20 novembre 2024
Unisciti a noi mentre esaminiamo più da vicino come utilizzare Ultralytics YOLO11 per il tracking di oggetti in applicazioni in tempo reale come la sorveglianza, l'agricoltura e la produzione.
Supponiamo di voler monitorare e tracciare il movimento dei componenti su una catena di montaggio in un impianto di produzione per garantire il controllo qualità e migliorare l'efficienza del flusso di lavoro. In genere, ciò comporterebbe ispezioni manuali o l'utilizzo di sensori di base per tracciare gli elementi, il che può richiedere molto tempo ed essere soggetto a errori. Tuttavia, la computer vision e il tracciamento degli oggetti possono essere utilizzati per automatizzare e migliorare questo processo.
L'object tracking è un'attività di computer vision che aiuta a rilevare, identificare e tracciare oggetti in un video. Può essere utilizzato per un'ampia varietà di applicazioni, dal monitoraggio degli animali nelle aziende agricole alla sicurezza e alla sorveglianza nei negozi al dettaglio. Gli oggetti tracciati in un video vengono solitamente visualizzati utilizzando dei bounding box per aiutare l'utente a vedere esattamente dove sono posizionati e rilevati all'interno del frame video.
Lanciato durante l'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), Ultralytics YOLO11 è un modello di computer vision in grado di gestire un'ampia varietà di attività di Vision AI, incluso il tracciamento degli oggetti. In questo articolo, esploreremo come funziona il tracciamento degli oggetti e discuteremo le applicazioni nel mondo reale. Vedremo anche come provare il tracciamento degli oggetti utilizzando YOLO11. Iniziamo!
Il tracking degli oggetti è una tecnica essenziale di computer vision che consente di identificare e tracciare gli oggetti in un video nel tempo. Il tracking degli oggetti può sembrare molto simile a un'altra attività di computer vision: il rilevamento degli oggetti. La differenza fondamentale tra i due risiede nel modo in cui gestiscono i fotogrammi video. Il rilevamento degli oggetti esamina ogni fotogramma singolarmente, identificando e classificando gli oggetti senza considerare i fotogrammi precedenti o futuri. Il tracking degli oggetti, d'altra parte, collega i punti tra i fotogrammi, seguendo gli stessi oggetti nel tempo e tenendo traccia dei loro movimenti.
Ecco una descrizione più dettagliata di come funziona il tracking degli oggetti:
Ultralytics supporta il tracciamento di oggetti in tempo reale sfruttando algoritmi di tracciamento avanzati come BoT-SORT e ByteTrack. Funziona anche perfettamente con i modelli YOLO11 di segmentazione e stima della posa, rendendolo uno strumento flessibile per un'ampia gamma di attività di tracciamento.
Le versatili capacità del modello Ultralytics YOLO11 aprono un'ampia gamma di possibili applicazioni in molti settori. Diamo un'occhiata più da vicino ad alcuni casi d'uso del tracciamento di oggetti YOLO11.
L'object tracking è fondamentale per aiutare le auto a guida autonoma a operare in modo sicuro ed efficiente. Questi veicoli devono costantemente comprendere l'ambiente circostante per prendere decisioni in tempo reale, come fermarsi, svoltare o cambiare corsia. L'object detection consente all'auto di identificare elementi chiave nel suo ambiente, come pedoni, ciclisti, altri veicoli e segnali stradali. Tuttavia, rilevare questi oggetti in un singolo momento non è sufficiente per una navigazione sicura.
È qui che entra in gioco il rilevamento oggetti. Consente all'auto di seguire questi oggetti nel tempo, tracciando i loro movimenti attraverso più fotogrammi. Ad esempio, aiuta i veicoli autonomi a prevedere dove si sta dirigendo un pedone, a monitorare la velocità e la direzione dei veicoli vicini o a riconoscere che un semaforo non è cambiato. Combinando il rilevamento e il tracciamento, le auto a guida autonoma possono anticipare il movimento degli oggetti intorno a loro, rispondere in modo proattivo e guidare in modo sicuro e fluido.
Il tracciamento degli animali in una fattoria, come il bestiame, è fondamentale per una gestione efficace, ma può essere un compito noioso e dispendioso in termini di tempo. I metodi tradizionali, come l'utilizzo di sensori o tag, spesso presentano degli svantaggi. Questi dispositivi possono stressare gli animali quando vengono attaccati e sono soggetti a cadute o danneggiamenti, il che interrompe il tracciamento.
La computer vision fornisce una soluzione migliore per gli agricoltori per monitorare e tracciare gli animali senza la necessità di tag fisici. L'object tracking può fornire agli agricoltori preziose informazioni sul comportamento e la salute degli animali. Ad esempio, può aiutare a rilevare condizioni come la zoppia che influiscono sul modo in cui un animale cammina. Utilizzando l'object tracking, gli agricoltori possono individuare sottili cambiamenti nel movimento e affrontare tempestivamente i problemi di salute.
