28 de novembro de 2025
Saiba como os modelosYOLO Ultralytics podem desempenhar um papel importante nas soluções de reidentificação de veículos, fornecendo detecções precisas e exatas.
Quando se assiste a uma corrida de Fórmula 1, é fácil identificar o carro da sua equipa favorita. O vermelho vivo da Ferrari ou o prateado da Mercedes destacam-se volta após volta.
Pedir a uma máquina que faça o mesmo, não numa pista de corridas limpa, mas em ruas urbanas apinhadas de trânsito, é muito mais difícil. É por isso que a reidentificação de veículos (vehicle re-ID) tem vindo a ganhar atenção no espaço da IA recentemente.
A reidentificação de veículos dá às máquinas a capacidade de reconhecer o mesmo veículo em câmaras com várias vistas ou não sobrepostas. Também tem como objetivo identificar veículos após oclusão temporária (quando um veículo está parcialmente escondido) ou mudanças na iluminação e no ponto de vista.
A visão por computador é uma tecnologia fundamental para a reidentificação de veículos. A visão por computador é um subcampo da inteligência artificial que se concentra em ensinar as máquinas a compreender e interpretar informações visuais, como imagens e vídeos. Utilizando esta tecnologia, os sistemas de IA podem analisar as caraterísticas dos veículos e track de forma fiável através de grandes redes de câmaras para aplicações como a vigilância urbana e a monitorização do tráfego.
Em particular, os modelos de IA de visão, tais como Ultralytics YOLO11 e o futuro Ultralytics YOLO26 suportam tarefas como a deteção e o seguimento de objectos. Podem localizar rapidamente veículos em cada fotograma e seguir o seu movimento através de uma cena. Quando estes modelos são combinados com redes de reidentificação de veículos, o sistema combinado pode reconhecer o mesmo veículo em diferentes imagens de câmara, mesmo quando as vistas ou as condições de iluminação mudam.
Neste artigo, analisamos como funciona a reidentificação de veículos, a tecnologia que a torna possível e onde está a ser utilizada em sistemas de transporte inteligentes. Vamos começar!
A reidentificação de veículos é uma aplicação importante na visão computacional. Centra-se no reconhecimento do mesmo veículo à medida que este aparece em câmaras diferentes e não sobrepostas, mantendo a sua identidade consistente à medida que se desloca através de uma cidade. Isto é um desafio porque cada câmara pode captar o veículo de um ângulo diferente, sob iluminação diferente ou com oclusão parcial.
Considere um cenário em que um sedan azul passa por um cruzamento e mais tarde aparece numa rua diferente, observado por outra câmara. O ângulo, a iluminação e o fundo foram todos alterados e outros carros podem bloquear brevemente a visão. Apesar disso, o sistema de reidentificação de veículos ainda precisa de determinar que se trata do mesmo veículo.
Os recentes avanços na aprendizagem profunda, especialmente com redes neurais convolucionais (CNN) e modelos baseados em transformadores, tornaram este processo muito mais preciso. Estes modelos podem extrair padrões visuais significativos e distinguir entre veículos semelhantes, identificando simultaneamente o veículo correto.
Nos sistemas de transporte inteligentes, esta capacidade suporta a monitorização contínua, a reconstrução de rotas e a análise do tráfego em toda a cidade, dando aos sistemas de cidades inteligentes uma imagem mais clara da forma como os veículos se deslocam. Estes sistemas ajudam a melhorar a segurança e a eficiência.
Normalmente, as imagens de vídeo de cruzamentos, áreas de estacionamento e auto-estradas são analisadas utilizando técnicas de reidentificação de veículos para determinar se o mesmo veículo aparece em diferentes câmaras. Este conceito é semelhante ao da reidentificação de pessoas, em que os sistemas track indivíduos em várias vistas, mas aqui o foco é analisar as caraterísticas específicas do veículo em vez da aparência humana.
O processo para o fazer envolve vários passos chave, cada um deles concebido para ajudar o sistema detect veículos, extrair as suas caraterísticas visuais e combiná-las de forma fiável em diferentes pontos de vista.
A um nível elevado, o sistema detecta primeiro os veículos em cada fotograma e, em seguida, extrai caraterísticas como a cor, a forma e a textura para criar uma representação digital única, ou incorporação, para cada um deles. Estas incorporações são comparadas ao longo do tempo e entre câmaras, muitas vezes com o apoio de rastreio de objectos e verificações espácio-temporais, para decidir se dois avistamentos pertencem ao mesmo veículo.
Eis um olhar mais atento a este processo:
Os modelosYOLO Ultralytics desempenham um importante papel de apoio nos pipelines de reidentificação de veículos. Embora não efectuem a reidentificação por si só, fornecem outras capacidades essenciais, como a deteção rápida e o seguimento estável, de que as redes de reidentificação dependem para uma correspondência precisa entre câmaras.
