Como calcular distâncias com modelos de visão computacional?

Quando estás a atravessar a estrada e vês um carro a aproximar-se, consegues perceber instantaneamente, de forma aproximada, a que distância ele está. Este julgamento rápido, quase instintivo, deve-se à compreensão espacial do que te rodeia. Com base nessa perceção, podes decidir se deves acelerar, parar ou continuar a caminhar.

Da mesma forma, a visão computacional é um ramo da inteligência artificial (AI) que permite às máquinas desenvolver uma compreensão do que as rodeia ao interpretar dados visuais. Tal como consegues avaliar a proximidade de um carro para tomar decisões rápidas, os modelos de visão computacional podem analisar imagens e vídeos, ajudando as máquinas a percecionar e reagir ao mundo à sua volta.

Por exemplo, o Ultralytics YOLO11 é um modelo de visão computacional que consegue detetar e acompanhar objetos em imagens e vídeos em tempo real. Em termos simples, o YOLO11 funciona analisando toda a imagem de uma só vez, em vez de a dividir em partes, o que o torna mais rápido e eficiente. Também consegue lidar com tarefas de visão computacional como segmentação de instâncias, estimativa de pose e classificação de imagens.

Em particular, as capacidades do Ultralytics YOLO11 podem ser utilizadas para calcular a distância entre objetos, o que é útil em várias áreas, como a indústria transformadora, o retalho e a gestão de multidões, ajudando a melhorar a segurança e a eficiência.

Neste artigo, vamos explorar como o Ultralytics YOLO11 pode ser utilizado para o cálculo de distância em aplicações de visão computacional, por que é importante e qual o seu impacto em diferentes setores.

Fig. 1. Um exemplo da utilização do YOLO para calcular a distância de aterragem de um avião.

Uma visão geral do cálculo de distância em visão computacional#

O cálculo de distância em visão computacional envolve detetar, localizar e medir os píxeis entre dois objetos numa imagem. Os píxeis são as unidades individuais que compõem uma imagem digital, representando cada um um único ponto com um valor específico de cor ou intensidade.

Para converter medições em píxeis em distâncias do mundo real, a calibração é essencial. Podes pensar nela como utilizar uma régua para medir algo e depois usar essa medição para compreender o tamanho de outros objetos. Ao utilizar como referência objetos com tamanhos conhecidos, a calibração estabelece uma ligação entre os píxeis e as distâncias físicas reais.

Vejamos um exemplo para perceber como isto funciona. Na imagem abaixo, a moeda é o objeto de referência e o seu tamanho (0.9in por 1.0in) é conhecido. Ao comparar as medições em píxeis dos outros objetos com o tamanho da moeda, podemos calcular o seu tamanho no mundo real.

Fig. 2. Uma moeda pode ser utilizada como referência para medir o tamanho real de outros objetos.

No entanto, o cálculo de distância é realizado num plano bidimensional (2D), o que significa que mede apenas as distâncias horizontais e verticais entre objetos. Isto é diferente da estimativa de profundidade, que mede a distância dos objetos num espaço tridimensional, incluindo a distância entre estes e a câmara.

Embora as câmaras de profundidade possam medir a profundidade real e fornecer informações espaciais mais detalhadas, em muitos casos uma simples distância calibrada é suficiente. Por exemplo, saber a distância entre objetos num plano 2D funciona bem para tarefas como acompanhar objetos ou gerir filas, pelo que a estimativa de profundidade não é necessária nessas situações.

Compreender como funciona o cálculo de distância com o Ultralytics YOLO11#

De seguida, vamos explicar como calcular a distância entre dois objetos utilizando o suporte do Ultralytics YOLO11 para deteção de objetos e acompanhamento. Eis o processo:

• Detetar e acompanhar objetos: O Ultralytics YOLO11 pode ser utilizado para detetar objetos, reconhecendo-os num fotograma e acompanhando o seu movimento ao longo dos fotogramas de um vídeo. Atribui um ID de acompanhamento único a cada objeto, permitindo ao sistema monitorizar a sua posição e movimento ao longo do vídeo.
• Caixas delimitadoras: São desenhadas caixas delimitadoras à volta dos objetos detetados com base nos resultados da deteção de objetos do Ultralytics YOLO11, que definem a sua localização na imagem.
• Selecionar objetos: É possível selecionar dois objetos para acompanhar, e o Ultralytics YOLO11 atualiza as caixas delimitadoras à medida que os objetos se movem em tempo real.
• Cálculo do centroide: Os centroides (os pontos centrais das caixas delimitadoras dos dois objetos) são calculados com base nas coordenadas dos cantos das caixas delimitadoras, representando as posições dos objetos.
• Cálculo da distância: Os centroides dos dois objetos podem então ser utilizados para calcular a distância euclidiana entre eles. A distância euclidiana é a distância em linha reta entre dois pontos num plano 2D, calculada utilizando as diferenças nas direções horizontal e vertical. Isto fornece a distância entre os dois objetos em píxeis.

É importante ter em conta que as distâncias calculadas através deste método são apenas estimativas, uma vez que se baseiam em medições de píxeis 2D.

Fig. 3. Utilização do Ultralytics YOLO para detetar uma pessoa e calcular distâncias.

O impacto da estimativa de distância do YOLO#

Tendo em conta que o cálculo de distâncias com o Ultralytics YOLO11 é uma estimativa, podes perguntar-te: onde pode ser utilizado e que diferença pode fazer?

