Object Re-identification (Re-ID)

La riidentificazione degli oggetti (Re-ID) è un'attività specializzata nella computer vision (CV) progettata per abbinare un oggetto o un individuo specifico attraverso diverse viste di telecamere non sovrapposte o per periodi prolungati. Mentre il object detection 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 ulteriore 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 su larga scala in cui una singola telecamera non può coprire l'intera area, collegando efficacemente i punti tra osservazioni visive isolate.

Come 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 convolutional neural network (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 trama dell'abbigliamento o il colore del veicolo.
• Apprendimento metrico: 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 lontani. Architetture specializzate come Siamese neural networks vengono spesso utilizzate per apprendere queste relazioni.
• Abbinamento per somiglianza: Durante il deployment, il sistema confronta l'embedding di un oggetto di query con una galleria di identità memorizzate. Questo confronto comporta solitamente il calcolo della cosine similarity o della Euclidean distance. Se il punteggio di somiglianza supera una soglia predefinita, il sistema conferma una corrispondenza.

Re-ID vs. tracciamento degli oggetti#

È importante distinguere la Re-ID dal object tracking, poiché svolgono ruoli complementari ma distinti in una pipeline di visione.

• Object Tracking: Questo processo si basa sulla continuità temporale. Algoritmi come il Kalman Filter prevedono la posizione futura di un oggetto nel fotogramma immediatamente successivo in base alla sua velocità e traiettoria attuali. Spesso utilizza Intersection over Union (IoU) per associare i rilevamenti in fotogrammi adiacenti.
• Riidentificazione: La Re-ID è fondamentale 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 anziché sulla cronologia della posizione, consentendo un solido multi-object tracking (MOT).

Applicazioni 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 di AI in smart cities, la Re-ID consente ai sistemi municipali di tracciare un veicolo mentre si muove attraverso una rete di intersezioni a livello cittadino. Ciò aiuta a calcolare i tempi medi di percorrenza e a ottimizzare i tempi dei semafori senza affidarsi esclusivamente al license plate recognition.
• Analisi dei clienti al dettaglio: I rivenditori utilizzano la Re-ID per comprendere il comportamento degli acquirenti. Collegando gli avvistamenti di un cliente in corridoi diversi, i negozi possono generare heatmaps dei percorsi più popolari. Ciò aiuta a optimizing store layouts e i livelli di personale, fornendo approfondimenti sull'intero percorso del cliente anziché solo su interazioni isolate.

Implementazione del tracciamento con funzionalità di Re-ID#

I moderni flussi di lavoro di visione IA combinano spesso rilevatori ad alte prestazioni con tracker che utilizzano concetti di Re-ID. Il modello YOLO26 può essere integrato senza problemi con tracker come BoT-SORT, che sfrutta le caratteristiche dell'aspetto per mantenere la coerenza del tracciamento. Per gli utenti che desiderano gestire i propri dataset e le proprie pipeline di addestramento in modo efficiente, la Ultralytics Platform offre un'interfaccia unificata per l'annotazione e il deployment.

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 training data di alta qualità. Tecniche come il triplet loss vengono spesso impiegate durante l'addestramento di specifici sottomoduli di Re-ID per perfezionare il potere discriminatorio degli embedding. Comprendere le sfumature di precision and recall è anche fondamentale quando si valuta quanto bene un sistema di Re-ID eviti falsi abbinamenti.