Руководство по отслеживанию движущихся объектов в видео с помощью моделей Ultralytics YOLO

Роботы, собирающие электрические компоненты, системы, выявляющие превышение скорости автомобилями, и интеллектуальные решения для розничной торговли, отслеживающие поведение покупателей, — все эти инновации основаны на компьютерном зрении. Это область искусственного интеллекта (AI), которая помогает машинам анализировать изображения и видео и понимать их.

Например, роботу нужно распознавать и отслеживать различные детали, чтобы правильно соединять их. Система управления дорожным движением может использовать компьютерное зрение для обнаружения автомобилей, распознавания номерных знаков и выявления превышения скорости. А в магазинах Vision AI помогает отслеживать, на какие товары покупатели смотрят и какие берут с полок, а также контролировать запасы.

Такие решения работают на моделях компьютерного зрения, например Ultralytics YOLO11, которые поддерживают широкий спектр задач анализа изображений. Многие из этих задач направлены на получение информации из одного изображения, однако одна особенно интересная задача — отслеживание объектов — позволяет следить за перемещением объектов в серии изображений или видеокадров.

Рис. 1. Пример обнаружения и отслеживания автомобилей.

В этом руководстве мы подробнее разберем, как работает отслеживание объектов, и рассмотрим примеры его применения в реальных условиях. Также мы расскажем, как модели ИИ для компьютерного зрения, например Ultralytics YOLO11, поддерживают отслеживание объектов.

Подробнее о системах отслеживания объектов с помощью компьютерного зрения#

Отслеживание объектов — это задача компьютерного зрения, которая позволяет следить за перемещением объектов в видеокадрах и помогает системам наблюдать за изменениями и понимать их. Это похоже на то, как человек естественным образом следит глазами за движущимся человеком или предметом. Например, во время теннисного матча ты следишь за мячом, перемещающимся по корту.

Точно так же при отслеживании объектов камеры и ИИ следят за движением мяча в реальном времени. Эта технология помогает зрителям лучше понимать ход игры благодаря таким аналитическим данным, как скорость, траектория и положение игроков.

Хотя человеку такое визуальное отслеживание может казаться простым, в машинном зрении оно включает несколько этапов, выполняемых с помощью моделей Vision AI. Вот краткое описание того, как работает отслеживание объектов:

• Захват видео: Камеры записывают видео, фиксируя, как объекты перемещаются в сцене с течением времени.
• Обнаружение объектов: Модели компьютерного зрения на основе ИИ, такие как YOLO11, анализируют каждый кадр, чтобы обнаруживать конкретные объекты и определять их положение — например, людей, транспортные средства или товары.
• Присвоение идентификатора: после обнаружения объекта алгоритмы трекинга присваивают ему уникальный идентификатор, чтобы отслеживать его в нескольких кадрах и определять, что это тот же объект, даже когда он перемещается.
• Отслеживание движения: система отслеживает движение с течением времени, а эти данные можно использовать для сбора таких сведений, как скорость, направление и взаимодействие с другими объектами.
• Получение аналитических данных: эту информацию можно использовать в реальном времени для предоставления аналитики, помощи в принятии решений или создания визуальных наложений — в зависимости от конкретного сценария применения.

Сравнение обнаружения объектов и трекинга с YOLO#

Ещё одна задача компьютерного зрения, поддерживаемая Ultralytics YOLO11 и тесно связанная с трекингом объектов, — это обнаружение объектов. Давай разберём различия между этими двумя задачами.

Обнаружение объектов подразумевает выявление и локализацию интересующих объектов на одном изображении или видеокадре. Например, беспилотный автомобиль использует обнаружение объектов, чтобы распознать знак «Стоп» или пешехода на отдельном кадре, снятом бортовыми камерами. Оно отвечает на вопрос: «Что изображено на этом кадре и где это находится?» Однако оно не сообщает, куда объект переместится дальше.

