Um guia para rastrear objetos em movimento em vídeos com modelos Ultralytics YOLO

Robôs capazes de montar componentes elétricos, sistemas que detetam carros em excesso de velocidade e soluções inteligentes para o retalho que acompanham como os clientes fazem compras — todas estas inovações dependem da visão computacional. É um ramo da inteligência artificial (AI) que ajuda as máquinas a analisar e compreender imagens e vídeos.

Por exemplo, um robô precisa de reconhecer e acompanhar diferentes componentes para os montar corretamente. Da mesma forma, um sistema de trânsito pode usar visão computacional para detetar carros, ler matrículas e determinar quando alguém está a exceder o limite de velocidade. Enquanto isso, nas lojas, a visão computacional com AI pode ajudar a acompanhar aquilo para que os clientes estão a olhar ou o que estão a pegar, além de monitorizar o inventário.

Estas aplicações são potenciadas por modelos de visão computacional, como o Ultralytics YOLO11, que suportam uma vasta gama de tarefas visuais. Muitas destas tarefas concentram-se na obtenção de informações a partir de uma única imagem, mas uma tarefa particularmente interessante, o acompanhamento de objetos, pode ser usada para acompanhar o movimento de objetos ao longo de uma série de imagens ou fotogramas de vídeo.

Fig. 1 Um exemplo de deteção e acompanhamento de carros.

Neste guia, vamos analisar mais detalhadamente como funciona o acompanhamento de objetos e explorar exemplos reais da sua utilização. Também vamos discutir como os modelos de visão computacional com AI, como o Ultralytics YOLO11, suportam o acompanhamento de objetos. Vamos começar!

Uma análise mais detalhada dos sistemas de acompanhamento com visão computacional#

O acompanhamento de objetos é uma tarefa de visão computacional usada para acompanhar o movimento de objetos ao longo dos fotogramas de um vídeo, ajudando os sistemas a monitorizar e compreender como as coisas mudam ao longo do tempo. Isto é muito semelhante à forma como os humanos conseguem acompanhar naturalmente uma pessoa ou um objeto em movimento com os olhos, por exemplo, quando estás a ver um jogo de ténis e os teus olhos acompanham a bola enquanto ela se move de um lado para o outro do campo.

Da mesma forma, o acompanhamento de objetos envolve usar câmaras e AI para acompanhar o movimento da bola em tempo real. Esta tecnologia pode proporcionar aos espectadores em casa uma melhor compreensão do desenrolar do jogo, especialmente através de métricas como velocidade, trajetória e posicionamento dos jogadores.

Embora este tipo de acompanhamento visual possa parecer fácil para os humanos, quando se trata de visão computacional, envolve uma série de etapas potenciadas por modelos de visão computacional com AI. Eis uma explicação simples de como funciona o acompanhamento de objetos:

• Captura de vídeo: As câmaras gravam imagens de vídeo, captando a forma como os objetos se movem numa cena ao longo do tempo.
• Deteção de objetos: Modelos de visão computacional potenciados por AI, como o YOLO11, podem analisar cada fotograma para identificar e localizar objetos específicos, como pessoas, veículos ou produtos.
• Atribuição de identidade: Depois de um objeto ser detetado, os algoritmos de acompanhamento atribuem-lhe um ID único para o acompanhar ao longo de vários fotogramas, garantindo que o sistema sabe que se trata do mesmo objeto, mesmo quando este se move.
• Monitorização do movimento: O sistema acompanha o movimento ao longo do tempo, e estes dados podem ser usados para recolher informações como velocidade, direção e interações com outros objetos.
• Geração de informações: Estas informações podem ser usadas em tempo real para fornecer análises, apoiar a tomada de decisões ou alimentar sobreposições visuais — dependendo do caso de utilização específico.

Comparação entre deteção e acompanhamento de objetos com YOLO#

Outra tarefa de visão computacional suportada pelo Ultralytics YOLO11 e estreitamente relacionada com o acompanhamento de objetos é a deteção de objetos. Vamos explorar a diferença entre estas duas tarefas.

A deteção de objetos envolve identificar e localizar objetos de interesse numa única imagem ou num único fotograma de vídeo. Por exemplo, um carro autónomo usa a deteção de objetos para reconhecer um sinal de stop ou um peão num único fotograma captado pelas câmaras integradas. Responde à pergunta: “O que está nesta imagem e onde está?” No entanto, não fornece qualquer informação sobre para onde o objeto se desloca a seguir.

O acompanhamento de objetos baseia-se na deteção de objetos, acrescentando uma compreensão do movimento ao longo do tempo. A principal diferença entre as duas está na forma como lidam com o tempo e o movimento. A deteção de objetos trata cada fotograma como uma captura independente, enquanto o acompanhamento de objetos estabelece ligações entre os fotogramas, usando dados anteriores para prever a posição futura de um objeto.