De seguida, vamos analisar mais detalhadamente a forma como os modelosYOLO Ultralytics , como o YOLO11 , podem melhorar os sistemas de reidentificação de veículos.
A base de qualquer sistema de reidentificação de veículos é a deteção precisa de objectos. Os modelosYOLO Ultralytics , como o YOLO11 , são uma óptima opção para este efeito, uma vez que conseguem detect rapidamente veículos em cada fotograma, mesmo em cenas movimentadas com oclusões parciais, tráfego intenso ou condições de iluminação variáveis.
Também podem ser treinados de forma personalizada, o que significa que pode afinar o modelo no seu próprio conjunto de dados para que aprenda a reconhecer tipos de veículos específicos, como táxis, carrinhas de entregas ou veículos de frota. Isto é especialmente útil quando uma solução requer uma deteção mais especializada. Ao fornecer caixas delimitadoras limpas e precisas, os modelos Ultralytics YOLO fornecem às redes Re-ID entradas de alta qualidade para trabalhar, o que leva a uma correspondência mais confiável entre as câmeras.
Uma vez detectados os veículos, modelos como o YOLO11 também podem suportar o seguimento estável de objectos numa única vista de câmara. O seguimento de objectos é o processo de seguir um veículo detectado em fotogramas consecutivos e atribuir-lhe uma identificação consistente à medida que se move.
Com suporte integrado para algoritmos de rastreamento como ByteTrack e BoT-SORT no pacoteUltralytics Python , YOLO11 pode manter IDs consistentes à medida que os veículos se movem através de uma cena. Este seguimento estável reduz as trocas de identidade antes de o sistema Re-ID assumir o controlo, o que acaba por melhorar a precisão da correspondência entre câmaras.
Para além do rastreio padrão baseado no movimento, o pacote Ultralytics Python inclui capacidades opcionais de Re-ID baseadas na aparência no seu rastreador BoT-SORT. Isto significa que o rastreador pode usar caraterísticas de aparência visual, não apenas padrões de movimento ou sobreposição de caixa delimitadora, para determinar se duas detecções pertencem ao mesmo veículo.
Quando ativado, o BoT-SORT extrai incorporação de aparência leve do detetor ou de um modelo de classificação YOLO11 e utiliza-os para verificar a identidade entre fotogramas. Esta sugestão de aparência adicional ajuda o localizador a manter identificações mais estáveis em situações difíceis, como oclusões breves, veículos que passam perto uns dos outros ou pequenas mudanças causadas pelo movimento da câmara.
Embora este Re-ID incorporado não se destine a substituir a reidentificação completa do veículo entre câmaras, melhora a consistência da identidade dentro de uma única vista de câmara e produz tracklets mais limpos nos quais os módulos Re-ID a jusante podem confiar. Para utilizar estas funcionalidades de seguimento baseadas na aparência, basta ativar a Re-ID num ficheiro de configuração do localizador BoT-SORT definindo "with_reid" para "True" e selecionando o modelo que irá fornecer as funcionalidades de aparência.
Para mais informações, pode consultar apágina de documentação Ultralytics sobre o rastreio de objectos, que explica as opções de Re-ID disponíveis e como configurá-las.
Para além de melhorar a estabilidade da identidade durante o rastreio, os modelos YOLO também desempenham um papel importante na preparação de entradas visuais limpas para a própria rede Re-ID.
Depois de um veículo ser detectado, a sua caixa delimitadora é normalmente cortada e enviada para uma rede de reidentificação, que extrai as caraterísticas visuais necessárias para a correspondência. Uma vez que os modelos de reidentificação dependem fortemente destas imagens recortadas, as entradas deficientes, tais como cortes desfocados, desalinhados ou incompletos, podem conduzir a incorporações mais fracas e a uma correspondência entre câmaras menos fiável.
Os modelosYOLO Ultralytics ajudam a reduzir esses problemas, produzindo consistentemente caixas delimitadoras limpas e bem alinhadas que capturam totalmente o veículo de interesse. Com colheitas mais claras e precisas, a rede Re-ID pode concentrar-se em detalhes significativos como cor, forma, textura e outras caraterísticas distintivas. Entradas de alta qualidade conduzem a um desempenho de Re-ID mais fiável e preciso em todas as vistas da câmara.
Embora os modelosYOLO Ultralytics não efectuem a reidentificação por si só, fornecem as informações essenciais de que uma rede de reID necessita para comparar veículos em diferentes vistas de câmara. Modelos como o YOLO11 podem tratar da localização e do seguimento de veículos dentro de cada câmara, enquanto o modelo de reidentificação determina se duas colheitas de veículos de locais diferentes pertencem à mesma identidade.