Трекинг объектов дополняет обнаружение объектов пониманием того, как объекты движутся с течением времени. Главное различие между этими задачами — в том, как они обрабатывают время и движение. При обнаружении объектов каждый кадр рассматривается как отдельный снимок, а трекинг объектов связывает кадры между собой и использует данные предыдущих кадров, чтобы предсказать будущее положение объекта.

Объединяя эти задачи, можно создавать мощные системы Vision AI, способные отслеживать объекты в реальном времени в динамичных условиях. Например, автоматизированная система безопасности может обнаруживать людей, входящих в помещение, и непрерывно отслеживать их перемещения в кадре.

Трекинг в реальном времени с моделями Ultralytics YOLO#

Теперь, когда мы разобрали различия между обнаружением объектов и трекингом, давай посмотрим, как модели Ultralytics YOLO, например YOLO11, поддерживают трекинг объектов в реальном времени.

Модели YOLO сами по себе не являются алгоритмами трекинга, но играют важную роль, обнаруживая объекты в каждом видеокадре. После обнаружения объектов алгоритмы трекинга присваивают им уникальные идентификаторы, позволяя системе отслеживать их перемещение от кадра к кадру.

Для этого в пакете Ultralytics для Python обнаружение объектов объединено с популярными алгоритмами отслеживания, такими как BoT-SORT и ByteTrack. Благодаря интеграции пользователи могут одновременно запускать обнаружение и отслеживание, практически не прибегая к настройке.

Используя модели YOLO для отслеживания объектов, ты можешь выбрать алгоритм отслеживания в зависимости от требований приложения. Например, BoT-SORT подходит для отслеживания объектов, которые движутся непредсказуемо, благодаря прогнозированию движения и глубокому обучению. ByteTrack, напротив, особенно хорошо работает в загруженных сценах и надежно отслеживает объекты, даже если они размыты или частично скрыты.

Рис. 2. Пакет Ultralytics для Python объединяет BoT-SORT и ByteTrack.

Как обучение пользовательской модели YOLO связано с трекингом объектов?#

Пользовательское обучение — это процесс дообучения предварительно обученной модели обнаружения объектов, например Ultralytics YOLO11, на конкретном наборе данных, чтобы она распознавала объекты, отсутствующие в стандартных наборах данных. Это особенно важно, если система отслеживания должна следить за уникальными или редкими объектами.

Системы трекинга сначала полагаются на модель обнаружения, которая распознаёт объект. Если модель YOLO не может обнаружить определённый объект, например конкретный вид оборудования или вид дикой природы, алгоритм трекинга не сможет его отслеживать.

Поэтому пользовательское обучение необходимо: оно позволяет модели обнаружения точно распознавать объекты, которые нужно отслеживать.

Важно помнить, что в ходе этого процесса дообучают только модель обнаружения. Алгоритмы отслеживания, такие как BoT-SORT и ByteTrack, отдельно не обучают: они просто используют результаты работы модели YOLO, чтобы следить за обнаруженными объектами в последовательности кадров.

Применение трекинга объектов с Ultralytics YOLO#

Теперь, когда мы лучше понимаем, что такое трекинг объектов и как он работает, давай рассмотрим примеры из реальной жизни, где эта технология уже приносит пользу.

Трекинг в реальном времени с Ultralytics YOLO для оценки скорости#

Системы оценки скорости на основе компьютерного зрения используют такие задачи, как обнаружение объектов и трекинг. Они предназначены для расчёта скорости движения объекта — будь то автомобиль, велосипедист или даже человек. Эти данные важны для множества приложений: от управления дорожным движением до мониторинга безопасности и промышленной автоматизации.

С помощью такой модели, как Ultralytics YOLO11, объекты можно обнаруживать и отслеживать в последовательности видеокадров. Анализируя расстояние, которое объект проходит за определённый промежуток времени, система может оценить его скорость.

Рис. 3. Использование поддержки трекинга объектов в YOLO11 для оценки скорости.

