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

Quando guardi una gara di Formula Uno, è facile riconoscere l'auto della tua scuderia preferita. Il rosso acceso 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 su strade cittadine affollate e trafficate, è molto più difficile. Per questo, la re-identificazione dei veicoli (vehicle re-ID) sta attirando sempre più attenzione nel campo dell'IA.

La re-identificazione dei veicoli consente alle macchine di riconoscere lo stesso veicolo attraverso telecamere con visuali diverse o non sovrapposte. Mira anche a identificare i veicoli dopo un'occlusione temporanea, quando sono parzialmente nascosti, oppure in seguito a variazioni dell'illuminazione e del punto di vista.

Una tecnologia fondamentale alla base della re-ID dei veicoli è la visione artificiale. La visione artificiale è una branca dell'intelligenza artificiale che si concentra sull'insegnare alle macchine a comprendere e interpretare informazioni visive, come immagini e video. Grazie a questa tecnologia, i sistemi di IA 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, modelli di IA visiva come Ultralytics YOLO11 e Ultralytics YOLO26, già rilasciato, supportano attività come il rilevamento e il tracciamento degli oggetti. Possono localizzare rapidamente i veicoli in ogni fotogramma e seguirne gli spostamenti nella scena. Combinando questi modelli con reti di re-identificazione dei veicoli, il sistema risultante può riconoscere lo stesso veicolo in flussi video provenienti da telecamere diverse, anche quando cambiano le inquadrature o le condizioni di illuminazione.

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

In questo articolo vedremo come funziona la re-identificazione dei veicoli, quale tecnologia la rende possibile e dove viene usata nei sistemi di trasporto intelligenti.

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

La re-identificazione dei veicoli è un'importante applicazione della visione artificiale. Si concentra sul riconoscimento dello stesso veicolo mentre compare in diverse telecamere non sovrapposte, mantenendone costante l'identità mentre si sposta in città. È un compito difficile perché ogni telecamera può riprendere il veicolo da un'angolazione diversa, con un'illuminazione differente o con un'occlusione parziale.

Immagina una berlina blu che attraversa un incrocio e in seguito compare su un'altra strada, ripresa da un'altra telecamera. L'angolazione, l'illuminazione e lo sfondo sono cambiati e altre auto potrebbero oscurare brevemente la visuale. Nonostante ciò, il sistema di re-ID dei veicoli deve comunque determinare 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 preciso. Questi modelli sono in grado di estrarre schemi visivi significativi e distinguere 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 urbana, offrendo ai sistemi delle smart city un quadro più chiaro degli spostamenti dei veicoli. Questo contribuisce a migliorare la sicurezza e l'efficienza.

Come funziona la re-identificazione dei veicoli#

In genere, i filmati di incroci, parcheggi e autostrade vengono analizzati con tecniche di re-identificazione dei veicoli per stabilire se lo stesso veicolo compare in diverse telecamere. Questo concetto è simile alla re-identificazione delle persone, in cui i sistemi seguono gli individui da diverse angolazioni, ma in questo caso l'analisi si concentra sulle caratteristiche specifiche dei veicoli anziché sull'aspetto umano.

Il processo comprende diverse fasi fondamentali, ciascuna progettata per aiutare il sistema a rilevare i veicoli, estrarne le caratteristiche visive e abbinarli in modo affidabile da diverse angolazioni.

In generale, il sistema rileva prima i veicoli in ogni fotogramma, poi ne estrae caratteristiche come colore, forma e texture per creare una rappresentazione digitale unica, o embedding, per ciascuno. Questi embedding vengono confrontati nel tempo e tra le telecamere, spesso con il supporto del tracciamento degli oggetti e di controlli spazio-temporali, per stabilire se due avvistamenti riguardano lo stesso veicolo.