Quando estes componentes funcionam em conjunto, YOLO para deteção e seguimento, e um modelo de incorporação dedicado para extração de caraterísticas, formam um pipeline completo de correspondência de veículos com várias câmaras. Isto torna possível associar o mesmo veículo à medida que este se desloca através de uma rede de câmaras maior.
Por exemplo, num estudo recente, os investigadores utilizaram um modelo YOLO11 leve como detetor de veículos num sistema de seguimento multicâmara em linha. O estudo concluiu que a utilização do YOLO11 ajudou a reduzir o tempo de deteção sem sacrificar a precisão, o que melhorou o desempenho geral do seguimento a jusante e da correspondência entre câmaras.
Agora que compreendemos melhor como os modelos Ultralytics YOLO podem apoiar a reidentificação de veículos, vamos analisar mais de perto os modelos de aprendizagem profunda que tratam dos passos de extração e correspondência de caraterísticas. Estes modelos são responsáveis pela aprendizagem do aspeto dos veículos, pela criação de incorporações robustas e pela distinção entre veículos visualmente semelhantes em diferentes vistas da câmara.
Eis alguns exemplos dos principais componentes de aprendizagem profunda utilizados nos sistemas de reidentificação de objectos:
Para além destes componentes arquitectónicos, a aprendizagem métrica desempenha um papel fundamental na formação de modelos de Re-ID de veículos. As funções de perda, como a perda de tripletos, a perda contrastiva e a perda de entropia cruzada, ajudam o sistema a aprender incorporações fortes e discriminatórias, juntando imagens do mesmo veículo e afastando imagens diferentes.
Na investigação sobre visão computacional, a qualidade de um conjunto de dados tem um grande impacto no desempenho de um modelo depois de implementado. Um conjunto de dados fornece as imagens ou vídeos rotulados com que um modelo aprende.
Para a reidentificação de veículos, estes conjuntos de dados de última geração têm de captar diversas condições, como a iluminação, as alterações do ponto de vista e as variações meteorológicas. Esta diversidade ajuda os modelos a lidar com a complexidade dos ambientes de transporte do mundo real.
Aqui está um vislumbre de conjuntos de dados populares que suportam a formação, otimização e avaliação de modelos de reidentificação de veículos:
mAP desempenho do modelo nestes conjuntos de dados é normalmente avaliado utilizando métricas como a precisão médiamAP) e a exatidão da classificação 1 ou da classificação 5. mAP mede a exatidão com que o modelo recupera todas as correspondências relevantes para um determinado veículo, enquanto as pontuações da classificação 1 e da classificação 5 indicam se a correspondência correta aparece no topo da lista de resultados ou nas primeiras previsões.
Em conjunto, estes parâmetros de referência proporcionam aos investigadores uma forma consistente de comparar diferentes abordagens e desempenham um papel importante na orientação do desenvolvimento de sistemas de reidentificação de veículos mais precisos e fiáveis para utilização no mundo real.
Agora que já abordámos os fundamentos, vamos analisar alguns casos de utilização reais em que a reidentificação de veículos suporta fluxos de trabalho práticos de transporte, mobilidade e vigilância.
As estradas urbanas movimentadas estão constantemente cheias de movimento e as câmaras de trânsito têm muitas vezes dificuldade em seguir o track do mesmo veículo à medida que este se desloca entre diferentes áreas. Alterações na iluminação, cenas com muita gente e veículos que parecem quase idênticos podem fazer com que as identidades se percam entre as câmaras.
A reidentificação de veículos resolve este problema detectando claramente os veículos, extraindo caraterísticas distintivas e mantendo identificações consistentes, mesmo em filmagens de baixa resolução ou com muito movimento. O resultado é um seguimento mais suave e contínuo em toda a rede, dando às equipas de tráfego uma imagem mais clara da forma como os veículos se deslocam pela cidade e permitindo respostas mais rápidas e informadas a congestionamentos e incidentes.
Os parques de estacionamento inteligentes dependem da identificação consistente dos veículos para gerir a entrada, saída, controlo de acesso e atribuição de lugares. No entanto, as câmaras nestes ambientes captam frequentemente os veículos de ângulos invulgares e sob uma iluminação difícil, como em garagens subterrâneas, áreas sombreadas ou parques exteriores ao anoitecer.
Estas condições tornam mais difícil confirmar se o mesmo veículo está a ser visto em diferentes zonas. Quando as identidades são inconsistentes, os registos de estacionamento podem ser quebrados, o controlo de acesso torna-se menos fiável e os condutores podem sofrer atrasos. É por isso que muitos sistemas de estacionamento inteligente incorporam modelos de reidentificação de veículos para manter uma identidade estável para cada veículo à medida que este se desloca pelas instalações.
