni diverse, come variazioni dell’illuminazione, del punto di vista e del meteo. Questa diversità aiuta i modelli a gestire la complessità degli ambienti di trasporto reali.

Ecco una panoramica di alcuni dataset diffusi che supportano l’addestramento, l’ottimizzazione e la valutazione dei modelli di re-identificazione dei veicoli:

• Dataset VeRi-776: È una raccolta di oltre 50.000 immagini annotate di veicoli, acquisite da 20 telecamere cittadine. Le annotazioni includono l’ID del veicolo, il colore, il modello e le aree delle targhe, consentendo un apprendimento dettagliato delle caratteristiche.
• Dataset VehicleID: Questo dataset su larga scala contiene oltre 200.000 immagini che rappresentano più di 26.000 veicoli. Viene spesso scelto per studiare la scalabilità e realizzare confronti di base tra metodi diversi.
• Dataset VeRi-Wild: È progettato per riflettere la variabilità del mondo reale, comprese le differenze nel punto di vista, nelle condizioni meteorologiche e nelle occlusioni parziali. Viene comunemente utilizzato per valutare la robustezza e la generalizzazione dei modelli.

Fig. 4. Esempio di veicoli nel dataset VeRi-776. (Fonte)

Le prestazioni del modello su questi dataset vengono generalmente valutate con metriche come la mean average precision (mAP) e l’accuratezza Rank-1 o Rank-5. La mAP misura quanto accuratamente il modello recupera tutti i matching pertinenti per un determinato veicolo, mentre i punteggi Rank-1 e Rank-5 indicano se il matching corretto appare in cima all’elenco dei risultati o tra le prime predizioni.

Nel complesso, questi benchmark offrono ai ricercatori un metodo coerente per confrontare approcci diversi e svolgono un ruolo importante nel guidare lo sviluppo di sistemi di re-identificazione dei veicoli più accurati e affidabili per l’uso nel mondo reale.

Applicazioni della re-identificazione dei veicoli#

Ora che abbiamo trattato i fondamenti, analizziamo alcuni casi d’uso reali in cui la re-identificazione dei veicoli supporta flussi di lavoro pratici nei settori dei trasporti, della mobilità e della sorveglianza.

Sorveglianza e monitoraggio del traffico urbano#

Le strade cittadine trafficate sono costantemente attraversate da veicoli e spesso le telecamere del traffico fanno fatica a seguire lo stesso veicolo mentre si sposta tra aree diverse. I cambiamenti nell’illuminazione, le scene affollate e i veicoli dall’aspetto quasi identico possono causare la perdita delle identità tra le telecamere.

La re-identificazione dei veicoli affronta questo problema rilevando chiaramente i veicoli, estraendo caratteristiche distintive e mantenendo ID coerenti anche in filmati a bassa risoluzione o affollati. Il risultato è un tracking più fluido e continuo attraverso la rete, che offre alle squadre addette al traffico un quadro più chiaro degli spostamenti dei veicoli in città e consente risposte più rapide e informate a congestioni e incidenti.

Sistemi di parcheggio intelligenti#

Le strutture di parcheggio intelligenti si basano sull’identificazione coerente dei veicoli per gestire ingresso, uscita, controllo degli accessi e assegnazione degli spazi. Tuttavia, in questi ambienti le telecamere spesso riprendono i veicoli da angolazioni insolite e in condizioni di illuminazione difficili, ad esempio nei garage sotterranei, nelle aree ombreggiate o nei parcheggi all’aperto al crepuscolo.

Queste condizioni rendono più difficile confermare se lo stesso veicolo viene osservato in zone diverse. Quando le identità sono incoerenti, i registri dei parcheggi possono interrompersi, il controllo degli accessi diventa meno affidabile e i conducenti possono subire ritardi. Per questo molti sistemi di smart parking integrano modelli di re-identificazione dei veicoli per mantenere un’identità stabile per ciascun veicolo mentre si sposta all’interno della struttura.

Fig. 5. Esempio di re-identificazione dei veicoli con l’immagine del veicolo selezionato a sinistra e i risultati di ricerca corrispondenti a destra. (Fonte)

Forze dell’ordine e analisi forense#

Oltre al monitoraggio del traffico, la re-identificazione dei veicoli svolge un ruolo importante anche nelle attività delle forze dell’ordine e nelle indagini forensi. In molti casi, gli agenti devono seguire un veicolo attraverso diverse telecamere, ma le targhe possono essere illeggibili, mancanti o oscurate deliberatamente.

Scene affollate, scarsa visibilità e occlusioni parziali possono far sembrare ingannevolmente simili veicoli diversi, rendendo l’identificazione manuale lenta e inaffidabile. La re-identificazione dei veicoli può essere utilizzata per tracciare gli spostamenti di un veicolo attraverso reti di telecamere non sovrapposte, analizzandone le caratteristiche visive anziché basarsi esclusivamente sulle targhe.

Ciò significa che gli investigatori possono seguire più facilmente gli spostamenti di un veicolo, capire quando è comparso in luoghi diversi e confermarne il percorso prima e dopo un incidente. La vehicle re-ID basata sull’AI supporta inoltre attività come il tracking di veicoli sospetti, la revisione dei filmati di incidenti o la determinazione della direzione in cui un veicolo ha viaggiato prima o dopo un evento.

Fig. 6. Veicoli associati tra telecamere diverse con prospettive variabili. (Fonte)

Tracking delle flotte e della logistica#

Le operazioni di gestione delle flotte e della logistica si basano spesso su GPS, tag RFID e registri manuali per seguire gli spostamenti dei veicoli, ma questi strumenti presentano lacune nelle aree coperte da telecamere di sicurezza o del piazzale, come baie di carico, piazzali dei magazzini e reti stradali interne.