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

Ecco una panoramica più dettagliata del processo:

• Rilevamento degli oggetti: il sistema identifica e localizza prima i veicoli in ogni fotogramma del video, così da sapere esattamente quali aree elaborare. Questa fase è in genere gestita da modelli di rilevamento degli oggetti.
• 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 ne catturano i dettagli visivi, come colore, forma, texture e parti distintive.
• Generazione degli embedding: le caratteristiche estratte vengono trasformate in una rappresentazione numerica chiamata embedding delle caratteristiche. Questo embedding funge da impronta digitale e cattura l'aspetto del veicolo da diverse angolazioni. Prima dell'abbinamento, gli embedding vengono in genere normalizzati per evitare che le differenze dovute all'illuminazione, al contrasto o alle impostazioni della fotocamera interferiscano con il confronto delle identità. La normalizzazione fa sì che il sistema si concentri sulle caratteristiche significative legate all'identità anziché sul rumore.
• Tracciamento degli oggetti: all'interno della visuale di una singola telecamera, gli algoritmi di tracciamento collegano i rilevamenti tra i fotogrammi, contribuendo a mantenere un'identità coerente mentre il veicolo si sposta nella scena.
• Abbinamento tra telecamere: per abbinare lo stesso veicolo tra telecamere diverse, il sistema confronta gli embedding generati dalla rete Re-ID insieme alle informazioni temporali e di posizione. Questa fase stabilisce se due avvistamenti riguardano lo stesso veicolo, anche quando le visuali delle telecamere non si sovrappongono.

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

I modelli Ultralytics YOLO svolgono un importante ruolo di supporto nelle pipeline di re-identificazione dei veicoli. Anche se non eseguono autonomamente la Re-ID, offrono altre funzionalità essenziali, come il rilevamento rapido e il tracciamento stabile, da cui le reti Re-ID dipendono per abbinare correttamente i veicoli tra telecamere.

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

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

Il fondamento di qualsiasi sistema di re-identificazione dei veicoli è un rilevamento accurato degli oggetti. I modelli Ultralytics YOLO come YOLO11 sono un'ottima scelta, perché rilevano rapidamente i veicoli in ogni fotogramma, anche in scene affollate con occlusioni parziali, traffico intenso o condizioni di illuminazione mutevoli.

I modelli possono anche essere addestrati su misura: puoi perfezionarli sul tuo set di dati affinché imparino a riconoscere tipi specifici di veicoli, come taxi, furgoni per le consegne o veicoli di una flotta. È particolarmente utile quando una soluzione richiede un rilevamento più specializzato. Fornendo bounding box pulite e precise, i modelli Ultralytics YOLO offrono alle reti Re-ID input di alta qualità, consentendo abbinamenti più affidabili tra telecamere diverse.

Supportare un tracciamento affidabile con una singola telecamera#

Dopo aver rilevato i veicoli, modelli come Ultralytics YOLO11 possono anche supportare un tracciamento stabile degli oggetti nella visuale di una singola telecamera. Il tracciamento degli oggetti consiste nel seguire un veicolo rilevato in fotogrammi consecutivi e assegnargli un ID costante mentre si sposta.

Grazie al supporto integrato per algoritmi di tracciamento come ByteTrack e BoT-SORT nel pacchetto Python Ultralytics, YOLO11 può mantenere ID costanti mentre i veicoli si spostano nella scena. Questo tracciamento stabile riduce i cambi di identità prima che intervenga il sistema Re-ID, migliorando così la precisione dell'abbinamento tra telecamere.

Re-ID opzionale a livello del tracker per una maggiore stabilità dell'identità#

Oltre al tracciamento standard basato sul movimento, il pacchetto Python Ultralytics include funzionalità opzionali di Re-ID basate sull'aspetto nel tracker BoT-SORT. Ciò significa che il tracker può usare caratteristiche visive dell'aspetto, non solo schemi di movimento o sovrapposizioni dei riquadri di delimitazione, per stabilire se due rilevamenti riguardano lo stesso veicolo.

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

La Re-ID integrata non è pensata per sostituire la re-identificazione completa dei veicoli tra telecamere, ma migliora la coerenza dell'identità nella visuale di una singola telecamera e produce tracce più pulite, su cui i moduli Re-ID a valle possono fare affidamento. Per usare queste funzionalità di tracciamento basate sull'aspetto, basta attivare 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 maggiori dettagli, consulta la pagina della documentazione Ultralytics sul tracciamento 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 tracciamento, i modelli YOLO svolgono un ruolo importante anche nella preparazione di input visivi puliti per la rete Re-ID stessa.

