Come calcolare la distanza tramite modelli di computer vision?

Quando attraversi la strada e vedi un'auto che ti viene incontro, riesci a capire istantaneamente a che distanza si trovi approssimativamente. Questo giudizio rapido, quasi istintivo, è merito di una comprensione spaziale di ciò che ti circonda. In base a questa percezione, puoi decidere se accelerare, fermarti o continuare a camminare.

Analogamente, la computer vision è un ramo dell'intelligenza artificiale (AI) che permette alle macchine di sviluppare una comprensione dell'ambiente circostante interpretando dati visivi. Proprio come puoi valutare la vicinanza 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 intorno a loro.

Ad 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 funziona esaminando l'intera immagine in una sola volta anziché a parti, il che lo rende più veloce ed efficiente. Può anche gestire attività di computer vision come segmentazione di istanze, stima della posta in gioco (pose estimation) e classificazione delle immagini.

In particolare, le capacità di Ultralytics YOLO11 possono essere utilizzate per calcolare la distanza tra gli oggetti, il che è utile in molti settori come la produzione, la vendita al dettaglio e la gestione della folla, contribuendo a migliorare sicurezza ed efficienza.

In questo articolo esploreremo come Ultralytics YOLO11 può essere utilizzato per il distance calculation nelle applicazioni di computer vision, perché è importante e il suo impatto in diversi settori.

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

Una panoramica del calcolo della distanza nella computer vision#

Il calcolo della distanza nella computer vision comporta il rilevamento, la localizzazione e la misurazione dei pixel tra due oggetti in un'immagine. I pixel sono le unità individuali che compongono un'immagine digitale, ognuna delle quali rappresenta un singolo punto con uno specifico valore di colore o intensità.

Per convertire le misurazioni in pixel in distanze reali, la calibrazione è fondamentale. Puoi pensarla come l'uso di un righello per misurare qualcosa e poi usare quella misura per capire le dimensioni di altri oggetti. Facendo riferimento a oggetti di dimensioni note, la calibrazione crea un legame tra i pixel e le distanze fisiche effettive.

Diamo un'occhiata a un esempio per vedere come funziona. Nell'immagine sottostante, la moneta è l'oggetto di riferimento e le sue dimensioni (0,9 pollici per 1,0 pollici) sono note. Confrontando le misurazioni in pixel degli altri oggetti con le dimensioni della moneta, possiamo calcolare le loro dimensioni nel mondo reale.

Fig 2. Una moneta può essere utilizzata come riferimento per misurare la dimensione nel mondo reale di altri oggetti.

Tuttavia, il calcolo della distanza viene eseguito su un piano bidimensionale (2D), il che significa che misura solo le distanze orizzontali e verticali tra gli oggetti. Questo è diverso dalla depth estimation, che misura la distanza degli oggetti nello spazio tridimensionale, inclusa la loro distanza dalla fotocamera.

Sebbene le depth cameras possano misurare la profondità effettiva e fornire informazioni spaziali più dettagliate, in molti casi una semplice distanza calibrata è sufficiente. Ad esempio, sapere a che distanza si trovano gli oggetti in un piano 2D funziona bene per attività come il tracciamento di oggetti o la gestione delle code, quindi la stima della profondità non è necessaria in tali situazioni.

Comprendere come funziona il calcolo della distanza tramite Ultralytics YOLO11#

Successivamente, vedremo come calcolare la distanza tra due oggetti sfruttando il supporto di Ultralytics YOLO11 per object detection e il tracciamento. Ecco una panoramica:

• Rilevamento e tracciamento degli oggetti: Ultralytics YOLO11 può essere utilizzato per rilevare oggetti riconoscendoli in un fotogramma e tracciandone il movimento tra i fotogrammi in un video. Assegna un ID di tracciamento univoco a ciascun oggetto, consentendo al sistema di monitorarne la posizione e il movimento in tutto il video.
• Bounding box: I bounding box vengono disegnati attorno agli oggetti rilevati in base ai risultati di rilevamento degli oggetti di Ultralytics YOLO11, che ne definiscono la posizione nell'immagine.
• Selezione degli oggetti: È possibile selezionare due oggetti su cui concentrarsi e Ultralytics YOLO11 aggiorna i bounding box man mano che gli oggetti si muovono in tempo reale.
• Calcolo del centroide: I centroidi (i punti centrali dei bounding box dei due oggetti) vengono calcolati in base alle coordinate degli angoli del bounding box, rappresentando le posizioni degli oggetti.
• Calcolo della distanza: I centroidi dei due oggetti possono quindi essere utilizzati per calcolare la distanza euclidea tra loro. La distanza euclidea è la distanza in linea retta tra due punti in un piano 2D, calcolata utilizzando le differenze sia in direzione orizzontale che verticale. Questo fornisce la distanza tra i due oggetti in pixel.

È importante tenere a mente che le distanze calcolate utilizzando questo metodo sono solo stime, poiché si basano su misurazioni in pixel 2D.

Fig 3. Utilizzo di Ultralytics YOLO per rilevare una persona e calcolare le distanze.

L'impatto della stima della distanza con YOLO#

Considerando che il calcolo delle distanze tramite Ultralytics YOLO11 è una stima, potresti chiederti: dove può essere utilizzato e come può fare la differenza?

