Re-identificazione degli oggetti (Re-ID)

La reidentificazione degli oggetti (Re-ID) è un'attività specializzata nell'ambito della visione artificiale (CV) progettata per abbinare un oggetto o un individuo specifico tra diverse visualizzazioni di telecamere non sovrapposte o per periodi prolungati. Mentre il rilevamento di oggetti standard si concentra sul riconoscimento della classe di un'entità, identificando che un'immagine contiene una "persona" o un'"auto", la Re-ID fa un passo avanti determinando quale persona o auto specifica sia in base all'aspetto visivo. Questa capacità è essenziale per creare una narrazione coerente del movimento in ambienti di grandi dimensioni in cui una singola telecamera non può coprire l'intera area, collegando efficacemente i punti tra osservazioni visive isolate.

Come funziona la reidentificazione

La sfida principale del Re-ID è mantenere la coerenza dell'identità nonostante le variazioni di illuminazione, angolazioni della telecamera, posa e disordine dello sfondo. Per ottenere questo risultato, il sistema impiega tipicamente una pipeline in più fasi che coinvolge reti neurali profonde .

• Estrazione delle caratteristiche: una volta rilevato un oggetto, una rete neurale convoluzionale (CNN) analizza il ritaglio dell'immagine per generare un vettore di caratteristiche, comunemente noto come embedding. Questo vettore è una rappresentazione numerica densa delle caratteristiche visive uniche dell'oggetto, come la trama degli indumenti o il colore del veicolo.
• Apprendimento metrico: i modelli sottostanti vengono addestrati utilizzando tecniche di apprendimento metrico. L'obiettivo è garantire che gli embedding dello stesso oggetto siano matematicamente vicini nello spazio vettoriale, mentre gli embedding di oggetti diversi vengano allontanati. Architetture specializzate come le reti neurali siamesi vengono spesso utilizzate per apprendere queste relazioni.
• Corrispondenza di similarità: durante l'implementazione, il sistema confronta l'incorporamento di un oggetto di query con una galleria di identità memorizzate. Questo confronto di solito comporta il calcolo della similarità coseno o della distanza euclidea. Se il punteggio di similarità supera una soglia predefinita, il sistema conferma una corrispondenza.

Re-ID vs. tracciamento dell'oggetto

È importante distinguere il Re-ID dal tracciamento degli oggetti, poiché svolgono ruoli complementari ma distinti in una pipeline di visione.

• Tracciamento degli oggetti: questo processo si basa sulla continuità temporale. Algoritmi come il filtro di Kalman prevedono la posizione futura di un oggetto nel fotogramma successivo in base alla sua velocità e traiettoria attuali. Spesso utilizza l' Intersection over Union (IoU) per associare i rilevamenti nei fotogrammi adiacenti.
• Re-identificazione: la re-identificazione è fondamentale quando viene interrotta la continuità temporale. Ciò si verifica durante l' occlusione, quando un oggetto è nascosto dietro un ostacolo, o quando un oggetto esce dal campo visivo di una telecamera ed entra in quello di un'altra. La re-identificazione ristabilisce l'identità in base all'aspetto piuttosto che alla cronologia della posizione, consentendo un solido tracciamento multi-oggetto (MOT).

Applicazioni nel mondo reale

La capacità di mantenere l'identità attraverso viste disgiunte consente analisi sofisticate in vari settori.

• Gestione del traffico nelle città intelligenti: nel contesto dell' intelligenza artificiale nelle città intelligenti, Re-ID consente ai sistemi municipali di track veicolo mentre si muove attraverso una rete di incroci che copre l'intera città. Ciò aiuta a calcolare i tempi medi di percorrenza e a ottimizzare la tempistica dei semafori senza affidarsi esclusivamente al riconoscimento delle targhe.
• Analisi dei clienti al dettaglio: i rivenditori utilizzano Re-ID per comprendere il comportamento degli acquirenti. Collegando gli avvistamenti di un cliente in diversi reparti, i negozi possono generare mappe di calore dei percorsi più popolari. Ciò aiuta a ottimizzare il layout dei negozi e il livello di personale, fornendo informazioni dettagliate sull'intero percorso del cliente piuttosto che solo su interazioni isolate.

Implementazione del tracciamento con funzionalità Re-ID

I moderni flussi di lavoro di visione artificiale spesso combinano rilevatori ad alte prestazioni con tracker che utilizzano concetti di Re-ID. Il modello YOLO26 può essere integrato perfettamente con tracker come BoT-SORT, che sfrutta le caratteristiche dell'aspetto per mantenere track . Per gli utenti che desiderano gestire in modo efficiente i propri set di dati e le pipeline di formazione, Ultralytics offre un'interfaccia unificata per l'annotazione e l' implementazione.

L'esempio seguente mostra come eseguire il tracciamento degli oggetti utilizzando ilPython Ultralytics , che gestisce automaticamente la persistenza dell'identità:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Track objects in a video file
# The 'persist=True' argument is vital for maintaining IDs across frames
# BoT-SORT is a tracker that can utilize appearance features for Re-ID
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    tracker="botsort.yaml",
    persist=True,
)

# Print the unique ID assigned to the first detected object in the first frame
if results[0].boxes.id is not None:
    print(f"Tracked Object ID: {results[0].boxes.id[0].item()}")

Per ottenere prestazioni affidabili, l'addestramento di questi modelli richiede dati di addestramento di alta qualità . Tecniche come la triplet loss vengono spesso impiegate durante l'addestramento di specifici sottomoduli Re-ID per affinare il potere discriminatorio degli embedding. Comprendere le sfumature di precisione e richiamo è fondamentale anche per valutare quanto un sistema Re-ID riesca a evitare falsi abbinamenti.