Dopo aver rilevato un veicolo, in genere si ritaglia il suo riquadro di delimitazione e lo si invia a una rete di re-identificazione, che estrae le caratteristiche visive necessarie per l'abbinamento. Poiché i modelli Re-ID dipendono molto da queste immagini ritagliate, input di scarsa qualità, come ritagli sfocati, disallineati o incompleti, possono produrre embedding meno efficaci e abbinamenti meno affidabili tra telecamere.

I modelli Ultralytics YOLO contribuiscono a ridurre questi problemi producendo con coerenza riquadri di delimitazione puliti e ben allineati, che includono per intero il veicolo di interesse. Con ritagli più nitidi e accurati, la rete Re-ID può concentrarsi su dettagli significativi come colore, forma, texture e altre caratteristiche distintive. Input di alta qualità garantiscono prestazioni Re-ID più affidabili e precise nelle diverse visuali delle telecamere.

Abilitare l'abbinamento tra telecamere in combinazione con un modello Re-ID#

Anche se i modelli Ultralytics YOLO non eseguono autonomamente la re-identificazione, forniscono le informazioni essenziali di cui una rete Re-ID ha bisogno per confrontare i veicoli ripresi da telecamere diverse. Modelli come YOLO11 possono occuparsi di localizzare e tracciare i veicoli in ciascuna telecamera, mentre il modello Re-ID stabilisce se due ritagli di veicoli provenienti da luoghi diversi appartengono alla stessa identità.

Quando questi componenti collaborano — YOLO per il rilevamento e il tracciamento e un modello di embedding dedicato per l'estrazione delle caratteristiche — formano una pipeline completa per l'abbinamento dei veicoli tra più telecamere. In questo modo è possibile associare lo stesso veicolo mentre si sposta attraverso una rete di telecamere più estesa.

Per esempio, in uno studio recente, i ricercatori hanno usato un modello Ultralytics YOLO11 leggero come rilevatore di veicoli in un sistema di tracciamento online con più telecamere. Lo studio ha rilevato che YOLO11 contribuiva a ridurre il tempo di rilevamento senza sacrificare la precisione, migliorando le prestazioni complessive del tracciamento a valle e dell'abbinamento tra telecamere.

Fig. 3. Tracciamento e re-identificazione di più veicoli tra più telecamere basati su Ultralytics YOLO11. (Fonte)

Architetture basate sul deep learning per la re-identificazione dei veicoli#

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

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

• Estrazione delle caratteristiche con CNN: le reti neurali convoluzionali come ResNet50 o ResNet101 apprendono caratteristiche profonde attraverso il riconoscimento di schemi, individuando elementi come colore, forma e texture che distinguono un veicolo da un altro. Questi schemi appresi vengono poi convertiti in embedding che fungono da rappresentazione digitale univoca del veicolo.
• Meccanismi di attenzione e Transformer: le reti e i livelli di attenzione, inclusa l’attenzione spaziale, possono aiutare a evidenziare le regioni importanti di un veicolo, come i fari, i finestrini o le aree delle targhe. L’attenzione spaziale concentra il modello sulle posizioni in cui si trovano gli indizi visivi più informativi, mentre i modelli basati su Transformer come i Vision Transformer (ViT) rilevano le relazioni globali nell’intera immagine. Insieme, migliorano la precisione nei dettagli quando i veicoli si somigliano molto.
• 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, e poi combinano i risultati. In questo modo il sistema rimane robusto anche quando i veicoli sono parzialmente occlusi o ripresi da angolazioni difficili.

Oltre a questi componenti architetturali, il metric learning svolge un ruolo fondamentale nell’addestramento dei modelli di re-identificazione dei veicoli. Funzioni di perdita come la triplet loss, la contrastive loss e la cross-entropy loss aiutano il sistema ad apprendere embedding robusti 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 influisce notevolmente sulle prestazioni di un modello una volta distribuito. Un dataset fornisce le immagini o i video annotati da cui il modello apprende.

