20 novembre 2024
Scoprite con noi come utilizzare Ultralytics YOLO11 per il tracciamento degli oggetti in applicazioni in tempo reale come la sorveglianza, l'agricoltura e la produzione.
Supponiamo di voler monitorare e track il movimento dei componenti su una linea di assemblaggio in uno stabilimento di produzione per garantire il controllo della qualità e migliorare l'efficienza del flusso di lavoro. In genere, ciò comporta ispezioni manuali o l'uso di sensori di base per track oggetti, il che può richiedere molto tempo ed essere soggetto a errori. Tuttavia, la visione artificiale e il tracciamento degli oggetti possono essere utilizzati per automatizzare e migliorare questo processo.
Il tracciamento degli oggetti è un'attività di computer vision che aiuta a detect, identificare e track oggetti in un video. Può essere utilizzato per un'ampia varietà di applicazioni, dal monitoraggio degli animali nelle fattorie alla sicurezza e alla sorveglianza nei negozi. Gli oggetti tracciati in un video sono solitamente visualizzati con caselle di delimitazione per aiutare l'utente a vedere esattamente dove si trovano e vengono rilevati all'interno del fotogramma video.
Lanciato durante l'evento ibrido annuale diUltralytics, YOLO Vision 2024 (YV24), Ultralytics YOLO11 è un modello di computer vision in grado di gestire un'ampia gamma di attività di Vision AI, tra cui il tracciamento degli oggetti. In questo articolo esploreremo il funzionamento del tracciamento degli oggetti e discuteremo delle applicazioni reali. Verrà inoltre illustrato come è possibile provare il tracciamento di un oggetto utilizzando YOLO11. Iniziamo!
Il tracciamento degli oggetti è una tecnica di computer vision essenziale. Consente di identificare e seguire nel tempo gli oggetti presenti in un video. Il tracciamento degli oggetti può sembrare molto simile a un'altra attività di computer vision, il rilevamento degli oggetti. La differenza fondamentale tra i due sta nel modo in cui gestiscono i fotogrammi video. Il rilevamento degli oggetti esamina ogni singolo fotogramma, identificando e classificando gli oggetti senza considerare i fotogrammi precedenti o futuri. Il tracciamento degli oggetti, invece, collega i punti tra i fotogrammi, seguendo gli stessi oggetti nel tempo e tenendo track dei loro movimenti.
Ecco una descrizione più dettagliata di come funziona il tracking degli oggetti:
Ultralytics supporta il tracciamento degli oggetti in tempo reale sfruttando algoritmi di tracciamento avanzati come BoT-SORT e ByteTrack. Funziona inoltre perfettamente con i modelliYOLO11 di segmentazione e stima della posa, rendendolo uno strumento flessibile per un'ampia gamma di attività di tracciamento.
Le versatili capacità del modelloYOLO11 di Ultralytics aprono una vasta gamma di applicazioni possibili in molti settori. Vediamo nel dettaglio alcuni casi d'uso del YOLO11 per il tracciamento degli oggetti.
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 offre agli allevatori una soluzione migliore per monitorare e track animali senza la necessità di etichette fisiche. Il tracciamento degli oggetti può fornire agli allevatori preziose informazioni sul comportamento e sulla salute degli animali. Ad esempio, può aiutare a detect condizioni come la zoppia che influiscono sul modo in cui un animale cammina. Utilizzando il tracciamento degli oggetti, gli allevatori possono individuare sottili cambiamenti nei movimenti 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 detect e track lavoratori in ambienti produttivi potenzialmente pericolosi. Le aree pericolose possono essere segnalate e monitorate costantemente con sistemi di visione computerizzata e i supervisori possono essere avvisati se i lavoratori (tracciati) si avvicinano a tali aree. Questi sistemi di sicurezza possono essere utilizzati anche per detect e track attrezzature, evitando il rischio di furti.
Il tracciamento degli oggetti in tempo reale è ampiamente utilizzato nei sistemi di sicurezza e sorveglianza. Questi sistemi possono essere utilizzati per monitorare luoghi pubblici, snodi di trasporto e grandi ambienti di vendita al dettaglio come i centri commerciali. Le grandi aree affollate possono utilizzare questa tecnologia per track individui sospetti o il comportamento della folla, fornendo una soluzione di sorveglianza continua. Ad esempio, durante la pandemia, i sistemi di tracciamento degli oggetti sono stati utilizzati per track aree affollate e assicurarsi che le persone mantenessero le distanze sociali.
Il tracciamento degli oggetti può essere utilizzato anche per la sorveglianza del traffico. Il tracciamento degli oggetti consente di track e analizzare il comportamento dei veicoli, individuando in tempo reale azioni insolite o sospette per aiutare a prevenire incidenti o crimini. Un buon esempio sono i sistemi di stima della velocità. Sono in grado di detect e track un veicolo per determinarne la velocità.
Ora che abbiamo esplorato alcune delle applicazioni di tracciamento degli oggetti, discutiamo di come provarle utilizzando il modelloYOLO11 diUltralytics .
Per iniziare, installate il pacchettoUltralytics Python usando pip, conda o Docker. In caso di problemi durante l'installazione, la nostra Guida ai problemi comuni offre utili suggerimenti per la risoluzione dei problemi.
Dopo aver installato correttamente il pacchetto, eseguire il codice seguente. Esso spiega come caricare il modelloYOLO11 di Ultralytics e utilizzarlo per track 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 . È possibile scegliere tra altre varianti del modello: piccola, media, grande 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 già detto, il tracciamento degli oggetti è supportato per i seguenti modelli di YOLO11 : rilevamento degli oggetti, stima della posa e segmentazione dell'istanza. Se si dispone di un'applicazione specifica che prevede il tracciamento, è possibile addestrare in modo personalizzato uno qualsiasi di questi modelli, a seconda dell'applicazione. È possibile addestrare un modello personalizzato utilizzando il pacchettoUltralytics Python o la piattaforma no-code, Ultralytics HUB.
Ultralytics YOLO11 è un ottimo strumento per il tracciamento degli oggetti nei video e può essere utilizzato in molti campi diversi, come le auto a guida autonoma, l'agricoltura, la produzione e la sicurezza. È in grado di detect e seguire gli oggetti in tempo reale, aiutando le aziende e le industrie a tenere track i propri lavoratori e le proprie attrezzature. Il modello è facile da usare e può essere personalizzato per esigenze specifiche, il che lo rende una buona opzione per chiunque sia interessato ad adottare funzionalità di visione computerizzata senza soluzione di continuità.
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. 🚀
