Re-identificação de objectos (Re-ID)

A reidentificação de objetos (Re-ID) é uma tarefa especializada em visão computacional (CV) projetada para corresponder a um objeto ou indivíduo específico em diferentes visualizações de câmera não sobrepostas ou por longos períodos. Enquanto a detecção de objetos padrão se concentra em reconhecer a classe de uma entidade — identificando que uma imagem contém uma «pessoa» ou um «carro» —, a Re-ID vai um passo além, determinando qual pessoa ou carro específico é, com base na aparência visual. Essa capacidade é essencial para criar uma narrativa coesa de movimento em ambientes de grande escala, onde uma única câmara não consegue cobrir toda a área, conectando efetivamente os pontos entre observações visuais isoladas.

Como funciona a reidentificação

O principal desafio da Re-ID é manter a consistência da identidade, apesar das variações na iluminação, ângulos da câmara, pose e desordem do fundo. Para conseguir isso, o sistema normalmente emprega um pipeline de várias etapas envolvendo redes neurais profundas .

• Extração de características: assim que um objeto é detetado, uma rede neural convolucional (CNN) analisa o recorte da imagem para gerar um vetor de características, comumente conhecido como embedding. Esse vetor é uma representação numérica densa das características visuais exclusivas do objeto, como a textura da roupa ou a cor do veículo.
• Aprendizagem métrica: Os modelos subjacentes são treinados usando técnicas de aprendizagem métrica. O objetivo é garantir que as incorporações do mesmo objeto estejam matematicamente próximas no espaço vetorial, enquanto as incorporações de objetos diferentes sejam afastadas. Arquiteturas especializadas, como redes neurais siamesas, são frequentemente usadas para aprender essas relações.
• Correspondência de similaridade: Durante a implementação, o sistema compara a incorporação de um objeto de consulta com uma galeria de identidades armazenadas. Essa comparação geralmente envolve o cálculo da similaridade coseno ou da distância euclidiana. Se a pontuação de similaridade ultrapassar um limite predefinido, o sistema confirma uma correspondência.

Re-ID vs. Seguimento de objectos

É importante distinguir Re-ID de rastreamento de objetos, pois eles desempenham funções complementares, mas distintas em um pipeline de visão.

• Rastreamento de objetos: esse processo depende da continuidade temporal. Algoritmos como o Filtro de Kalman prevêem a localização futura de um objeto no quadro seguinte com base na sua velocidade e trajetória atuais. Ele costuma usar Intersection over Union (IoU) para associar detecções em quadros adjacentes.
• Reidentificação: A reidentificação é crucial quando a continuidade temporal é interrompida. Isso ocorre durante a oclusão — quando um objeto fica oculto atrás de um obstáculo — ou quando um objeto sai do campo de visão de uma câmara e entra em outro. A reidentificação restabelece a identidade com base na aparência, em vez do histórico de localização, permitindo um rastreamento robusto de múltiplos objetos (MOT).

Aplicações no Mundo Real

A capacidade de manter a identidade em visões desconexas permite análises sofisticadas em vários setores.

• Gestão de tráfego em cidades inteligentes: No contexto da IA em cidades inteligentes, o Re-ID permite que os sistemas municipais track veículo à medida que ele se move por uma rede de cruzamentos em toda a cidade. Isso ajuda a calcular os tempos médios de viagem e otimizar o tempo dos semáforos sem depender exclusivamente do reconhecimento de matrículas.
• Análise de clientes de retalho: os retalhistas utilizam o Re-ID para compreender o comportamento dos compradores. Ao ligar as localizações de um cliente em diferentes corredores, as lojas podem gerar mapas de calor dos percursos mais populares. Isto ajuda a otimizar o layout das lojas e os níveis de pessoal, fornecendo informações sobre toda a jornada do cliente, em vez de apenas interações isoladas.

Implementação do rastreamento com recursos de reidentificação

Os fluxos de trabalho modernos de IA de visão geralmente combinam detectores de alto desempenho com rastreadores que utilizam conceitos de Re-ID. O modelo YOLO26 pode ser integrado perfeitamente com rastreadores como o BoT-SORT, que aproveita recursos de aparência para manter track . Para usuários que desejam gerenciar seus conjuntos de dados e pipelines de treinamento com eficiência, Ultralytics oferece uma interface unificada para anotação e implantação.

O exemplo a seguir demonstra como realizar o rastreamento de objetos usando oPython Ultralytics Python , que gerencia a persistência de identidade automaticamente:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Track objects in a video file
# The 'persist=True' argument is vital for maintaining IDs across frames
# BoT-SORT is a tracker that can utilize appearance features for Re-ID
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    tracker="botsort.yaml",
    persist=True,
)

# Print the unique ID assigned to the first detected object in the first frame
if results[0].boxes.id is not None:
    print(f"Tracked Object ID: {results[0].boxes.id[0].item()}")

Para um desempenho robusto, o treino desses modelos requer dados de treino de alta qualidade. Técnicas como perda tripla são frequentemente empregadas durante o treino de submódulos Re-ID específicos para refinar o poder discriminatório das incorporações. Compreender as nuances de precisão e recuperação também é fundamental ao avaliar o quão bem um sistema Re-ID evita correspondências falsas.