Como são utilizadas calibrações para obter estas estimativas de distância, estas são suficientemente precisas para ajudar em muitas situações práticas. A estimativa de distância do Ultralytics YOLO11 é particularmente útil em ambientes dinâmicos, como armazéns, onde os objetos estão constantemente em movimento e são necessários ajustes em tempo real para manter tudo a funcionar sem problemas.

Um exemplo interessante é utilizar o YOLO11 para acompanhar encomendas numa correia transportadora e estimar a distância entre elas em tempo real. Isto ajuda os gestores de armazém a garantir que as encomendas estão devidamente espaçadas, evitando colisões e mantendo o funcionamento eficiente.

Nestes casos, nem sempre é necessária uma distância exata. Normalmente, define-se um intervalo ou limiar para a distância ideal, pelo que uma estimativa funciona bem para este tipo de aplicações.

Fig. 4. Deteção de encomendas com o Ultralytics YOLO11 e cálculo da distância entre elas.

Cálculo de distância em aplicações de visão computacional#

Várias aplicações de visão computacional podem beneficiar do cálculo da distância entre objetos utilizando o Ultralytics YOLO11. Na análise de retalho, por exemplo, isto ajuda a melhorar a gestão de filas através do acompanhamento das posições dos clientes em tempo real. Isto permite às empresas distribuir melhor os recursos, reduzir os tempos de espera e proporcionar uma experiência de compra mais fluida. Ao ajustar dinamicamente os níveis de pessoal e gerir o fluxo de clientes, as lojas podem evitar a sobrelotação e otimizar a utilização do espaço.

Da mesma forma, na gestão de tráfego, a estimativa de distância ajuda a monitorizar o espaçamento entre veículos e a analisar os padrões de trânsito. Isto pode ser utilizado para detetar comportamentos perigosos, como circular demasiado perto do veículo da frente, e ajustar os semáforos para manter o trânsito fluido. Pode ajudar a tornar as estradas mais seguras ao identificar potenciais problemas e melhorar a gestão geral do tráfego em tempo real.

Fig. 5. O cálculo de distância com visão pode ser utilizado para monitorizar o tráfego.

Outra utilização singular desta tecnologia surgiu durante a pandemia de COVID-19, quando ajudou a promover o distanciamento social. Garantiu que as pessoas mantivessem uma distância segura em espaços públicos, lojas e hospitais, reduzindo o risco de propagação do vírus.

Ao acompanhar as distâncias em tempo real, era possível enviar alertas quando as pessoas estavam demasiado próximas, facilitando uma resposta rápida por parte das empresas e dos prestadores de cuidados de saúde e a manutenção de um ambiente mais seguro para todos.

Vantagens e desvantagens do cálculo de distância em visão computacional#

Agora que abordámos algumas das aplicações do cálculo de distância com visão computacional, vejamos mais de perto as vantagens associadas:

• Automação: A IA de visão pode automatizar tarefas de cálculo de distância que, de outro modo, exigiriam acompanhamento manual, reduzindo o erro humano e os custos de mão de obra e aumentando a produtividade.
• Otimização de recursos: Ao conhecer o espaçamento e a proximidade aproximados dos objetos, é possível otimizar recursos (como pessoal ou maquinaria), reduzindo o desperdício e melhorando os fluxos de trabalho.
• Complexidade mínima de configuração: Depois de configurados, os sistemas de cálculo de distância com visão requerem relativamente pouca manutenção e menos intervenção humana em comparação com outros sistemas que dependem de introdução manual ou maquinaria complexa.

Apesar destas vantagens, existem também algumas limitações a ter em conta ao implementar este tipo de sistemas. Eis uma breve análise dos principais fatores a considerar no cálculo de distância com visão computacional:

• Sensibilidade a fatores ambientais: A precisão do cálculo de distância pode ser afetada pelas condições de iluminação, sombras, reflexos ou obstruções, dando origem a potenciais erros ou inconsistências.
• Preocupações com a privacidade: Utilizar visão computacional para acompanhar objetos ou pessoas pode suscitar questões de privacidade, especialmente em espaços públicos ou ambientes sensíveis onde possam estar envolvidos dados pessoais.
• Complexidade em cenários com vários objetos: Em ambientes com numerosos objetos em movimento, calcular com precisão as distâncias entre vários objetos em simultâneo pode causar confusão, sobretudo quando estão próximos ou se intersectam.

Principais conclusões#

Calcular a distância entre objetos utilizando o Ultralytics YOLO11 é uma solução fiável que pode apoiar a tomada de decisões. É especialmente útil em ambientes dinâmicos, como armazéns, retalho e gestão de tráfego, onde acompanhar a proximidade dos objetos pode melhorar a eficiência e a segurança.

O Ultralytics YOLO11 permite automatizar tarefas que normalmente exigiriam esforço manual. Embora existam alguns desafios, como a sensibilidade a fatores ambientais e as preocupações com a privacidade, as vantagens, como a automação, a escalabilidade e a fácil integração, tornam-no uma solução impactante. À medida que a visão computacional continua a evoluir, especialmente em áreas como o cálculo de distância, é provável que assistamos a uma mudança significativa na forma como as máquinas interagem com o ambiente e o compreendem.

Junta-te à nossa comunidade! Explora o nosso repositório no GitHub para saberes mais sobre IA de visão. Se tens interesse em tirar partido da visão computacional, consulta as nossas opções de licenciamento. Descobre como a visão computacional na área da saúde está a melhorar a eficiência e vê o impacto da IA na agricultura visitando as nossas páginas de soluções!