Come calcolare le distanze con i modelli di visione artificiale?

Quando attraversi la strada e vedi un'auto che ti viene incontro, riesci a valutare subito, più o meno, quanto è lontana. Questa valutazione rapida, quasi istintiva, è possibile grazie alla consapevolezza spaziale dell'ambiente circostante. In base a questa percezione, puoi decidere se accelerare il passo, fermarti o continuare a camminare.

Allo stesso modo, la computer vision è un ramo dell'intelligenza artificiale (AI) che consente alle macchine di comprendere l'ambiente circostante interpretando i dati visivi. Proprio come puoi valutare la distanza di un'auto per prendere decisioni rapide, i modelli di computer vision possono analizzare immagini e video, aiutando le macchine a percepire e reagire al mondo che le circonda.

Per esempio, Ultralytics YOLO11 è un modello di computer vision in grado di rilevare e tracciare oggetti in immagini e video in tempo reale. In parole semplici, YOLO11 analizza l'intera immagine in una volta sola anziché suddividerla in parti, risultando così più rapido ed efficiente. Può anche svolgere attività di computer vision come la segmentazione delle istanze, la stima della posa e la classificazione delle immagini.

In particolare, le capacità di Ultralytics YOLO11 possono essere usate per calcolare la distanza tra gli oggetti, una funzione utile in molti ambiti, come il settore manifatturiero, il commercio al dettaglio e la gestione della folla, per migliorare la sicurezza e l'efficienza.

In questo articolo vedremo come usare Ultralytics YOLO11 per il calcolo delle distanze nelle applicazioni di computer vision, perché è importante e quale impatto ha nei diversi settori.

Fig. 1. Un esempio di utilizzo di YOLO per calcolare la distanza di atterraggio di un aereo.

Panoramica sul calcolo delle distanze nella computer vision#

Il calcolo delle distanze nella computer vision consiste nel rilevare e localizzare due oggetti in un'immagine e misurare i pixel che li separano. I pixel sono le unità elementari di un'immagine digitale; ciascuno rappresenta un singolo punto con uno specifico valore di colore o intensità.

Per convertire le misure in pixel in distanze reali, la calibrazione è fondamentale. Puoi immaginarla come l'uso di un righello per misurare un oggetto e poi applicare quella misura per determinarne altri. Facendo riferimento a oggetti di dimensioni note, la calibrazione crea una corrispondenza tra i pixel e le distanze fisiche reali.

Vediamo un esempio per capire come funziona. Nell'immagine qui sotto, la moneta è l'oggetto di riferimento e le sue dimensioni (0,9 in per 1,0 in) sono note. Confrontando le misure in pixel degli altri oggetti con le dimensioni della moneta, possiamo calcolare le loro dimensioni reali.

Fig. 2. Una moneta può essere usata come riferimento per misurare le dimensioni reali di altri oggetti.

Tuttavia, il calcolo delle distanze avviene su un piano bidimensionale (2D), quindi misura solo la distanza orizzontale e verticale tra gli oggetti. È diverso dalla stima della profondità, che misura la distanza degli oggetti nello spazio tridimensionale, compresa la loro distanza dalla telecamera.

Le telecamere di profondità possono misurare la profondità effettiva e fornire informazioni spaziali più dettagliate, ma in molti casi è sufficiente una semplice distanza calibrata. Per esempio, conoscere la distanza tra gli oggetti su un piano 2D è utile per attività come il tracciamento degli oggetti o la gestione delle code, quindi in questi casi non serve stimare la profondità.

Come funziona il calcolo delle distanze con Ultralytics YOLO11#

Vediamo ora come calcolare la distanza tra due oggetti usando le funzionalità di Ultralytics YOLO11 per il rilevamento degli oggetti e il tracciamento. Ecco i passaggi:

• Rilevamento e tracciamento degli oggetti: Ultralytics YOLO11 può rilevare gli oggetti riconoscendoli in un fotogramma e tracciandone i movimenti tra i fotogrammi di un video. Assegna a ogni oggetto un ID di tracciamento univoco, consentendo al sistema di monitorarne la posizione e i movimenti per tutta la durata del video.
• Riquadri di delimitazione: i riquadri di delimitazione vengono disegnati attorno agli oggetti rilevati in base ai risultati del rilevamento degli oggetti di Ultralytics YOLO11, che ne definiscono la posizione nell'immagine.
• Selezione degli oggetti: è possibile selezionare due oggetti da tenere sotto osservazione; Ultralytics YOLO11 aggiorna i riquadri di delimitazione mentre gli oggetti si muovono in tempo reale.
• Calcolo del centroide: i centroidi (i punti centrali dei riquadri di delimitazione dei due oggetti) vengono calcolati in base alle coordinate degli angoli dei riquadri e rappresentano le posizioni degli oggetti.
• Calcolo della distanza: i centroidi dei due oggetti possono quindi essere usati per calcolare la distanza euclidea tra loro. La distanza euclidea è la distanza in linea retta tra due punti su un piano 2D, calcolata usando le differenze sia in direzione orizzontale sia in direzione verticale. Il risultato è la distanza tra i due oggetti in pixel.

È importante ricordare che le distanze calcolate con questo metodo sono solo stime, poiché si basano su misure in pixel 2D.

Fig. 3. Rilevamento di una persona e calcolo delle distanze con Ultralytics YOLO.

L'impatto della stima delle distanze con YOLO#

Dato che il calcolo delle distanze con Ultralytics YOLO11 è una stima, potresti chiederti: dove si può usare e che differenza può fare?