I veicoli si spostano spesso tra telecamere i cui campi visivi non si sovrappongono, scompaiono dietro strutture o hanno un aspetto quasi identico a quello di altri veicoli della flotta, rendendo difficile confermare se lo stesso veicolo sia stato visto in luoghi diversi. I sistemi di re-identificazione dei veicoli possono aiutare a colmare queste lacune analizzando dettagli visivi e informazioni temporali per mantenere un’identità coerente per ciascun veicolo mentre attraversa la struttura.

Questo offre ai responsabili della flotta una visione più completa delle attività all’interno dei loro hub e supporta attività come la verifica dei percorsi di consegna, l’identificazione di movimenti anomali e la garanzia che i veicoli seguano i percorsi previsti.

Pro e contro delle attività di vehicle re-ID#

Ecco alcuni dei principali vantaggi dell’utilizzo della re-identificazione dei veicoli basata sull’AI:

• Riduzione del carico di lavoro manuale: La vehicle re-ID automatizza le attività di matching delle identità che altrimenti richiederebbero un’ampia revisione manuale, riducendo significativamente il tempo e l’impegno necessari per analizzare i filmati video.
• Automazione e informazioni in tempo reale: Combinando rilevamento, tracking e matching delle caratteristiche, la vehicle re-ID supporta il monitoraggio automatizzato continuo e può fornire avvisi in tempo reale per rispondere più rapidamente agli incidenti.
• Scalabilità e adattabilità: I modelli Re-ID possono adattarsi a nuovi ambienti, condizioni di illuminazione o angolazioni delle telecamere grazie all’apprendimento robusto delle caratteristiche, all’estrazione multiscala delle caratteristiche e a rappresentazioni invarianti che rimangono stabili in presenza di cambiamenti visivi. Queste capacità li rendono adatti sia alle grandi reti cittadine sia alle implementazioni più contenute.

Sebbene la re-identificazione dei veicoli offra molti vantaggi, presenta anche alcune limitazioni da considerare. Ecco alcuni fattori che ne influenzano l’affidabilità negli ambienti reali:

• Elevato fabbisogno computazionale: L’estrazione delle caratteristiche, la generazione degli embedding e il matching tra telecamere richiedono una notevole potenza di elaborazione, soprattutto quando si monitorano reti estese di telecamere.
• Variabilità ambientale: Fattori come l’illuminazione notturna, i cambiamenti meteorologici, le ombre e le occlusioni possono ridurre la capacità del modello di mantenere identità coerenti tra le scene.
• Limitazioni del dataset e del dominio: I modelli addestrati su dataset limitati o idealizzati potrebbero non generalizzare bene alle condizioni del mondo reale senza ulteriore fine-tuning o adattamento al dominio.

Il futuro dei metodi di re-identificazione dei veicoli#

La re-identificazione dei veicoli continua a progredire con l’evolversi della tecnologia. Le pubblicazioni recenti di IEEE, CVPR e arXiv, insieme alle presentazioni nelle conferenze internazionali, evidenziano un chiaro spostamento verso modelli più ricchi, che combinano più fonti di dati e capacità avanzate di ragionamento sulle caratteristiche. È probabile che il lavoro futuro in questo settore si concentri sulla creazione di sistemi più robusti ed efficienti, capaci di gestire la variabilità del mondo reale su larga scala.

Ad esempio, una direzione promettente è l’uso di modelli basati su Transformer e reti di aggregazione a grafo. I Transformer possono analizzare un’intera immagine e comprendere come tutti i dettagli visivi si integrano tra loro, aiutando il sistema a riconoscere lo stesso veicolo anche quando cambiano angolazione o illuminazione.

I modelli basati su grafi fanno un ulteriore passo avanti, trattando diverse parti dei veicoli o viste delle telecamere come punti connessi in una rete. Questo consente al sistema di comprendere la correlazione tra questi punti chiave e di prendere decisioni migliori sull’identità dei veicoli e sulle caratteristiche discriminative.

Un altro progresso fondamentale è la fusione di dati multimodali e delle caratteristiche. Invece di affidarsi solo alle immagini, i sistemi più recenti combinano le informazioni visive con altri segnali multimediali, come i dati GPS o i pattern di movimento rilevati dai sensori. Questo contesto aggiuntivo facilita il mantenimento della precisione del sistema quando i veicoli sono parzialmente ostruiti, l’illuminazione è scarsa o gli angoli delle telecamere cambiano improvvisamente.

Punti chiave#

La re-identificazione dei veicoli sta diventando una metodologia fondamentale nei sistemi di trasporto intelligenti, aiutando le città a monitorare i veicoli in modo più affidabile attraverso diverse telecamere. Grazie ai progressi nel deep learning e a una migliore validazione tramite dataset più ricchi e diversificati, questi sistemi stanno diventando più accurati e pratici nelle condizioni del mondo reale.

Con l’evolversi della tecnologia, è importante bilanciare l’innovazione con pratiche responsabili in materia di privacy, sicurezza ed etica. Nel complesso, questi progressi stanno aprendo la strada a reti di trasporto più intelligenti, sicure ed efficienti.

Scopri di più sull'AI visitando il nostro repository GitHub e unendoti alla nostra community. Consulta le nostre pagine dedicate alle soluzioni per saperne di più sull'AI nella robotica e sulla computer vision nella produzione. Scopri le nostre opzioni di licenza per iniziare oggi stesso a utilizzare la Vision AI!