Como calcular distâncias com modelos de visão computacional?

Quando você está atravessando a rua e vê um carro vindo em sua direção, consegue estimar instantaneamente a distância até ele. Essa avaliação rápida, quase instintiva, é possível graças à compreensão espacial do que está ao seu redor. Com base nessa percepção, você pode decidir se deve acelerar o passo, parar ou continuar andando.

Da mesma forma, a visão computacional é um ramo da inteligência artificial (AI) que permite às máquinas compreender o ambiente ao redor por meio da interpretação de dados visuais. Assim como você consegue avaliar a proximidade de um carro para tomar decisões rápidas, os modelos de visão computacional podem analisar imagens e vídeos, ajudando as máquinas a perceber e reagir ao mundo ao redor.

Por exemplo, o Ultralytics YOLO11 é um modelo de visão computacional capaz de detectar e rastrear objetos em imagens e vídeos em tempo real. Em termos simples, o YOLO11 analisa a imagem inteira de uma só vez, em vez de dividi-la em partes, o que o torna mais rápido e eficiente. O modelo também pode executar tarefas de visão computacional, como segmentação de instâncias, estimativa de pose e classificação de imagens.

Em particular, os recursos do Ultralytics YOLO11 podem ser usados para calcular a distância entre objetos, algo útil em 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 o cálculo de distância em aplicações de visão computacional, por que esse recurso é importante e seu impacto em diferentes setores.

Fig. 1. Um exemplo de uso do YOLO para calcular a distância de pouso de um avião.

Visão geral do cálculo de distância em visão computacional#

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

Para converter medidas em pixels em distâncias reais, a calibração é essencial. Você pode imaginá-la como o uso de uma régua para medir algo e, em seguida, usar essa medida para entender o tamanho de outros objetos. Ao usar como referência objetos de tamanho conhecido, a calibração estabelece uma relação entre os pixels e as distâncias físicas reais.

Vamos ver um exemplo para entender como isso funciona. Na imagem abaixo, a moeda é o objeto de referência e seu tamanho é conhecido (0,9 pol. por 1,0 pol.). Comparando as medidas em pixels dos outros objetos com o tamanho da moeda, podemos calcular o tamanho real deles.

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

No entanto, o cálculo de distância é realizado em um plano bidimensional (2D), ou seja, mede apenas as distâncias horizontais e verticais entre os objetos. Isso difere da estimativa de profundidade, que mede a distância dos objetos no espaço tridimensional, incluindo a distância deles em relação à câmera.

Embora as câmeras de profundidade possam medir a profundidade real e fornecer informações espaciais mais detalhadas, em muitos casos basta uma distância simples calibrada. Por exemplo, saber a distância entre objetos em um plano 2D funciona bem para tarefas como rastrear objetos ou gerenciar filas; nessas situações, não é necessário estimar a profundidade.

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

A seguir, vamos explicar como calcular a distância entre dois objetos usando o suporte do Ultralytics YOLO11 à detecção de objetos e ao rastreamento. Veja as etapas:

• Deteção e rastreamento de objetos: o Ultralytics YOLO11 pode ser usado para detetar objetos, reconhecendo-os num quadro, e rastrear os seus movimentos ao longo dos quadros de um vídeo. Atribui um ID de rastreamento exclusivo a cada objeto, permitindo que o sistema monitorize a posição e o movimento de cada um ao longo do vídeo.
• Caixas delimitadoras: As caixas delimitadoras são desenhadas ao redor dos objetos detectados com base nos resultados da detecção de objetos do Ultralytics YOLO11, que definem a localização dos objetos na imagem.
• Seleção de objetos: É possível selecionar dois objetos para acompanhar, e o Ultralytics YOLO11 atualiza as caixas delimitadoras à medida que eles 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 e representam as posições dos objetos.
• Cálculo de distância: Os centroides dos dois objetos podem ser usados para calcular a distância euclidiana entre eles. A distância euclidiana é a distância em linha reta entre dois pontos em um plano 2D, calculada com base nas diferenças nas direções horizontal e vertical. Isso fornece a distância entre os dois objetos em pixels.

É importante ter em mente que as distâncias calculadas com esse método são apenas estimativas, pois se baseiam em medidas de pixels 2D.

Fig. 3. Uso do Ultralytics YOLO para detectar uma pessoa e calcular distâncias.

