Como calcular a distância usando modelos de visão computacional?

Quando atravessas a rua e vês um carro a vir na tua direção, consegues saber instantaneamente a que distância ele está. Este julgamento rápido, quase instintivo, deve-se à tua compreensão espacial do que te rodeia. Com base nesta perceção, podes decidir se deves acelerar, parar ou continuar a andar.

Da mesma forma, a computer vision é um ramo da inteligência artificial (AI) que torna possível às máquinas desenvolverem uma compreensão do seu entorno através da interpretação de dados visuais. Assim como consegues avaliar a proximidade de um carro para tomar decisões rápidas, os modelos de computer vision podem analisar imagens e vídeos, ajudando as máquinas a sentir e a reagir ao mundo à sua volta.

Por exemplo, o Ultralytics YOLO11 é um modelo de computer vision capaz de detetar e rastrear objetos em imagens e vídeos em tempo real. Em termos simples, o YOLO11 funciona analisando a imagem inteira de uma só vez, em vez de o fazer por partes, o que o torna mais rápido e eficiente. Também consegue lidar com tarefas de computer vision como segmentação de instâncias, estimativa de pose e classificação de imagens.

Em especial, as capacidades do Ultralytics YOLO11 podem ser usadas para calcular a distância entre objetos, o que é útil em muitas áreas, como manufatura, varejo e gestão de multidões, ajudando a melhorar a segurança e a eficiência.

Neste artigo, vamos explorar como o Ultralytics YOLO11 pode ser usado para distance calculation em aplicações de visão computacional, por que isso é importante e o impacto em diferentes indústrias.

Fig 1. Um exemplo de 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 ponto único com uma cor ou valor de intensidade específico.

Para converter medições em pixéis em distâncias no mundo real, a calibration é fundamental. Podes pensar nisto como usar uma régua para medir algo e depois usar essa medição para compreender o tamanho de outros objetos. Ao referenciar objetos com tamanhos conhecidos, a calibration cria uma ligação entre os pixéis e as distâncias físicas reais.

Vamos ver um exemplo para perceber como isto funciona. Na imagem abaixo, a moeda é o objeto de referência e o seu tamanho (0,9 pol. por 1,0 pol.) 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 de outros objetos no mundo real.

No entanto, o cálculo de distância é feito num plano bidimensional (2D), o que significa que apenas mede 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 sua distância em relação à câmara.

Embora as depth cameras consigam medir a profundidade real e fornecer informação espacial mais detalhada, em muitos casos, uma simples distância calibrada é suficiente. Por exemplo, saber a que distância os objetos estão num plano 2D funciona muito bem para tarefas como o rastreio de objetos ou a gestão de filas, pelo que a estimativa de profundidade não é necessária nessas situações.

Compreendendo como funciona o cálculo de distância usando o Ultralytics YOLO11#

A seguir, vamos ver como calcular a distância entre dois objetos usando o suporte do Ultralytics YOLO11 para object detection e rastreamento. Eis um detalhamento:

• Detecção e rastreamento de objetos: O Ultralytics YOLO11 pode ser usado para detectar objetos reconhecendo-os em um quadro e rastreando seu movimento entre os quadros de um vídeo. Ele atribui um ID de rastreamento exclusivo a cada objeto, permitindo que o sistema monitore sua posição e movimento ao longo do vídeo.
• Caixas delimitadoras: As caixas delimitadoras são desenhadas ao redor dos objetos detectados com base nos resultados de detecção de objetos do Ultralytics YOLO11, que definem a localização deles na imagem.
• Selecionando objetos: Dois objetos podem ser selecionados para foco, e o Ultralytics YOLO11 atualiza as caixas delimitadoras à medida que os objetos se movem em tempo real.
• Cálculo de centroides: Os centroides (os pontos centrais das bounding boxes dos dois objetos) são calculados com base nas coordenadas dos cantos da bounding box, representando as posições dos objetos.
• Cálculo de distância: Os centroides dos dois objetos podem então ser usados para calcular a distância euclidiana entre eles. A distância euclidiana é a distância em linha reta entre dois pontos num plano 2D, calculada usando as diferenças nas direções horizontal e vertical. Isto fornece a distância entre os dois objetos em píxeis.

É importante ter em mente que as distâncias calculadas usando este método são apenas estimativas, uma vez que se baseiam em medições de píxeis em 2D.

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

O impacto da estimativa de distância pelo YOLO#

Considerando que o cálculo de distâncias usando o Ultralytics YOLO11 é uma estimativa, você pode estar se perguntando: Onde isso pode ser usado e como pode fazer a diferença?