Ao combinar ambas, podemos criar sistemas de visão computacional com AI avançados, capazes de realizar acompanhamento em tempo real em ambientes dinâmicos. Por exemplo, um sistema de segurança automatizado pode detetar pessoas a entrar num espaço e acompanhar continuamente os seus movimentos ao longo do fotograma.

Acompanhamento em tempo real com modelos Ultralytics YOLO#

Agora que abordámos a diferença entre deteção e acompanhamento de objetos, vejamos como os modelos Ultralytics YOLO, como o YOLO11, suportam o acompanhamento de objetos em tempo real.

Embora os modelos YOLO não sejam, por si só, algoritmos de acompanhamento, desempenham um papel essencial ao detetar objetos em cada fotograma de vídeo. Depois de os objetos serem detetados, são necessários algoritmos de acompanhamento para lhes atribuir IDs únicos, permitindo ao sistema acompanhar o seu movimento de fotograma em fotograma.

Para responder a esta necessidade, o pacote Python da Ultralytics integra perfeitamente a deteção de objetos com algoritmos de acompanhamento populares, como BoT-SORT e ByteTrack. Esta integração permite aos utilizadores executar a deteção e o acompanhamento em conjunto com uma configuração mínima.

Ao usar modelos YOLO para o acompanhamento de objetos, podes escolher o algoritmo de acompanhamento a aplicar com base nos requisitos da tua aplicação. Por exemplo, o BoT-SORT é uma boa opção para acompanhar objetos que se movem de forma imprevisível, graças à utilização de previsão de movimento e aprendizagem profunda. O ByteTrack, por outro lado, tem um desempenho especialmente bom em cenas com muita gente, mantendo um acompanhamento fiável mesmo quando os objetos estão desfocados ou parcialmente ocultos.

Fig. 2 O pacote Python da Ultralytics integra perfeitamente BoT-SORT e ByteTrack.

Como se relaciona o treino de modelos YOLO personalizados com o acompanhamento de objetos?#

O treino personalizado é o processo de ajuste fino de um modelo de deteção de objetos pré-treinado, como o Ultralytics YOLO11, num conjunto de dados específico, para que possa reconhecer objetos que não estão incluídos em conjuntos de dados padrão. Isto é especialmente importante quando o teu sistema de acompanhamento precisa de seguir objetos personalizados ou pouco comuns.

Os sistemas de acompanhamento dependem do modelo de deteção para reconhecer primeiro o objeto. Se um modelo YOLO não conseguir detetar um item específico, como um determinado tipo de maquinaria ou espécie de vida selvagem, o algoritmo de acompanhamento não conseguirá segui-lo.

É por isso que o treino personalizado é essencial: garante que o modelo de deteção consegue identificar com precisão os objetos que queres acompanhar.

Também é importante ter em conta que apenas o modelo de deteção é ajustado durante este processo. Os algoritmos de acompanhamento, como o BoT-SORT ou o ByteTrack, não são treinados de forma personalizada — usam simplesmente a saída do modelo YOLO para acompanhar os objetos detetados ao longo dos fotogramas.

Aplicações do acompanhamento de objetos com Ultralytics YOLO#

Agora que compreendemos melhor o que é o acompanhamento de objetos e como funciona, vamos explorar algumas aplicações reais em que esta tecnologia está a causar impacto.

Acompanhamento em tempo real com Ultralytics YOLO para estimativa de velocidade#

Os sistemas de estimativa de velocidade possibilitados pela visão computacional dependem de tarefas como a deteção e o acompanhamento de objetos. Estes sistemas foram concebidos para calcular a velocidade a que um objeto se move — seja um veículo, um ciclista ou até uma pessoa. Estas informações são essenciais para várias aplicações, desde a gestão do trânsito à monitorização da segurança e à automação industrial.

Usando um modelo como o Ultralytics YOLO11, é possível detetar e acompanhar objetos ao longo dos fotogramas de vídeo. Ao analisar a distância que um objeto percorre durante um período específico, o sistema consegue estimar a sua velocidade.

Fig. 3 Usar o suporte do YOLO11 ao acompanhamento de objetos para estimar a velocidade.

Explorar o acompanhamento de objetos na indústria transformadora#

Os processos de fabrico podem ser rápidos e altamente complexos, o que dificulta o acompanhamento manual de todos os artigos produzidos. O acompanhamento de objetos oferece uma boa solução para automatizar a monitorização dos produtos à medida que avançam por cada etapa da produção. Pode ajudar as fábricas a manter níveis elevados de precisão e eficiência sem abrandar o processo.