Poiché vengono utilizzate le calibrazioni per arrivare a queste stime della distanza, sono sufficientemente accurate da essere utili in molte situazioni pratiche. La stima della distanza di Ultralytics YOLO11 è particolarmente utile in ambienti dinamici, come i magazzini, dove gli oggetti sono costantemente in movimento e sono necessari aggiustamenti in tempo reale per mantenere le cose fluide.

Un esempio interessante è l'uso di YOLO11 per tracciare i pacchi su un nastro trasportatore e stimare la distanza tra di essi in tempo reale. Questo aiuta i responsabili dei magazzini ad assicurarsi che i pacchi siano distanziati correttamente, prevenendo collisioni e mantenendo le operazioni fluide.

In casi del genere, non è sempre necessaria una distanza esatta. In genere, viene impostato un intervallo o una soglia per la distanza ottimale, quindi una stima funziona bene per questi tipi di applicazioni.

Fig 4. Rilevamento di pacchi tramite Ultralytics YOLO11 e calcolo della distanza tra di essi.

Calcolo della distanza nelle applicazioni di computer vision#

Varie applicazioni di computer vision possono trarre vantaggio dal calcolo della distanza tra gli oggetti utilizzando Ultralytics YOLO11. Nell'analisi retail, ad esempio, aiuta a migliorare la gestione delle code tracciando le posizioni dei clienti in tempo reale. Ciò consente alle aziende di allocare meglio le risorse, ridurre i tempi di attesa e creare un'esperienza di acquisto più fluida. Regolando dinamicamente i livelli di personale e gestendo il flusso dei clienti, i negozi possono prevenire il sovraffollamento e ottimizzare l'uso dello spazio.

Analogamente, nella gestione del traffico, la stima della distanza aiuta a monitorare la spaziatura tra i veicoli e ad analizzare i modelli di traffico. Questo può essere utilizzato per rilevare comportamenti pericolosi, come il tamponamento ravvicinato (tailgating), e regolare i semafori per mantenere il traffico scorrevole. Può contribuire a rendere le strade più sicure identificando potenziali problemi e migliorando la gestione complessiva del traffico in tempo reale.

Fig 5. Il calcolo della distanza basato sulla visione può essere utilizzato per monitorare il traffico.

Un altro utilizzo unico di questa tecnologia è emerso durante la pandemia di COVID-19, quando ha aiutato a promuovere il distanziamento sociale. Ha garantito che le persone mantenessero una distanza di sicurezza in spazi pubblici, negozi e ospedali, riducendo il rischio di diffusione del virus.

Monitorando le distanze in tempo reale, è stato possibile inviare avvisi quando gli individui erano troppo vicini, rendendo più facile per le aziende e gli operatori sanitari rispondere rapidamente e mantenere un ambiente più sicuro per tutti.

Pro e contro del calcolo della distanza nella computer vision#

Ora che abbiamo discusso alcune delle applicazioni del calcolo della distanza tramite computer vision, ecco uno sguardo più da vicino ai relativi benefici:

• Automazione: L'AI visiva può automatizzare le attività di calcolo della distanza che altrimenti richiederebbero un tracciamento manuale, riducendo l'errore umano e i costi di manodopera, aumentando al contempo la produttività.
• Ottimizzazione delle risorse: Conoscendo la spaziatura e la prossimità approssimative degli oggetti, le risorse (come il personale o i macchinari) possono essere ottimizzate, riducendo gli sprechi e migliorando i flussi di lavoro.
• Complessità di configurazione minima: Una volta configurati, i sistemi di calcolo della distanza abilitati dalla visione richiedono una manutenzione relativamente bassa e un minore intervento umano rispetto ad altri sistemi che si basano su input manuali o macchinari complessi.

Nonostante questi vantaggi, ci sono anche alcune limitazioni da tenere a mente quando si implementano tali sistemi. Ecco una rapida panoramica dei fattori chiave da considerare quando si tratta di calcolo della distanza tramite computer vision:

• Sensibilità ai fattori ambientali: L'accuratezza del calcolo della distanza può essere influenzata dalle condizioni di illuminazione, ombre, riflessi o ostruzioni, portando a potenziali errori o incongruenze.
• Problemi di privacy: l'uso della computer vision per tracciare oggetti o persone può sollevare questioni di privacy, specialmente in spazi pubblici o ambienti sensibili in cui potrebbero essere coinvolti dati personali.
• Complessità negli scenari multi-oggetto: In ambienti con numerosi oggetti in movimento, calcolare accuratamente le distanze tra più oggetti contemporaneamente può portare a confusione, in particolare se sono vicini tra loro o si intersecano.

Punti chiave#

Il calcolo della distanza tra gli oggetti tramite Ultralytics YOLO11 è una soluzione affidabile in grado di supportare il processo decisionale. È particolarmente utile in ambienti dinamici come magazzini, negozi e gestione del traffico, dove il monitoraggio della vicinanza degli oggetti può migliorare l'efficienza e la sicurezza.

Ultralytics YOLO11 rende possibile automatizzare attività che normalmente richiederebbero uno sforzo manuale. Sebbene vi siano alcune sfide, come la sensibilità ai fattori ambientali e problemi di privacy, i benefici, come automazione, scalabilità e facile integrazione, lo rendono di grande impatto. Man mano che la computer vision continua a migliorare, soprattutto in aree come il calcolo della distanza, è probabile che vedremo 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 scoprire 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 nella sanità sta migliorando l'efficienza e osserva l'impatto dell'AI nell'agricoltura visitando le nostre pagine delle soluzioni!