Como as calibrações são usadas para chegar a essas estimativas de distância, elas são precisas o suficiente 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 ajustes em tempo real são necessários para manter as coisas funcionando sem problemas.

Um exemplo interessante é a utilização do YOLO11 para track packages numa correia transportadora e estimar a distância entre eles em tempo real. Isto ajuda os gestores de armazéns a garantir que os pacotes estão devidamente espaçados, prevenindo colisões e mantendo as operações a correr sem problemas.

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

Fig 4. Detectando pacotes usando o Ultralytics YOLO11 e calculando a distância entre eles.

Cálculo de distância em aplicações de visão computacional#

Várias aplicações de visão computacional podem se beneficiar do cálculo da distância entre objetos usando o Ultralytics YOLO11. Em análises de varejo, por exemplo, ele ajuda a melhorar a gestão de filas rastreando as posições dos clientes em tempo real. Isso torna possível que as empresas aloquem melhor os recursos, reduzam os tempos de espera e criem uma experiência de compra mais fluida. Ao ajustar dinamicamente os níveis de pessoal e gerenciar o fluxo de clientes, as lojas podem evitar superlotação e otimizar o uso do espaço.

Da mesma forma, na traffic management, a estimativa de distância ajuda a monitorizar o espaçamento entre veículos e a analisar padrões de tráfego. Isto pode ser usado para detetar comportamentos perigosos, como a condução demasiado próxima, e ajustar os semáforos para manter o tráfego a fluir sem interrupções. 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 baseado em visão pode ser utilizado para monitorizar o tráfego.

Outro uso único desta tecnologia surgiu durante a COVID-19 pandemic, 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 rastrear distâncias em tempo real, podiam ser enviados alertas quando os indivíduos estavam demasiado próximos, tornando mais fácil para as empresas e profissionais de saúde reagir rapidamente e manter um ambiente mais seguro para todos.

Prós e contras do cálculo de distância em visão computacional#

Agora que discutimos algumas das aplicações do cálculo de distância usando visão computacional, aqui tens uma análise mais detalhada dos benefícios associados a fazê-lo:

• Automação: A IA de visão pode automatizar tarefas de cálculo de distância que, de outra forma, exigiriam rastreio manual, reduzindo o erro humano e os custos de mão de obra enquanto aumenta a produtividade.
• Otimização de recursos: Ao conhecer o espaçamento aproximado e a proximidade dos objetos, os recursos (como pessoal ou maquinaria) podem ser otimizados, reduzindo o desperdício e melhorando os fluxos de trabalho.
• Complexidade de configuração mínima: Uma vez configurados, os sistemas de cálculo de distância habilitados por visão exigem uma manutenção relativamente baixa e menos intervenção humana em comparação com outros sistemas que dependem de entrada manual ou maquinaria complexa.

Apesar destas vantagens, existem também algumas limitações a ter em conta ao implementar tais sistemas. Eis um resumo rápido dos fatores-chave a considerar quando se trata de cálculo de distância usando visão computacional:

• Sensibilidade a fatores ambientais: A precisão do cálculo de distância pode ser afetada pelas condições de iluminação, sombras, reflexos ou obstruções, levando a potenciais erros ou inconsistências.
• Privacy concerns: A utilização de computer vision para rastrear objetos ou pessoas pode levantar questões de privacidade, especialmente em espaços públicos ou ambientes sensíveis onde dados pessoais possam estar envolvidos.
• Complexidade em cenários com múltiplos objetos: Em ambientes com numerosos objetos em movimento, calcular com precisão as distâncias entre vários objetos simultaneamente pode levar a confusão, particularmente se estiverem próximos ou em interseção.

Principais pontos#

O cálculo da distância entre objetos usando o Ultralytics YOLO11 é uma solução confiável que pode apoiar a tomada de decisões. É especialmente útil em ambientes dinâmicos como armazéns, varejo e gerenciamento de tráfego, onde o acompanhamento da proximidade de objetos pode melhorar a eficiência e a segurança.

O Ultralytics YOLO11 torna possível automatizar tarefas que normalmente exigiriam esforço manual. Embora existam alguns desafios, como a sensibilidade a fatores ambientais e preocupações com privacidade, os benefícios, como automação, escalabilidade e fácil integração, tornam-no impactante. À medida que a visão computacional continua a melhorar, especialmente em áreas como o cálculo de distância, é provável que vejamos uma mudança real na forma como as máquinas interagem com e entendem seus arredores.

Junta-te à nossa community! Explora o nosso GitHub repository para saberes mais sobre a vision AI. Se tens interesse em tirar partido da computer vision, consulta as nossas licensing options. Descobre como a computer vision in healthcare está a melhorar a eficiência e vê o impacto da AI in agriculture visitando as nossas páginas de soluções!