Poiché queste stime delle distanze si basano su calibrazioni, sono sufficientemente accurate per molte situazioni pratiche. La stima delle distanze di Ultralytics YOLO11 è particolarmente utile negli ambienti dinamici, come i magazzini, dove gli oggetti sono in continuo movimento e servono regolazioni in tempo reale per mantenere le operazioni senza intoppi.

Un esempio interessante è usare YOLO11 per tracciare i pacchi su un nastro trasportatore e stimare in tempo reale la distanza tra loro. Questo aiuta i responsabili del magazzino a garantire una spaziatura adeguata tra i pacchi, evitando collisioni e mantenendo le operazioni senza intoppi.

In questi casi, non è sempre necessaria una distanza esatta. In genere si definisce un intervallo o una soglia per la distanza ottimale, quindi una stima è sufficiente per queste applicazioni.

Fig. 4. Rilevamento dei pacchi con Ultralytics YOLO11 e calcolo della distanza tra loro.

Calcolo delle distanze nelle applicazioni di computer vision#

Diverse applicazioni di computer vision possono trarre vantaggio dal calcolo della distanza tra gli oggetti con Ultralytics YOLO11. Per esempio, nell'analisi del commercio al dettaglio, questa funzionalità aiuta a migliorare la gestione delle code tracciando in tempo reale la posizione dei clienti. In questo modo, le attività commerciali possono distribuire meglio le risorse, ridurre i tempi di attesa e offrire un'esperienza d'acquisto più fluida. Adeguando dinamicamente il personale e gestendo il flusso dei clienti, i negozi possono evitare il sovraffollamento e ottimizzare l'uso degli spazi.

Allo stesso modo, nella gestione del traffico, la stima delle distanze aiuta a monitorare la distanza tra i veicoli e ad analizzare i modelli di traffico. Può essere usata per rilevare comportamenti pericolosi, come il mancato rispetto della distanza di sicurezza, e regolare i semafori per mantenere il traffico scorrevole. Può contribuire a rendere le strade più sicure individuando potenziali problemi e migliorando la gestione complessiva del traffico in tempo reale.

Fig. 5. Il calcolo delle distanze basato sulla visione può essere usato per monitorare il traffico.

Un'altra applicazione originale di questa tecnologia si è avuta durante la pandemia di COVID-19, quando ha contribuito a promuovere il distanziamento sociale. Ha permesso di mantenere una distanza di sicurezza tra le persone negli spazi pubblici, nei negozi e negli ospedali, riducendo il rischio di diffusione del virus.

Tracciando le distanze in tempo reale, era possibile inviare avvisi quando le persone erano troppo vicine, aiutando le attività commerciali e gli operatori sanitari a intervenire rapidamente e a mantenere un ambiente più sicuro per tutti.

Pro e contro del calcolo delle distanze nella computer vision#

Ora che abbiamo esaminato alcune applicazioni del calcolo delle distanze con la computer vision, vediamo più da vicino i vantaggi correlati:

• Automazione: la Vision AI può automatizzare attività di calcolo delle distanze che altrimenti richiederebbero il tracciamento manuale, riducendo gli errori umani e i costi di manodopera e aumentando la produttività.
• Ottimizzazione delle risorse: conoscere la distanza e la vicinanza approssimativa degli oggetti consente di ottimizzare le risorse (come il personale o i macchinari), ridurre gli sprechi e migliorare i flussi di lavoro.
• Configurazione semplice: una volta configurati, i sistemi di calcolo delle distanze basati sulla visione richiedono relativamente poca manutenzione e meno interventi umani rispetto ad altri sistemi che dipendono dall'inserimento manuale dei dati o da macchinari complessi.

Nonostante questi vantaggi, ci sono anche alcuni limiti da considerare quando si implementano sistemi di questo tipo. Ecco una breve panoramica dei principali aspetti da valutare nel calcolo delle distanze con la computer vision:

• Sensibilità ai fattori ambientali: la precisione del calcolo delle distanze può essere influenzata dalle condizioni di illuminazione, dalle ombre, dai riflessi o dagli ostacoli, con possibili errori o incoerenze.
• Problemi di privacy: usare la computer vision per tracciare oggetti o persone può sollevare questioni di privacy, soprattutto negli spazi pubblici o in ambienti sensibili in cui possono essere coinvolti dati personali.
• Complessità negli scenari con più oggetti: negli ambienti con molti oggetti in movimento, calcolare con precisione e simultaneamente le distanze tra più oggetti può creare confusione, soprattutto se gli oggetti sono vicini o si incrociano.

Punti chiave#

Il calcolo della distanza tra gli oggetti con Ultralytics YOLO11 è una soluzione affidabile che può supportare il processo decisionale. È particolarmente utile negli ambienti dinamici, come magazzini, negozi e contesti di gestione del traffico, dove tenere traccia della vicinanza tra gli oggetti può migliorare l'efficienza e la sicurezza.

Ultralytics YOLO11 consente di automatizzare attività che normalmente richiederebbero un intervento manuale. Anche se presenta alcune sfide, come la sensibilità ai fattori ambientali e i problemi di privacy, i vantaggi, tra cui l'automazione, la scalabilità e la facilità di integrazione, lo rendono una soluzione efficace. Con il continuo miglioramento della computer vision, soprattutto in ambiti come il calcolo delle distanze, è probabile che assisteremo a un vero cambiamento nel modo in cui le macchine interagiscono con l'ambiente circostante e lo comprendono.

Unisciti alla nostra community! Esplora il nostro repository GitHub per saperne di più sulla Vision AI. Se ti interessa sfruttare la computer vision, dai un'occhiata alle nostre opzioni di licenza. Scopri come la computer vision in ambito sanitario sta migliorando l'efficienza e visita le pagine delle nostre soluzioni per vedere l'impatto dell'AI in agricoltura!