Come calcolare la distanza utilizzando modelli di computer vision?

Quando attraversi la strada e vedi un'auto che si avvicina, puoi immediatamente capire a che distanza si trova approssimativamente. Questo giudizio rapido, quasi istintivo, è dovuto a una comprensione spaziale dell'ambiente circostante. In base a questa percezione, puoi decidere se accelerare, fermarti o continuare a camminare. 

Allo stesso modo, la computer vision è una branca dell'intelligenza artificiale (IA) che consente alle macchine di sviluppare una comprensione dell'ambiente circostante interpretando i dati visivi. Proprio come tu puoi valutare la prossimità 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 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 contemporaneamente, anziché a pezzi, il che lo rende più veloce ed efficiente. Può anche gestire attività 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, il che è utile in molti settori come la produzione, la vendita al dettaglio e la gestione della folla, contribuendo a migliorare la sicurezza e l'efficienza.

In questo articolo, esploreremo 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.

‍

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 singole unità che compongono un'immagine digitale, ognuna delle quali rappresenta un singolo punto con un colore o un valore di intensità specifico. 

Per convertire le misurazioni in pixel in distanze reali, la calibrazione è fondamentale. Puoi immaginarla come l'utilizzo di un righello per misurare qualcosa e quindi utilizzare quella misurazione per comprendere le dimensioni di altri oggetti. Facendo riferimento a oggetti con dimensioni note, la calibrazione crea un collegamento tra i pixel e le distanze fisiche reali.

Diamo un'occhiata a un esempio per vedere come funziona. Nell'immagine qui sotto, 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 reali.

‍

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

Mentre le telecamere di profondità possono misurare la profondità reale e fornire informazioni spaziali più dettagliate, in molti casi, una semplice distanza calibrata è sufficiente. Ad esempio, sapere quanto sono distanti 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 queste situazioni.

Comprendere come funziona il calcolo della distanza utilizzando YOLO11

Successivamente, esaminiamo come calcolare la distanza tra due oggetti utilizzando il supporto di YOLO11 per il rilevamento di oggetti e il tracciamento. Ecco un riepilogo:

• Rilevamento e tracciamento di oggetti: YOLO11 può essere utilizzato per rilevare oggetti riconoscendoli in un frame e tracciando il loro movimento attraverso i frame in un video. Assegna un ID di traccia univoco a ciascun oggetto, consentendo al sistema di monitorare la loro posizione e il movimento durante il video.
  ‍
• Bounding box: I bounding box vengono disegnati attorno agli oggetti rilevati in base ai risultati del rilevamento degli oggetti di YOLO11, che definiscono la loro posizione nell'immagine.
  ‍
• Selezione degli oggetti: È possibile selezionare due oggetti su cui concentrarsi e YOLO11 aggiorna i bounding box mentre 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, che rappresentano 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 nella direzione orizzontale che verticale. Questo fornisce la distanza tra i due oggetti in pixel.

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

‍

L'impatto della stima della distanza con YOLO

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

Poiché le calibrazioni vengono utilizzate per arrivare a queste stime di distanza, sono sufficientemente accurate per 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 costantemente in movimento e sono necessari aggiustamenti in tempo reale per mantenere tutto in funzione senza intoppi.

Un esempio interessante è l'utilizzo di YOLO11 per tracciare i pacchi su un nastro trasportatore e stimare la distanza tra loro in tempo reale. Questo aiuta i responsabili del magazzino ad assicurarsi che i pacchi siano distanziati correttamente, prevenendo collisioni e mantenendo tutto in funzione senza intoppi. 

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

‍

Calcolo della distanza nelle applicazioni di computer vision

Diverse applicazioni di computer vision possono trarre vantaggio dal calcolo della distanza tra gli oggetti utilizzando YOLO11. Nell'analisi 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 prevenire il sovraffollamento e ottimizzare l'uso dello spazio.

Allo stesso modo, 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 il mancato rispetto della distanza di sicurezza, 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 uso unico di questa tecnologia è emerso durante la pandemia di COVID-19, quando ha contribuito a promuovere il distanziamento sociale. Ha assicurato che le persone mantenessero una distanza di sicurezza in spazi pubblici, negozi e ospedali, riducendo il rischio di diffusione del virus. 

Tracciando le distanze in tempo reale, è stato possibile inviare avvisi quando le persone erano troppo vicine, 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 vantaggi associati:

• Automazione: la Vision AI può automatizzare le attività di calcolo della distanza che altrimenti richiederebbero il 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 impostati, i sistemi di calcolo della distanza basati sulla vision AI richiedono una manutenzione relativamente bassa e meno intervento umano rispetto ad altri sistemi che si basano sull'input manuale o su 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, dalle ombre, dai riflessi o dalle ostruzioni, portando a potenziali errori o incongruenze.
  ‍
• Problemi di privacy: l'uso della computer vision per tracciare oggetti o persone può sollevare problemi di privacy, soprattutto in spazi pubblici o ambienti sensibili in cui potrebbero essere coinvolti dati personali.
  ‍
• Complessità in scenari multi-oggetto: in ambienti con numerosi oggetti in movimento, il calcolo accurato delle distanze tra più oggetti contemporaneamente può portare a confusione, soprattutto se sono vicini o si intersecano.

Punti chiave

Il calcolo della distanza tra gli oggetti utilizzando YOLO11 è una soluzione affidabile che può supportare il processo decisionale. È particolarmente utile in ambienti dinamici come magazzini, vendita al dettaglio e gestione del traffico, dove tenere traccia della prossimità degli oggetti può migliorare l'efficienza e la sicurezza. 

YOLO11 rende possibile automatizzare attività che normalmente richiederebbero uno sforzo manuale. Sebbene ci siano alcune sfide, come la sensibilità ai fattori ambientali e i problemi di privacy, i vantaggi, come l'automazione, la scalabilità e la 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 assisteremo a un vero cambiamento nel modo in cui le macchine interagiscono e comprendono l'ambiente circostante.

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