Um guia sobre como rastrear objetos em movimento em vídeos com modelos Ultralytics YOLO

Robôs que montam peças elétricas, sistemas que detectam carros em excesso de velocidade e soluções de varejo inteligentes que monitoram como os clientes fazem compras - todas essas inovações dependem de visão computacional. É um ramo da inteligência artificial (IA) que ajuda máquinas a analisar e compreender imagens e vídeos.

Por exemplo, um robô precisa reconhecer e seguir diferentes peças para montá-las corretamente. Da mesma forma, um sistema de trânsito pode usar visão computacional para localizar carros, ler placas e calcular quando alguém está acima do limite de velocidade. Enquanto isso, em lojas, a visão computacional pode ajudar a rastrear o que os clientes estão olhando ou pegando, podendo até monitorar o inventário.

Tais aplicações são impulsionadas por modelos de visão computacional como o Ultralytics YOLO11, que suportam uma ampla gama de tarefas visuais. Muitas dessas tarefas focam em obter insights de uma única imagem, mas uma tarefa particularmente interessante, o rastreamento de objetos, pode ser usada para seguir o movimento de objetos ao longo de uma série de imagens ou quadros de vídeo.

Fig 1. Um exemplo de detecção e rastreamento de carros.

Neste guia, veremos mais de perto como o rastreamento de objetos funciona e exploraremos exemplos reais de como ele é usado. Também discutiremos como modelos de visão computacional como o Ultralytics YOLO11 suportam o rastreamento de objetos. Vamos começar!

Link to this sectionUm olhar mais atento sobre sistemas de rastreamento por visão computacional#

O rastreamento de objetos é uma tarefa de visão computacional usada para seguir o movimento de objetos através de quadros de vídeo, ajudando sistemas a monitorar e entender como as coisas mudam ao longo do tempo. Isso é muito semelhante a como os humanos podem seguir naturalmente uma pessoa ou objeto em movimento com os olhos, como quando você está assistindo a uma partida de tênis e seus olhos acompanham a bola enquanto ela se move de um lado para o outro na quadra.

Da mesma forma, o rastreamento de objetos envolve o uso de câmeras e IA para seguir o movimento da bola em tempo real. Essa tecnologia pode oferecer aos espectadores em casa uma compreensão melhor do fluxo do jogo, especialmente por meio de análises como velocidade, trajetória e posicionamento dos jogadores.

Embora esse tipo de rastreamento visual possa parecer sem esforço para os humanos, quando se trata de visão de máquina, ele envolve uma série de etapas impulsionadas por modelos de visão computacional. Aqui está uma explicação simples de como o rastreamento de objetos funciona:

• Captura de vídeo: Câmeras gravam imagens de vídeo, capturando como os objetos se movem através de uma cena ao longo do tempo.
• Detecção de objetos: Modelos de visão computacional baseados em IA, como o YOLO11, podem analisar cada quadro para identificar e localizar objetos específicos, como pessoas, veículos ou produtos.
• Atribuição de identidade: Uma vez detectado um objeto, algoritmos de rastreamento atribuem a ele um ID exclusivo para segui-lo através de múltiplos quadros, garantindo que o sistema saiba que é o mesmo objeto, mesmo enquanto ele se move.
• Monitoramento de movimento: O sistema rastreia o movimento ao longo do tempo, e esses dados podem ser usados para coletar informações como velocidade, direção e interações com outros objetos.
• Geração de insights: Essas informações podem ser usadas em tempo real para fornecer análises, auxiliar na tomada de decisões ou alimentar sobreposições visuais, dependendo do caso de uso específico.

Link to this sectionComparando detecção e rastreamento de objetos com YOLO#

Outra tarefa de visão computacional suportada pelo YOLO11 que está intimamente relacionada ao rastreamento de objetos é a detecção de objetos. Vamos explorar a diferença entre essas duas tarefas.

A detecção de objetos envolve identificar e localizar objetos de interesse dentro de uma única imagem ou quadro de vídeo. Por exemplo, um carro autônomo usa detecção de objetos para reconhecer uma placa de pare ou um pedestre em um único quadro capturado por câmeras a bordo. Ela responde à pergunta: “O que está nesta imagem e onde está?” No entanto, ela não fornece nenhuma informação sobre para onde o objeto vai a seguir.

O rastreamento de objetos se baseia na detecção de objetos adicionando uma compreensão do movimento ao longo do tempo. A principal diferença entre os dois é como eles lidam com tempo e movimento. A detecção de objetos trata cada quadro como um instantâneo independente, enquanto o rastreamento de objetos conecta os pontos entre os quadros, usando dados passados para prever a posição futura de um objeto.