Per la re-identificazione dei veicoli, questi set di dati devono includere condizioni diverse, come variazioni di illuminazione, angolazione e meteo. Questa varietà aiuta i modelli a gestire la complessità degli ambienti di trasporto reali.

Ecco alcuni dei dataset più 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, riprese da 20 telecamere cittadine. Le annotazioni includono ID del veicolo, colore, modello e 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 confrontare le prestazioni di base di metodi diversi.
• Dataset VeRi-Wild: è progettato per rappresentare la variabilità del mondo reale, comprese le differenze di punto di vista, le condizioni meteorologiche e le occlusioni parziali. Viene comunemente usato per valutare la robustezza e la capacità di generalizzazione dei modelli.

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

Le prestazioni dei modelli su questi dataset vengono solitamente valutate con metriche come la precisione media (mAP) e l’accuratezza Rank-1 o Rank-5. La mAP misura quanto accuratamente il modello recupera tutte le corrispondenze pertinenti per un determinato veicolo, mentre i punteggi Rank-1 e Rank-5 indicano se la corrispondenza corretta compare al primo posto o tra i primi risultati.

Nel loro insieme, 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 esaminato i concetti fondamentali, vediamo 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 trafficate delle città sono in continuo movimento e spesso le telecamere del traffico faticano a tenere traccia dello stesso veicolo mentre si sposta tra zone diverse. I cambiamenti di illuminazione, le scene affollate e i veicoli dall’aspetto quasi identico possono far perdere l’identità dei veicoli tra una telecamera e l’altra.

La re-identificazione dei veicoli affronta questo problema rilevando chiaramente i veicoli, estraendo caratteristiche distintive e mantenendo ID coerenti anche in riprese affollate o a bassa risoluzione. Il risultato è un tracciamento continuo e più fluido nell’intera rete, che offre alle squadre addette al traffico un quadro più chiaro degli spostamenti dei veicoli in città e consente di reagire più rapidamente e con maggiori informazioni agli ingorghi e agli incidenti.

Sistemi di parcheggio intelligenti#

I parcheggi intelligenti si basano su un’identificazione coerente dei veicoli per gestire ingressi, uscite, controllo degli accessi e assegnazione dei posti. Tuttavia, in questi ambienti le telecamere spesso riprendono i veicoli da angolazioni insolite e in condizioni di illuminazione difficili, per esempio nei parcheggi sotterranei, nelle aree in ombra o nei parcheggi all’aperto al crepuscolo.

Queste condizioni rendono più difficile confermare se lo stesso veicolo è stato ripreso in zone diverse. Quando le identità non sono coerenti, i registri del parcheggio possono presentare lacune, il controllo degli accessi diventa meno affidabile e gli automobilisti possono subire ritardi. Per questo molti sistemi di parcheggio intelligente integrano modelli di re-identificazione dei veicoli, così da mantenere un’identità stabile per ogni veicolo mentre si sposta nella struttura.

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

Forze dell’ordine e analisi forense#

Oltre al monitoraggio del traffico, la re-identificazione dei veicoli svolge un ruolo importante anche nelle attività di polizia e nelle indagini forensi. Spesso gli agenti devono seguire un veicolo attraverso più telecamere, ma le targhe potrebbero essere illeggibili, mancanti o deliberatamente oscurate.

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

In questo modo, 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 re-identificazione dei veicoli basata sull’AI supporta anche attività come il tracciamento di veicoli sospetti, l’analisi delle riprese di un incidente o la determinazione della direzione presa da un veicolo prima o dopo un evento.

Fig. 6. Veicoli abbinati tra telecamere diverse con prospettive differenti. (Fonte)

Tracciamento di flotte e logistica#

Le attività di gestione delle flotte e della logistica si affidano spesso a GPS, tag RFID e registri manuali per tracciare gli spostamenti dei veicoli, ma questi strumenti lasciano lacune nelle aree coperte da telecamere di sicurezza o di piazzale, come le baie di carico, i piazzali dei magazzini e le reti stradali interne.

