3 aprile 2025
Scoprite come il calcolo della distanza nelle applicazioni di visione computerizzata con Ultralytics YOLO11 aiuta a misurare la vicinanza degli oggetti in tempo reale.
Quando si attraversa la strada e si vede un'auto che viene verso di noi, si capisce immediatamente quanto è lontana. Questo giudizio rapido, quasi istintivo, è dovuto alla comprensione spaziale dell'ambiente circostante. In base a questa percezione, si può decidere se accelerare, fermarsi o continuare a camminare.
Analogamente, la computer vision è una branca dell'intelligenza artificiale (AI) che consente alle macchine di sviluppare una comprensione dell'ambiente circostante interpretando i dati visivi. Proprio come si può 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 che le circonda.
Ad esempio, Ultralytics YOLO11 è un modello di visione computerizzata in grado di rilevare e tracciare oggetti in immagini e video in tempo reale. In parole povere, YOLO11 lavora esaminando l'intera immagine in una volta sola, anziché in parti, il che lo rende più veloce ed efficiente. È inoltre in grado di gestire compiti di computer vision come la segmentazione delle istanze, la stima della posa e la classificazione delle immagini.
In particolare, le capacità di YOLO11 possono essere utilizzate per calcolare la distanza tra gli oggetti, utile in molti settori come la produzione, la vendita al dettaglio e la gestione delle folle, contribuendo a migliorare la sicurezza e l'efficienza.
In questo articolo analizzeremo come YOLO11 può essere utilizzato per il calcolo della distanza nelle applicazioni di computer vision, perché è importante e il suo impatto in diversi settori.
Il calcolo della distanza nella computer vision implica il rilevamento, la localizzazione e la misurazione dei pixel tra due oggetti in un'immagine. I pixel sono le singole unità che compongono un'immagine digitale, ognuna delle quali rappresenta un singolo punto con uno specifico colore o valore di intensità.
Per convertire le misure dei pixel in distanze reali, la calibrazione è fondamentale. È come usare 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 collegamento tra i pixel e le distanze fisiche reali.
Vediamo un esempio per capire 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 misure dei pixel degli altri oggetti con le dimensioni della moneta, possiamo calcolare le loro dimensioni reali.
Tuttavia, il calcolo della distanza avviene su un piano bidimensionale (2D), cioè misura solo le distanze orizzontali e verticali tra gli oggetti. Ciò è diverso dalla stima della profondità, che misura la distanza degli oggetti nello spazio tridimensionale, compresa la loro distanza dalla telecamera.
Sebbene le telecamere di profondità possano misurare la profondità reale e fornire informazioni spaziali più dettagliate, in molti casi è sufficiente una semplice distanza calibrata. Ad esempio, sapere a che distanza si trovano gli oggetti in un piano 2D funziona bene per attività come il tracciamento degli oggetti o la gestione delle code, quindi la stima della profondità non è necessaria in queste situazioni.
Vediamo quindi come calcolare la distanza tra due oggetti utilizzando il supporto di YOLO11 per il rilevamento e il tracciamento degli oggetti. Ecco la ripartizione:
È importante tenere presente che le distanze calcolate con questo metodo sono solo stime, poiché si basano su misurazioni di pixel 2D.
Considerando che il calcolo delle distanze con YOLO11 è una stima, ci si potrebbe chiedere: Dove può essere utilizzato e come può fare la differenza?
Poiché per ottenere queste stime della distanza vengono utilizzate delle calibrazioni, esse sono sufficientemente precise da essere utili in molte situazioni pratiche. La stima della distanza di YOLO11 è particolarmente utile in ambienti dinamici, come i magazzini, dove gli oggetti sono in continuo movimento e sono necessarie regolazioni in tempo reale per mantenere il funzionamento regolare.
Un esempio interessante è l'utilizzo di YOLO11 per tracciare i colli su un nastro trasportatore e stimare la distanza tra di essi in tempo reale. Questo aiuta i responsabili del magazzino ad assicurarsi che i colli siano distanziati in modo corretto, evitando collisioni e facendo in modo che le cose funzionino senza intoppi.
In questi casi, la distanza esatta non è sempre necessaria. In genere, si stabilisce un intervallo o una soglia per la distanza ottimale, quindi una stima funziona bene per questo tipo di applicazioni.
Diverse applicazioni di computer vision possono trarre vantaggio dal calcolo della distanza tra gli oggetti utilizzando YOLO11. Nel settore della vendita al dettaglio, 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 evitare il sovraffollamento e ottimizzare l'uso dello spazio.
Analogamente, nella gestione del traffico, la stima della distanza aiuta a monitorare la distanza tra i veicoli e ad analizzare i modelli di traffico. Questo può essere utilizzato per rilevare comportamenti pericolosi, come la coda, e regolare i segnali stradali 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.
Un altro utilizzo unico di questa tecnologia è avvenuto durante la pandemia di COVID-19, quando ha contribuito a promuovere la distanza sociale. In questo modo le persone si sono tenute a distanza di sicurezza negli spazi pubblici, nei negozi e negli ospedali, riducendo il rischio di diffusione del virus.
Tracciando le distanze in tempo reale, è possibile inviare avvisi in caso di eccessiva vicinanza, rendendo più facile per le aziende e gli operatori sanitari reagire rapidamente e mantenere un ambiente più sicuro per tutti.
Dopo aver discusso alcune delle applicazioni del calcolo della distanza mediante la visione artificiale, ecco un'analisi più approfondita dei vantaggi che ne derivano:
Nonostante questi vantaggi, ci sono anche alcune limitazioni da tenere presenti quando si implementano questi sistemi. Ecco una rapida panoramica dei fattori chiave da considerare quando si tratta di calcolare la distanza con la visione artificiale:
Il calcolo della distanza tra gli oggetti con YOLO11 è una soluzione affidabile che può supportare il processo decisionale. È particolarmente utile in ambienti dinamici come i magazzini, la vendita al dettaglio e la gestione del traffico, dove tenere traccia della vicinanza degli oggetti può migliorare l'efficienza e la sicurezza.
YOLO11 consente di automatizzare attività che normalmente richiederebbero uno sforzo manuale. Anche se ci sono alcune sfide, come la sensibilità ai fattori ambientali e le preoccupazioni per la privacy, i vantaggi, come l'automazione, la scalabilità e la facilità di integrazione, la rendono di grande impatto. Con il continuo miglioramento della computer vision, soprattutto in aree come il calcolo della distanza, è probabile che assisteremo a un vero e proprio cambiamento nel modo in cui le macchine interagiscono e comprendono l'ambiente circostante.
Unisciti alla nostra comunità! Esplorate il nostro repository GitHub per saperne di più su Vision AI. Se siete interessati a sfruttare la computer vision, date un'occhiata alle nostre opzioni di licenza. Scoprite come la computer vision nel settore sanitario migliora l'efficienza e l'impatto dell'IA in agricoltura visitando le nostre pagine dedicate alle soluzioni!
IT
EN
ZH
KO
JA
RU
DE
FR
ES
PT
TR
VI
AR
