Object Re-identification (Re-ID)

La re-identificazione degli oggetti (Re-ID) è un'attività specializzata nella visione artificiale (CV), progettata per associare uno specifico oggetto o individuo tra diverse visuali di telecamere non sovrapposte o in intervalli di tempo prolungati. Mentre il rilevamento standard degli oggetti 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 ulteriore determinando quale persona o auto specifica sia, sulla base dell'aspetto visivo. Questa capacità è essenziale per creare una narrazione coerente dei movimenti in ambienti su larga scala, dove una singola telecamera non può coprire l'intera area, collegando di fatto le osservazioni visive isolate.

Come funziona la re-identificazione#

La sfida principale della Re-ID consiste nel mantenere la coerenza dell'identità nonostante le variazioni di illuminazione, angolazione della telecamera, posa e disordine dello sfondo. Per raggiungere questo obiettivo, il sistema utilizza in genere 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 dei tratti visivi unici dell'oggetto, come la texture degli abiti o il colore del veicolo.
• Apprendimento metrico: i modelli sottostanti vengono addestrati utilizzando tecniche di apprendimento metrico. L'obiettivo è fare in modo che gli embedding dello stesso oggetto siano matematicamente vicini nello spazio vettoriale, mentre gli embedding di oggetti diversi siano spinti lontano gli uni dagli altri. Per apprendere queste relazioni vengono spesso utilizzate architetture specializzate come le reti neurali siamese.
• Corrispondenza per similarità: durante la distribuzione, il sistema confronta l'embedding di un oggetto query con una galleria di identità memorizzate. Questo confronto comporta solitamente il calcolo della similarità coseno o della distanza euclidea. Se il punteggio di similarità supera una soglia predefinita, il sistema conferma la corrispondenza.

Re-ID e 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 filtro di Kalman prevedono la posizione futura di un oggetto nel fotogramma immediatamente successivo, sulla base della velocità e della traiettoria attuali. Spesso utilizza Intersezione sull'unione (IoU) per associare i rilevamenti nei fotogrammi adiacenti.
• Re-identificazione: la Re-ID è fondamentale quando la continuità temporale si interrompe. Ciò accade durante un'occlusione, quando un oggetto è nascosto dietro un ostacolo, oppure quando un oggetto esce dal campo visivo di una telecamera ed entra in quello di un'altra. La Re-ID ristabilisce l'identità sulla base dell'aspetto anziché della cronologia della posizione, consentendo un tracciamento affidabile di più oggetti (MOT).

Applicazioni nel mondo reale#

La capacità di mantenere l'identità tra visuali disgiunte consente analisi sofisticate in vari settori.

• Gestione intelligente del traffico urbano: nel contesto dell'AI nelle città intelligenti, la Re-ID consente ai sistemi municipali di tracciare un veicolo mentre attraversa una rete cittadina di incroci. Ciò aiuta a calcolare i tempi medi di percorrenza e a ottimizzare la temporizzazione dei semafori senza affidarsi esclusivamente al riconoscimento delle targhe.
• Analisi dei clienti nel settore retail: i rivenditori utilizzano la Re-ID per comprendere il comportamento degli acquirenti. Collegando gli avvistamenti di un cliente tra corsie diverse, i negozi possono generare mappe di calore dei percorsi più frequentati. Ciò contribuisce a ottimizzare la disposizione dei negozi e i livelli di personale, fornendo informazioni sull'intero percorso del cliente anziché solo sulle interazioni isolate.

Implementazione del tracciamento con funzionalità di 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 facilmente con tracker come BoT-SORT, che sfrutta le caratteristiche dell'aspetto per mantenere la coerenza del tracciamento. Per chi desidera gestire in modo efficiente i propri dataset e le pipeline di addestramento, la Ultralytics Platform offre un'interfaccia unificata per l'annotazione e la distribuzione.

L'esempio seguente mostra come eseguire il tracciamento degli oggetti utilizzando il pacchetto Python di Ultralytics, che gestisce automaticamente la persistenza delle 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 utilizzate durante l'addestramento di sottomoduli Re-ID specifici per affinare la capacità discriminativa degli embedding. Comprendere le sfumature di precisione e richiamo è inoltre fondamentale per valutare quanto bene un sistema Re-ID eviti le corrispondenze errate.