Desde contar produtos numa correia transportadora até detetar defeitos ou verificar uma montagem correta, o acompanhamento de objetos proporciona visibilidade e controlo a tarefas que, de outra forma, seriam demoradas ou propensas a erros. Esta tecnologia é especialmente impactante em setores de grande volume, como o processamento de alimentos, a eletrónica e as embalagens, onde a rapidez e a precisão são essenciais.

Fig. 4 Um exemplo de acompanhamento e contagem de produtos alimentares numa linha de montagem usando o Ultralytics YOLO11.

Uma visão geral do acompanhamento de objetos na análise do retalho#

Inúmeros clientes entram e saem de lojas de retalho todos os dias, e compreender o seu comportamento é essencial para melhorar tanto a experiência do cliente como o desempenho do negócio. O acompanhamento de objetos permite aos retalhistas monitorizar o fluxo de pessoas, medir o tempo de permanência e analisar padrões de movimento — tudo sem recorrer a métodos invasivos ou manuais.

Ao acompanhar as pessoas quando entram, saem e se deslocam pela loja, as empresas podem obter informações sobre os horários de maior movimento, as áreas mais populares e até o comprimento das filas. Estas informações podem orientar decisões relativas ao pessoal, à disposição da loja e à localização do inventário, conduzindo, em última análise, a operações mais eficientes e ao aumento das vendas.

Fig. 5. Usar as capacidades de acompanhamento de objetos do Ultralytics YOLO11 para monitorizar pessoas a entrar e sair de uma loja.

Vantagens e desvantagens do acompanhamento de objetos#

Desde lojas de retalho até fábricas, o acompanhamento de objetos é usado em todo o tipo de setores para melhorar fatores como a eficiência, a segurança e a experiência geral. Eis alguns dos principais benefícios que o acompanhamento de objetos pode proporcionar a vários setores:

• Permite alertas em tempo real: Os sistemas integrados com acompanhamento de objetos podem ser configurados para acionar alertas automaticamente quando algo invulgar é detetado, como uma pessoa a entrar numa área restrita ou uma entrega deixada demasiado tempo num só local.
• Integra-se com outros sistemas: Os dados de acompanhamento de objetos podem ser combinados com outras tecnologias, como o reconhecimento facial, câmaras térmicas ou sistemas de inventário, para obter informações ainda mais avançadas.
• Rentável a longo prazo: Embora a configuração inicial possa exigir um investimento, o acompanhamento automatizado reduz a necessidade de mão de obra manual, diminui as taxas de erro e reduz os custos operacionais ao longo do tempo.

Embora estes benefícios realcem o impacto positivo do acompanhamento de objetos em diferentes casos de utilização, também é importante considerar os desafios envolvidos na sua implementação. Vejamos mais detalhadamente algumas limitações do acompanhamento de objetos:

• Dificuldade em ambientes com muita gente: Em contextos movimentados, como concertos, centros comerciais ou ruas de cidades, os sistemas de acompanhamento podem ter dificuldade em distinguir entre pessoas ou objetos próximos, o que pode causar confusão ou resultados imprecisos.

• Sensível às condições ambientais: A iluminação insuficiente, o nevoeiro, o movimento rápido ou a vibração da câmara podem afetar a capacidade do sistema de acompanhar objetos com precisão, especialmente em ambientes exteriores ou não controlados.

• Questões de privacidade e legais: O tratamento inadequado de dados pessoais, a falta de consentimento do utilizador ou a vigilância em espaços públicos podem levantar questões éticas e conduzir ao incumprimento das leis de privacidade.

Principais conclusões#

O acompanhamento de objetos é uma tarefa de visão computacional que permite às máquinas acompanhar o movimento dos objetos ao longo do tempo. É usado numa vasta gama de cenários reais — desde estimar a velocidade dos veículos e contar produtos numa linha de montagem até analisar os movimentos dos jogadores no desporto.

Com modelos de visão computacional com AI, como o Ultralytics YOLO11, e algoritmos de acompanhamento, como o BoT-SORT e o ByteTrack, o acompanhamento de objetos tornou-se mais rápido, inteligente e acessível em diferentes setores. À medida que a tecnologia de acompanhamento de objetos evolui, está a ajudar os sistemas a tornarem-se mais inteligentes, eficientes e responsivos, um fotograma de cada vez.

Queres saber mais sobre visão computacional e IA? Explora o nosso repositório no GitHub, liga-te à nossa comunidade e consulta as nossas opções de licenciamento para começares o teu projeto de visão computacional. Se estás a explorar inovações como IA na indústria e visão computacional no setor automóvel, visita as nossas páginas de soluções para descobrires mais.