Ao combinar ambos, podemos criar sistemas de visão computacional poderosos capazes de rastreamento em tempo real em ambientes dinâmicos. Por exemplo, um sistema de segurança automatizado pode detectar pessoas entrando em um espaço e rastrear continuamente seu movimento através do quadro.

Link to this sectionRastreamento em tempo real usando modelos Ultralytics YOLO#

Agora que cobrimos a diferença entre detecção e rastreamento de objetos, vamos dar uma olhada em como os modelos Ultralytics YOLO, como o YOLO11, suportam o rastreamento de objetos em tempo real.

Embora os modelos YOLO não sejam algoritmos de rastreamento por si só, eles desempenham um papel essencial ao detectar objetos em cada quadro de vídeo. Uma vez que os objetos são detectados, algoritmos de rastreamento são necessários para atribuir IDs exclusivos a eles, permitindo que o sistema siga seu movimento de quadro a quadro.

Para atender a essa necessidade, o pacote Python da Ultralytics integra perfeitamente a detecção de objetos com algoritmos de rastreamento populares como BoT-SORT e ByteTrack. Essa integração permite que os usuários executem detecção e rastreamento juntos com configuração mínima.

Ao usar modelos YOLO para rastreamento de objetos, você pode escolher qual algoritmo de rastreamento aplicar com base nos requisitos da sua aplicação. Por exemplo, o BoT-SORT é uma boa opção para seguir objetos que se movem de forma imprevisível, graças ao uso de previsão de movimento e aprendizado profundo. O ByteTrack, por outro lado, tem um desempenho especialmente bom em cenas lotadas, mantendo um rastreamento confiável mesmo quando os objetos estão desfocados ou parcialmente ocultos.

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

Link to this sectionComo o treinamento de modelos YOLO personalizados se relaciona com o rastreamento de objetos?#

Treinamento personalizado é o processo de ajuste fino de um modelo de detecção de objetos pré-treinado, como o YOLO11, em um conjunto de dados específico para que ele possa reconhecer objetos que não estão incluídos nos conjuntos de dados padrão. Isso é especialmente importante quando seu sistema de rastreamento precisa seguir objetos personalizados ou incomuns.

Sistemas de rastreamento dependem do modelo de detecção para primeiro reconhecer o objeto. Se um modelo YOLO não consegue detectar um item específico, como um tipo particular de maquinário ou espécie da vida selvagem, o algoritmo de rastreamento não será capaz de segui-lo.

É por isso que o treinamento personalizado é essencial: ele garante que o modelo de detecção possa identificar com precisão os objetos que você deseja rastrear.

Também é importante ter em mente que apenas o modelo de detecção é ajustado durante esse processo. Os algoritmos de rastreamento, como BoT-SORT ou ByteTrack, não são treinados de forma personalizada - eles simplesmente usam a saída do modelo YOLO para seguir os objetos detectados entre os quadros.

Link to this sectionAplicações de rastreamento de objetos com Ultralytics YOLO#

Agora que temos uma compreensão melhor do que é o rastreamento de objetos e como ele funciona, vamos explorar algumas aplicações do mundo real onde essa tecnologia está causando impacto.

Link to this sectionRastreamento em tempo real usando Ultralytics YOLO para estimativa de velocidade#

Sistemas de estimativa de velocidade habilitados por visão computacional dependem de tarefas como detecção e rastreamento de objetos. Esses sistemas são projetados para calcular a velocidade com que um objeto está se movendo - seja um veículo, um ciclista ou até mesmo uma pessoa. Essa informação é crucial para uma variedade de aplicações, desde o gerenciamento de tráfego até o monitoramento de segurança e automação industrial.

Usando um modelo como o Ultralytics YOLO11, objetos podem ser detectados e rastreados através de quadros de vídeo. Ao analisar o quanto um objeto se move durante um período específico de tempo, o sistema pode estimar sua velocidade.

Fig 3. Usando o suporte do YOLO11 para rastreamento de objetos para estimativa de velocidade.

Link to this sectionExplorando o rastreamento de objetos na manufatura#

Processos de manufatura podem ser acelerados e altamente complexos, tornando difícil acompanhar manualmente cada item produzido. O rastreamento de objetos oferece uma boa solução para automatizar o monitoramento de produtos à medida que se movem por cada estágio de produção. Isso pode ajudar fábricas a manter altos níveis de precisão e eficiência sem desacelerar as coisas.