Para além da monitorização do tráfego, a reidentificação de veículos também desempenha um papel importante na aplicação da lei e nas investigações forenses. Em muitos casos, os agentes têm de seguir um veículo através de várias câmaras, mas as matrículas podem estar ilegíveis, em falta ou deliberadamente ocultas.
Cenas com muita gente, baixa visibilidade e oclusão parcial podem fazer com que veículos diferentes pareçam enganosamente semelhantes, tornando a identificação manual lenta e pouco fiável. A reidentificação de veículos pode ser utilizada para rastrear o movimento de um veículo em redes de câmaras não sobrepostas, analisando as suas caraterísticas visuais em vez de depender apenas das matrículas.
Isto significa que os investigadores podem seguir mais facilmente os movimentos de um veículo, compreender quando apareceu em diferentes locais e confirmar o seu trajeto antes e depois de um incidente. A reidentificação de veículos com recurso a IA também suporta tarefas como o seguimento de veículos suspeitos, a revisão de imagens de incidentes ou a determinação da direção em que um veículo viajou antes ou depois de um evento.
As operações de frota e logística dependem muitas vezes de GPS, etiquetas RFID e registos manuais para track movimento dos veículos, mas estas ferramentas deixam lacunas em áreas cobertas por câmaras de segurança ou de pátio, tais como cais de carga, pátios de armazém e redes rodoviárias internas.
Os veículos deslocam-se frequentemente entre câmaras que não se sobrepõem, desaparecem atrás de estruturas ou parecem quase idênticos a outros na frota, tornando difícil confirmar se o mesmo veículo foi visto em locais diferentes. Os sistemas de reidentificação de veículos podem ajudar a colmatar estas lacunas, analisando detalhes visuais e informações de tempo para manter uma identidade consistente para cada veículo à medida que este se desloca através das instalações.
Isto dá aos gestores de frotas uma visão mais completa da atividade nos seus centros, apoiando tarefas como a verificação dos percursos de entrega, a identificação de movimentos invulgares e a garantia de que os veículos seguem os percursos previstos.
Eis algumas das principais vantagens da utilização da reidentificação de veículos com recurso à IA:
Embora a reidentificação de veículos ofereça muitas vantagens, há também algumas limitações a considerar. Eis alguns factores que afectam a sua fiabilidade em ambientes reais:
A reidentificação de veículos continua a avançar à medida que a tecnologia evolui. Publicações recentes do IEEE, CVPR e arXiv, juntamente com apresentações em conferências internacionais, destacam uma clara mudança para modelos mais ricos que combinam várias fontes de dados e raciocínio de caraterísticas mais avançado. O trabalho futuro nesta área centrar-se-á provavelmente na criação de sistemas que sejam mais robustos, eficientes e capazes de lidar com a variabilidade do mundo real à escala.
Por exemplo, uma direção promissora é a utilização de modelos baseados em transformadores e redes de agregação de gráficos. Os transformadores podem analisar uma imagem inteira e compreender como todos os detalhes visuais se encaixam, o que ajuda o sistema a reconhecer o mesmo veículo mesmo quando o ângulo ou a iluminação mudam.
Os modelos baseados em gráficos vão mais longe, tratando diferentes partes do veículo ou vistas da câmara como pontos ligados numa rede. Isto permite que o sistema compreenda a correlação entre esses pontos-chave e tome melhores decisões sobre as identidades dos veículos e as caraterísticas distintivas.
Outro avanço fundamental é a fusão de dados multimodais e a fusão de caraterísticas. Em vez de se basearem apenas em imagens, os sistemas mais recentes combinam informações visuais com outros sinais multimédia, como dados de GPS ou padrões de movimento de sensores. Este contexto adicional torna mais fácil para o sistema manter a precisão quando os veículos estão parcialmente bloqueados, quando a iluminação é fraca ou quando os ângulos da câmara mudam subitamente.
A reidentificação de veículos está a tornar-se uma metodologia fundamental nos sistemas de transporte inteligentes, ajudando as cidades track veículos de forma mais fiável em diferentes câmaras. Graças aos avanços na aprendizagem profunda e a uma melhor validação utilizando conjuntos de dados mais ricos e diversificados, estes sistemas estão a tornar-se mais precisos e práticos em condições reais.
À medida que a tecnologia evolui, é importante equilibrar a inovação com práticas responsáveis em matéria de privacidade, segurança e ética. De um modo geral, estes avanços estão a preparar o caminho para redes de transporte mais inteligentes, seguras e eficientes.
Explore mais sobre a IA visitando o nosso repositório GitHub e juntando-se à nossa comunidade. Confira nossas páginas de soluções para saber mais sobre IA em robótica e visão computacional em manufatura. Descubra nossas opções de licenciamento para começar a usar o Vision A hoje mesmo!
