Seguimento de objectos

Como funciona o seguimento de objectos

O rastreio de objectos começa normalmente por detetar objectos na imagem inicial utilizando um detetor de objectos, como um Ultralytics YOLO da Ultralytics. Assim que um objeto é detectado, muitas vezes representado por uma caixa delimitadora, o algoritmo de seguimento atribui-lhe uma ID única. Nas imagens seguintes, o algoritmo prevê a nova localização do objeto com base no seu estado anterior, que pode incluir caraterísticas de posição, velocidade e aspeto. Esta previsão envolve frequentemente técnicas como a estimativa de movimento. O sistema associa então os objectos recém-detectados na imagem atual aos objectos rastreados existentes, actualizando as suas trajectórias e mantendo as suas identificações únicas.

Este processo tem de lidar com vários desafios, incluindo objectos que ficam temporariamente ocultos (oclusão), alterações na aparência dos objectos, interações complexas entre vários objectos e variações na iluminação ou no ponto de vista da câmara. As técnicas comuns usadas para lidar com isso incluem métodos de filtragem como o Filtro de Kalman (KF) para previsão e associação de movimento, e abordagens mais avançadas de aprendizado profundo (DL) como SORT (Simple Online and Realtime Tracking) e DeepSORT, que combinam recursos de movimento e aparência para um rastreamento mais robusto. Os modelos Ultralytics suportam vários rastreadores disponíveis para implementar essas técnicas. O tratamento eficaz da oclusão é crucial para manter a continuidade do rastreamento.

Principais diferenças em relação a conceitos relacionados

É importante distinguir o seguimento de objectos de outras tarefas relacionadas com a visão computacional:

• Deteção de objetos: Identifica e localiza objectos (normalmente com caixas delimitadoras) dentro de uma única imagem ou fotograma. Responde a "Que objectos estão onde neste fotograma?" O seguimento de objectos baseia-se na deteção, adicionando a dimensão temporal, respondendo "Para onde se moveu este objeto específico ao longo do tempo?"
• Classificação de imagens: Atribui um único rótulo a uma imagem inteira (por exemplo, "contém um gato"). Não localiza objectos nem os segue.
• Segmentação de imagens: Atribui uma etiqueta de classe a cada pixel de uma imagem. Embora a segmentação de instâncias distinga diferentes instâncias de objectos, a segmentação padrão não rastreia estas instâncias através de fotogramas. Combinar a segmentação de instâncias com o seguimento(segmentação de instâncias e seguimento) é uma tarefa relacionada, mas mais complexa, que fornece máscaras ao nível do pixel para objectos seguidos.

Aplicações no mundo real

O seguimento de objectos, especificamente o seguimento de objectos múltiplos (MOT), é crucial para inúmeras aplicações de IA no mundo real:

• Veículos autónomos: Essencial para seguir peões, ciclistas e outros veículos para prever o seu movimento, permitindo uma navegação segura e evitar colisões. Esta capacidade é fundamental para atingir níveis mais elevados de automatização da condução e potencia muitas soluções de IA em carros autónomos.
• Vigilância por vídeo e segurança: Monitorização de pessoas ou veículos em áreas sensíveis, deteção de comportamentos invulgares e ativação de alertas automáticos. Os exemplos incluem a criação de um sistema de alarme de segurança ou a utilização de câmaras de segurança com IA para proteção do perímetro.
• Análise de retalho: Acompanhar os percursos dos clientes nas lojas para otimizar a disposição, analisar os tempos de permanência, efetuar a gestão automatizada de filas e compreender os padrões de compras para melhorar as experiências dos clientes em IA no retalho.
• Análise desportiva: Seguir os jogadores e a bola durante os jogos fornece dados valiosos para análise de desempenho, planejamento tático e geração de destaques automatizados. Saiba mais sobre visão computacional em esportes.
• Robótica: Permite aos robôs seguir e interagir com objectos ou pessoas em ambientes dinâmicos, o que é crucial para tarefas como o fabrico colaborativo ou a navegação autónoma em armazéns.
• Monitorização da vida selvagem: Seguir animais de forma não invasiva para estudar o comportamento, os padrões de migração e o tamanho das populações, ajudando nos esforços de conservação. Os modelos Ultralytics como o YOLOv8 têm sido utilizados para a monitorização de animais.
• Gestão do tráfego: Monitorização do fluxo de veículos, contagem de veículos em regiões específicas(contagem de regiões) e deteção de incidentes para uma infraestrutura urbana mais inteligente(IA na gestão do tráfego).

Ferramentas e implementação

A implementação do seguimento de objectos envolve frequentemente a combinação de modelos de deteção de objectos com algoritmos de seguimento. Bibliotecas populares como a OpenCV fornecem funcionalidades básicas de seguimento. Frameworks como o PyTorch e TensorFlow são utilizadas para construir e treinar os modelos de deteção subjacentes. Ultralytics simplifica este processo integrando capacidades de rastreio diretamente nos seus modelos, como o YOLO11. Os utilizadores podem facilmente ativar o rastreio utilizando o modo de rastreio dedicado. Para gerir todo o fluxo de trabalho, desde a anotação de dados até à implementação, plataformas como o Ultralytics HUB oferecem ferramentas abrangentes. Podes seguir guias como o guia de seguimento de objectosYOLO11 para começar.