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.

Allo stesso modo, la computer vision è una branca dell'intelligenza artificiale (AI) che rende possibile alle macchine sviluppare una comprensione dell'ambiente circostante interpretando dati visivi. Proprio come tu 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 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 osservando l'intera immagine in una volta sola, anziché per parti, il che lo rende più veloce ed efficiente. Può anche gestire attività di computer vision come instance segmentation, pose estimation e classificazione delle immagini.

In particolare, le funzionalità di YOLO11 possono essere utilizzate per calcolare quanto distano gli oggetti l'uno dall'altro, 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 possa essere utilizzato per il calcolo della distanza nelle applicazioni di computer vision, perché sia 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.

Link to this sectionUna 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 nel mondo reale, la calibrazione è fondamentale. Puoi immaginarla come l'uso di un righello per misurare qualcosa e poi usare quella misura per comprendere 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.

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 le dimensioni reali 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.

Mentre le depth camera possono misurare la profondità reale e fornire informazioni spaziali più dettagliate, in molti casi è sufficiente una semplice distanza calibrata. Ad esempio, sapere quanto sono distanti gli oggetti in un piano 2D funziona bene per attività come il tracciamento di oggetti o la gestione di code, quindi in quelle situazioni la depth estimation non è necessaria.

Link to this sectionComprendere come funziona il calcolo della distanza utilizzando YOLO11#

Successivamente, vediamo come calcolare la distanza tra due oggetti utilizzando il supporto di YOLO11 per l'object detection e il tracciamento. Ecco una panoramica:

• Rilevamento e tracciamento degli oggetti: YOLO11 può essere utilizzato per rilevare oggetti riconoscendoli in un fotogramma e tracciandone il movimento tra i fotogrammi in un video. Assegna un ID traccia univoco a ogni oggetto, consentendo al sistema di monitorarne la posizione e il movimento durante tutto il video.
• Bounding box: I bounding box vengono disegnati attorno agli oggetti rilevati in base ai risultati dell'object detection di YOLO11, che ne definiscono la posizione nell'immagine.
• Selezione degli oggetti: È possibile selezionare due oggetti su cui concentrarsi e 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.

Link to this sectionL'impatto della stima della distanza con YOLO#

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

Dato che le calibrazioni vengono utilizzate per arrivare a queste stime di distanza, sono abbastanza accurate 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 costantemente in movimento e sono necessari aggiustamenti in tempo reale per mantenere le operazioni fluide.

Un esempio interessante è l'uso di YOLO11 per tracciare pacchi su un nastro trasportatore e stimare la distanza tra loro in tempo reale. Questo aiuta i responsabili di magazzino ad assicurarsi che i pacchi siano distanziati correttamente, prevenendo collisioni e mantenendo il flusso di lavoro fluido.

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 utilizzando YOLO11 e calcolo della distanza tra loro.

Link to this sectionCalcolo della distanza nelle applicazioni di computer vision#

Varie applicazioni di computer vision possono trarre vantaggio dal calcolo della distanza tra oggetti utilizzando YOLO11. Nell'analisi della vendita al dettaglio, ad esempio, aiuta a migliorare la gestione delle code tracciando le posizioni dei clienti in tempo reale. Ciò rende possibile per le aziende 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 l'accodamento troppo ravvicinato, e regolare i segnali stradali per mantenere il traffico fluido. Può aiutare 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 abilitato dalla visione può essere utilizzato per monitorare il traffico.

Un altro utilizzo unico di questa tecnologia si è avuto durante la pandemia di COVID-19 quando ha contribuito a promuovere il distanziamento sociale. Ha fatto sì che le persone mantenessero una distanza di sicurezza negli spazi pubblici, nei negozi e negli 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.

Link to this sectionPro 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'utilizzo della computer vision per tracciare oggetti o persone può sollevare problemi di privacy, specialmente negli spazi pubblici o in 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.

Link to this sectionPunti chiave#

Calcolare la distanza tra gli oggetti utilizzando YOLO11 è una soluzione affidabile in grado di supportare il processo decisionale. È particolarmente utile in ambienti dinamici come magazzini, vendita al dettaglio e gestione del traffico, dove tenere traccia della vicinanza 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 le preoccupazioni relative alla privacy, i vantaggi, come l'automazione, la scalabilità e la facile integrazione, lo rendono di grande impatto. Poiché la computer vision continua a migliorare, specialmente in aree come il calcolo della distanza, è probabile che vedremo un vero cambiamento nel modo in cui le macchine interagiscono e comprendono ciò che le circonda.

Unisciti alla nostra community! Esplora il nostro repository GitHub per saperne di più sull'AI visiva. Se sei interessato a 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!