Desde contar produtos em uma esteira transportadora até detectar defeitos ou verificar a montagem adequada, o rastreamento de objetos traz visibilidade e controle para tarefas que, de outra forma, seriam demoradas ou propensas a erros. Essa tecnologia é especialmente impactante em indústrias de alto volume como processamento de alimentos, eletrônicos e embalagens, onde velocidade e precisão são críticas.

Fig 4. Um exemplo de rastreamento e contagem de produtos alimentícios em uma linha de montagem usando o YOLO11.

Link to this sectionUma visão geral do rastreamento de objetos em análises de varejo#

Incontáveis clientes entram e saem de lojas de varejo todos os dias, e entender seu comportamento é fundamental para melhorar tanto a experiência do cliente quanto o desempenho do negócio. O rastreamento de objetos torna possível para os varejistas monitorar o fluxo de pessoas, medir o tempo de permanência e analisar padrões de movimento - tudo sem precisar de métodos invasivos ou manuais.

Ao rastrear indivíduos à medida que entram, saem e se movem pela loja, as empresas podem obter insights sobre os horários de pico, áreas populares e até mesmo o tamanho das filas. Esses insights podem informar decisões sobre equipe, layout da loja e disposição do inventário, levando, em última análise, a operações mais eficientes e aumento nas vendas.

Fig 5. Usando as habilidades de rastreamento de objetos do YOLO11 para monitorar pessoas entrando e saindo de uma loja.

Link to this sectionPrós e contras do rastreamento de objetos#

De lojas de varejo a fábricas, o rastreamento de objetos está sendo usado em todos os tipos de indústrias para melhorar fatores como eficiência, segurança e a experiência geral. Aqui estão alguns dos principais benefícios que o rastreamento de objetos pode trazer para várias indústrias:

• Habilita alertas em tempo real: Sistemas integrados com rastreamento de objetos podem ser configurados para acionar alertas automaticamente quando algo incomum é detectado, como uma pessoa entrando em uma área restrita ou uma entrega sendo deixada por muito tempo em um lugar.
• Integra-se com outros sistemas: Dados de rastreamento de objetos podem ser combinados com outras tecnologias, como reconhecimento facial, câmeras térmicas ou sistemas de inventário, para insights ainda mais poderosos.
• Custo-benefício a longo prazo: Embora a configuração inicial possa exigir investimento, o rastreamento automatizado reduz a necessidade de trabalho manual, diminui as taxas de erro e reduz os custos operacionais ao longo do tempo.

Embora esses benefícios destaquem como o rastreamento de objetos impacta positivamente diferentes casos de uso, também é importante considerar os desafios envolvidos em sua implementação. Vamos dar uma olhada mais de perto em algumas limitações do rastreamento de objetos:

• Dificuldade em ambientes lotados: Em ambientes movimentados como shows, centros comerciais ou ruas da cidade, os sistemas de rastreamento podem ter dificuldade em distinguir entre pessoas ou objetos que estão próximos, levando a confusão ou resultados imprecisos.

• Sensível às condições ambientais: Má iluminação, neblina, movimento rápido ou vibração da câmera podem afetar a capacidade do sistema de rastrear objetos com precisão, especialmente em ambientes externos ou não controlados.

• Preocupações com privacidade e legais: O manuseio inadequado de dados pessoais, a falta de consentimento do usuário ou a vigilância em espaços públicos podem levantar questões éticas e levar ao não cumprimento das leis de privacidade.

Link to this sectionPrincipais pontos#

O rastreamento de objetos é uma tarefa de visão computacional que permite que as máquinas sigam o movimento de objetos ao longo do tempo. É usado em uma ampla gama de cenários do mundo real - desde a estimativa da velocidade de veículos e contagem de produtos em uma linha de montagem até a análise de movimentos de jogadores em esportes.

Com modelos de visão computacional como o YOLO11 e algoritmos de rastreamento como BoT-SORT e ByteTrack, o rastreamento de objetos tornou-se mais rápido, inteligente e acessível em diferentes indústrias. À medida que a tecnologia de rastreamento de objetos evolui, ela está ajudando os sistemas a se tornarem mais inteligentes, eficientes e responsivos, um quadro de cada vez.

Quer saber mais sobre visão computacional e IA? Explore nosso repositório GitHub, conecte-se com nossa comunidade e confira nossas opções de licenciamento para dar um pontapé inicial em seu projeto de visão computacional. Se você estiver explorando inovações como IA na manufatura e visão computacional na indústria automotiva, visite nossas páginas de soluções para descobrir mais.