O impacto da estimativa de distância com YOLO#

Considerando que o cálculo de distâncias com o Ultralytics YOLO11 é uma estimativa, talvez você esteja se perguntando: onde ele pode ser usado e que diferença pode fazer?

Como as estimativas de distância são obtidas por meio de calibrações, elas 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 sempre em movimento e são necessários ajustes em tempo real para manter tudo funcionando sem problemas.

Um exemplo interessante é usar o YOLO11 para rastrear pacotes em uma esteira transportadora e estimar a distância entre eles em tempo real. Isso ajuda os responsáveis pelo armazém a garantir que os pacotes estejam devidamente espaçados, evitando colisões e mantendo tudo funcionando sem problemas.

Nesses casos, nem sempre é necessária uma distância exata. Normalmente, define-se um intervalo ou limite para a distância ideal, então uma estimativa funciona bem para esse tipo de aplicação.

Fig. 4. Detecção de pacotes com o Ultralytics YOLO11 e cálculo da 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 com o Ultralytics YOLO11. Na análise de varejo, por exemplo, esse recurso ajuda a aprimorar o gerenciamento de filas ao rastrear a posição dos clientes em tempo real. Isso permite que as empresas aloquem melhor os recursos, reduzam o tempo de espera e proporcionem uma experiência de compra mais fluida. Ao ajustar dinamicamente o número de funcionários e gerenciar o fluxo de clientes, as lojas podem evitar aglomerações e otimizar o uso do espaço.

Da mesma forma, na gestão de tráfego, a estimativa de distância ajuda a monitorar o espaçamento entre veículos e analisar padrões de tráfego. Esse recurso pode ser usado para detectar comportamentos perigosos, como dirigir muito próximo ao veículo da frente, e ajustar os semáforos para manter o fluxo do trânsito. Ele pode ajudar a tornar as estradas mais seguras ao identificar possíveis problemas e melhorar a gestão geral do tráfego em tempo real.

Fig. 5. O cálculo de distância com visão computacional pode ser usado para monitorar o tráfego.

Outro uso singular dessa tecnologia ocorreu durante a pandemia de COVID-19, quando ela ajudou a promover o distanciamento social. A tecnologia garantiu que as pessoas mantivessem uma distância segura em espaços públicos, lojas e hospitais, reduzindo o risco de transmissão do vírus.

Ao rastrear as distâncias em tempo real, era possível enviar alertas quando as pessoas estavam próximas demais, facilitando a resposta rápida de empresas e prestadores de serviços de saúde e ajudando a manter um ambiente mais seguro para todos.

Prós e contras do cálculo de distância em visão computacional#

Agora que discutimos algumas aplicações do cálculo de distância com visão computacional, veja mais de perto os benefícios dessa abordagem:

• Automação: A Vision AI pode automatizar tarefas de cálculo de distância que, de outra forma, exigiriam rastreamento manual, reduzindo erros humanos e 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 funcionários ou máquinas, reduzindo o desperdício e aprimorando os fluxos de trabalho.
• Baixa complexidade de configuração: Depois de configurados, os sistemas de cálculo de distância com visão computacional exigem relativamente pouca manutenção e menos intervenção humana do que outros sistemas que dependem de entrada manual ou máquinas complexas.

Apesar dessas vantagens, há também algumas limitações a considerar ao implementar esses sistemas. Veja rapidamente os principais fatores a ter em conta 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, causando possíveis erros ou inconsistências.
• Questões de privacidade: O uso da visão computacional 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 vários objetos: Em ambientes com muitos objetos em movimento, calcular com precisão as distâncias entre vários objetos ao mesmo tempo pode causar confusão, principalmente quando eles estão próximos ou se cruzam.

Principais conclusões#

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

O Ultralytics YOLO11 permite automatizar tarefas que normalmente exigiriam trabalho manual. Embora existam desafios, como a sensibilidade a fatores ambientais e as questões de privacidade, os benefícios, como automação, escalabilidade e facilidade de integração, tornam essa solução impactante. À medida que a visão computacional avança, especialmente em áreas como o cálculo de distância, é provável que vejamos uma verdadeira mudança na forma como as máquinas interagem com o ambiente e o compreendem.

Junte-se à nossa comunidade! Explore nosso repositório do GitHub para saber mais sobre Vision AI. Se você tem interesse em aproveitar a visão computacional, confira nossas opções de licenciamento. Saiba como a visão computacional na área da saúde está melhorando a eficiência e conheça o impacto da IA na agricultura em nossas páginas de soluções!