Oltre al monitoraggio della salute, la computer vision può anche aiutare gli agricoltori a comprendere altri comportamenti, come le interazioni sociali, le abitudini alimentari e i modelli di movimento. Queste informazioni possono migliorare la gestione della mandria, ottimizzare i programmi di alimentazione e promuovere il benessere generale degli animali. Riducendo il lavoro manuale e minimizzando lo stress per gli animali, il tracciamento basato sulla computer vision è uno strumento pratico ed efficiente per l'agricoltura moderna.
Il tracking degli oggetti ha molteplici applicazioni nel settore manifatturiero. Ad esempio, i sistemi di rilevamento e tracciamento degli oggetti possono monitorare le linee di produzione. I prodotti o le materie prime possono essere facilmente tracciati e contati mentre si muovono su un nastro trasportatore. Questi sistemi possono anche essere integrati con altri sistemi di computer vision per eseguire attività aggiuntive. Ad esempio, un articolo con un difetto può essere identificato utilizzando un sistema di rilevamento dei difetti e tracciato tramite object tracking per garantire che venga gestito correttamente.
Un'altra importante applicazione del tracciamento degli oggetti nella produzione è legata alla sicurezza. I sistemi di tracciamento degli oggetti possono essere utilizzati per rilevare e tracciare i lavoratori in ambienti di produzione potenzialmente pericolosi. Le aree pericolose possono essere contrassegnate e monitorate costantemente utilizzando sistemi di computer vision, e i supervisori possono essere avvisati se i lavoratori (che vengono tracciati) si avvicinano a tali aree. Tali sistemi di sicurezza possono anche essere utilizzati per rilevare e tracciare le attrezzature, prevenendo il rischio di furto.
Il tracciamento di oggetti in tempo reale è ampiamente utilizzato nei sistemi di sicurezza e sorveglianza. Questi sistemi possono essere utilizzati per monitorare luoghi pubblici, centri di trasporto e grandi ambienti di vendita al dettaglio come i centri commerciali. Le aree grandi e affollate possono utilizzare questa tecnologia per tracciare individui sospetti o comportamenti della folla, fornendo una soluzione di sorveglianza continua. Ad esempio, durante la pandemia, i sistemi di tracciamento degli oggetti sono stati utilizzati per monitorare le aree affollate e assicurarsi che le persone mantenessero il distanziamento sociale.
L'object tracking può essere utilizzato anche nella sorveglianza del traffico. L'object tracking rende possibile tracciare e analizzare il comportamento dei veicoli, individuando azioni insolite o sospette in tempo reale per aiutare a prevenire incidenti o crimini. Un buon esempio sono i sistemi di stima della velocità. Possono rilevare e tracciare un veicolo per determinarne la velocità.
Ora che abbiamo esplorato alcune delle applicazioni di object tracking, discutiamo di come puoi provarlo utilizzando il modello Ultralytics YOLO11.
Per iniziare, installa il pacchetto Python di Ultralytics utilizzando pip, conda o Docker. Se riscontri difficoltà durante l'installazione, la nostra Guida ai problemi comuni offre utili suggerimenti per la risoluzione dei problemi.
Una volta installato correttamente il pacchetto, esegui il seguente codice. Descrive come caricare il modello Ultralytics YOLO11 e utilizzarlo per tracciare oggetti in un file video. Il modello utilizzato nel codice è “yolo11n.pt”. La ‘n’ sta per Nano - la variante più piccola del modello YOLO11. Ci sono anche altre varianti di modello tra cui scegliere: small, medium, large ed extra-large.
Puoi anche scegliere di utilizzare un modello addestrato personalizzato invece di un modello pre-addestrato. L'addestramento personalizzato prevede il fine-tuning di un modello pre-addestrato per adattarlo alla tua specifica applicazione.
Come accennato in precedenza, il tracciamento degli oggetti è supportato per i seguenti modelli YOLO11: rilevamento di oggetti, stima della posa e segmentazione dell'istanza. Se hai un'applicazione specifica che prevede il tracciamento, puoi addestrare personalizzatamente uno qualsiasi di questi modelli a seconda della tua applicazione. Puoi addestrare personalizzatamente un modello utilizzando il pacchetto Python di Ultralytics o la piattaforma no-code, Ultralytics HUB.
Ultralytics YOLO11 è un ottimo strumento per tracciare oggetti nei video e può essere utilizzato in molti campi diversi, come auto a guida autonoma, agricoltura, produzione e sicurezza. Può rilevare e seguire oggetti in tempo reale, aiutando aziende e industrie a tenere traccia dei propri lavoratori e attrezzature. Il modello è facile da usare e può essere personalizzato per esigenze specifiche, rendendolo una buona opzione per chiunque sia interessato ad adottare funzionalità di computer vision senza problemi.
Per saperne di più, visita il nostro repository GitHub e interagisci con la nostra community. Esplora le applicazioni dell'IA nelle auto a guida autonoma e nell'agricoltura nelle nostre pagine dedicate alle soluzioni. 🚀
.webp)