I veicoli si spostano spesso tra telecamere con campi visivi non sovrapposti, scompaiono dietro le strutture o somigliano molto ad altri veicoli della flotta, rendendo difficile confermare se lo stesso veicolo sia stato ripreso in luoghi diversi. I sistemi di re-identificazione dei veicoli possono contribuire a colmare queste lacune analizzando i dettagli visivi e le informazioni temporali per mantenere un’identità coerente per ogni veicolo mentre si sposta nella struttura.

Questo offre ai responsabili della flotta una visione più completa delle attività nei loro hub e supporta operazioni come la verifica dei percorsi di consegna, l’individuazione di spostamenti insoliti e il controllo che i veicoli seguano gli itinerari previsti.

Vantaggi e svantaggi delle attività di re-identificazione dei veicoli#

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

• Riduzione del lavoro manuale: la re-identificazione dei veicoli automatizza le attività di abbinamento delle identità che altrimenti richiederebbero un’ampia revisione manuale, riducendo notevolmente il tempo e l’impegno necessari per analizzare le riprese video.
• Automazione e informazioni in tempo reale: combinando rilevamento, tracciamento e abbinamento delle caratteristiche, la re-identificazione dei veicoli supporta un monitoraggio automatizzato continuo e può fornire avvisi in tempo reale per reagire più rapidamente agli incidenti.
• Scalabilità e adattabilità: i modelli di re-identificazione 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 anche in presenza di cambiamenti visivi. Queste capacità li rendono adatti sia alle grandi reti urbane sia alle installazioni più ridotte.

La re-identificazione dei veicoli offre molti vantaggi, ma presenta anche alcuni limiti 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 l’abbinamento tra telecamere richiedono una potenza di elaborazione significativa, soprattutto quando si monitorano reti di telecamere estese.
• 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 scene diverse.
• Limiti dei dataset e del dominio: i modelli addestrati su dataset limitati o idealizzati potrebbero non generalizzare bene alle condizioni reali 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’evoluzione della tecnologia. Le pubblicazioni recenti di IEEE, CVPR e arXiv, insieme alle presentazioni delle conferenze internazionali, evidenziano una chiara tendenza verso modelli più ricchi, che combinano più fonti di dati e un ragionamento più avanzato sulle caratteristiche. In futuro, la ricerca in questo ambito si concentrerà probabilmente sulla realizzazione di sistemi più robusti ed efficienti, capaci di gestire su larga scala la variabilità del mondo reale.

Per esempio, una direzione promettente è l’uso di modelli basati su Transformer e reti di aggregazione basate su grafi. I Transformer possono analizzare un’immagine nel suo insieme e capire come si integrano i dettagli visivi, aiutando il sistema a riconoscere lo stesso veicolo anche quando cambiano l’angolazione o l’illuminazione.

I modelli basati su grafi fanno un passo in più, trattando le diverse parti del veicolo o le diverse inquadrature delle telecamere come punti collegati in una rete. Questo consente al sistema di comprendere le correlazioni tra questi punti chiave e di prendere decisioni migliori sull’identità dei veicoli e sulle caratteristiche discriminative.

Un altro progresso importante è la fusione di dati multimodali e delle caratteristiche. Invece di basarsi solo sulle immagini, i sistemi più recenti combinano le informazioni visive con altri segnali multimediali, come i dati GPS o gli schemi di movimento rilevati dai sensori. Questo contesto aggiuntivo aiuta il sistema a mantenere la precisione quando i veicoli sono parzialmente occlusi, l’illuminazione è scarsa o le angolazioni delle telecamere cambiano bruscamente.

Punti chiave#

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

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

Scopri di più sull’IA visitando il nostro repository GitHub e unendoti alla nostra community. Visita le pagine delle nostre soluzioni per saperne di più sull’IA nella robotica e sulla visione artificiale nel settore manifatturiero. Scopri le nostre opzioni di licenza e inizia oggi stesso a usare l’IA per la visione!