Object Re-identification (Re-ID)

La ri-identificazione degli oggetti (Re-ID) è un compito specializzato nella computer vision (CV) progettato per abbinare uno specifico oggetto o individuo attraverso diverse viste di telecamere non sovrapposte o su lunghi periodi di tempo. Mentre il rilevamento degli oggetti standard si concentra sul riconoscimento della classe di un'entità — identificando che un'immagine contiene una "persona" o un "veicolo" — la Re-ID fa un ulteriore passo avanti determinando quale persona o veicolo specifico si tratti in base all'aspetto visivo. Questa capacità è essenziale per creare una narrazione coerente del movimento in ambienti su larga scala in cui una singola telecamera non può coprire l'intera area, collegando efficacemente i punti tra osservazioni visive isolate.

Link to this sectionCome funziona la ri-identificazione#

La sfida principale della Re-ID è mantenere la coerenza dell'identità nonostante le variazioni di illuminazione, angolazioni della telecamera, posa e disordine dello sfondo. Per ottenere ciò, il sistema utilizza solitamente una pipeline a 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 densa rappresentazione numerica dei tratti visivi unici dell'oggetto, come la trama dell'abbigliamento o il colore del veicolo.
• Metric Learning: I modelli sottostanti vengono addestrati utilizzando tecniche di metric learning. L'obiettivo è garantire che gli embedding dello stesso oggetto siano matematicamente vicini nello spazio vettoriale, mentre gli embedding di oggetti diversi siano spinti molto lontano. Architetture specializzate come le reti neurali siamesi vengono spesso utilizzate per apprendere queste relazioni.
• Corrispondenza di similarità: Durante la distribuzione, il sistema confronta l'embedding di un oggetto interrogato con una galleria di identità memorizzate. Questo confronto comporta solitamente il calcolo della similarità del coseno o della distanza euclidea. Se il punteggio di similarità supera una soglia predefinita, il sistema conferma una corrispondenza.

Link to this sectionRe-ID vs. tracciamento degli oggetti#

È importante distinguere la 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 Kalman Filter prevedono la posizione futura di un oggetto nel frame successivo basandosi sulla sua velocità e traiettoria attuali. Spesso utilizza l'Intersection over Union (IoU) per associare i rilevamenti nei frame adiacenti.
• Ri-identificazione: La Re-ID è cruciale quando la continuità temporale viene interrotta. Ciò si verifica durante l'occlusione — quando un oggetto è nascosto dietro un ostacolo — o quando un oggetto lascia il campo visivo di una telecamera ed entra in un altro. La Re-ID ristabilisce l'identità basandosi sull'aspetto piuttosto che sullo storico della posizione, consentendo un solido multi-object tracking (MOT).

Link to this sectionApplicazioni nel mondo reale#

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

• Gestione del traffico nelle smart city: Nel contesto dell'AI nelle smart city, la Re-ID consente ai sistemi municipali di tracciare un veicolo mentre si muove attraverso una rete cittadina di incroci. Ciò aiuta a calcolare i tempi medi di percorrenza e a ottimizzare i tempi dei semafori senza fare affidamento esclusivamente sul riconoscimento delle targhe.
• Analisi dei clienti nel retail: I rivenditori utilizzano la Re-ID per comprendere il comportamento degli acquirenti. Collegando gli avvistamenti di un cliente in diverse corsie, i negozi possono generare mappe di calore dei percorsi più popolari. Questo aiuta nell'ottimizzazione dei layout dei negozi e dei livelli di personale, fornendo approfondimenti sull'intero percorso del cliente piuttosto che solo su interazioni isolate.

Link to this sectionImplementazione del tracciamento con funzionalità di Re-ID#

I moderni flussi di lavoro di visione AI 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 di aspetto per mantenere la coerenza del tracciamento. Per gli utenti che desiderano gestire i propri set di dati e le pipeline di addestramento in modo efficiente, la Ultralytics Platform offre un'interfaccia unificata per l'annotazione e la distribuzione.

Il seguente esempio dimostra come eseguire il tracciamento degli oggetti utilizzando il pacchetto Python di 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 prestazioni robuste, 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 di Re-ID per affinare il potere discriminatorio degli embedding. Comprendere le sfumature di precisione e richiamo è anche fondamentale quando si valuta quanto bene un sistema di Re-ID eviti falsi abbinamenti.