Трекинг объектов в промышленном производстве#

Производственные процессы могут быть быстрыми и очень сложными, поэтому вручную уследить за каждым выпускаемым изделием непросто. Трекинг объектов помогает автоматизировать мониторинг продукции на каждом этапе производства. Это позволяет фабрикам поддерживать высокий уровень точности и эффективности, не замедляя работу.

Трекинг объектов позволяет считать продукцию на конвейере, выявлять дефекты и проверять правильность сборки, обеспечивая контроль над задачами, которые иначе отнимали бы много времени или приводили к ошибкам. Эта технология особенно полезна в отраслях с большими объёмами производства, например в пищевой промышленности, электронике и упаковочном производстве, где скорость и точность имеют решающее значение.

Рис. 4. Пример трекинга и подсчёта продуктов питания на сборочной линии с помощью Ultralytics YOLO11.

Обзор трекинга объектов в розничной аналитике#

Каждый день множество покупателей посещают розничные магазины, и понимание их поведения играет ключевую роль в улучшении клиентского опыта и бизнес-показателей. Трекинг объектов позволяет розничным компаниям отслеживать поток посетителей, измерять время пребывания и анализировать закономерности перемещения — без навязчивых или ручных методов.

Отслеживая перемещения людей при входе, выходе и внутри магазина, компании могут получать данные о часах пик, популярных зонах и даже длине очередей. Эти данные помогают принимать решения о численности персонала, планировке магазина и размещении товаров, повышая эффективность работы и увеличивая продажи.

Рис. 5. Использование возможностей трекинга объектов в Ultralytics YOLO11 для отслеживания входящих в магазин и выходящих из него людей.

Преимущества и недостатки трекинга объектов#

От розничных магазинов до заводских цехов — трекинг объектов применяют в самых разных отраслях, чтобы повышать эффективность и безопасность, а также улучшать общий опыт. Вот некоторые ключевые преимущества, которые трекинг объектов может дать разным отраслям:

• Позволяет отправлять оповещения в реальном времени: системы с интегрированным трекингом объектов можно настроить так, чтобы они автоматически отправляли оповещения при обнаружении необычной ситуации, например когда человек входит в запретную зону или доставка слишком долго остаётся без присмотра.
• Интеграция с другими системами: данные отслеживания объектов можно объединить с другими технологиями, например с распознаванием лиц, тепловизионными камерами или системами учета запасов, чтобы получить более полную информацию.
• Экономически выгодно в долгосрочной перспективе: первоначальная настройка может потребовать вложений, но автоматизированный трекинг сокращает потребность в ручном труде, снижает количество ошибок и со временем уменьшает операционные расходы.

Хотя эти преимущества показывают, как трекинг объектов положительно влияет на разные сценарии применения, важно учитывать и сложности его внедрения. Давай подробнее рассмотрим некоторые ограничения трекинга объектов:

• Сложности в условиях большого скопления людей: в оживлённых местах, например на концертах, в торговых центрах или на городских улицах, системам трекинга бывает сложно различать близко расположенных людей или объекты, что приводит к путанице и неточным результатам.
• Зависимость от условий окружающей среды: недостаточное освещение, туман, быстрое движение или дрожание камеры могут снизить точность трекинга объектов, особенно на улице и в неконтролируемых условиях.
• Вопросы конфиденциальности и законодательства: ненадлежащая обработка персональных данных, отсутствие согласия пользователей или видеонаблюдение в общественных местах могут вызвать этические проблемы и привести к нарушению законов о защите конфиденциальности.

Главные выводы#

Трекинг объектов — это задача компьютерного зрения, которая позволяет машинам отслеживать перемещение объектов с течением времени. Его применяют в самых разных ситуациях: от оценки скорости автомобилей и подсчёта продукции на сборочной линии до анализа перемещений игроков в спорте.

Благодаря моделям ИИ для компьютерного зрения, таким как Ultralytics YOLO11, и алгоритмам отслеживания, например BoT-SORT и ByteTrack, отслеживание объектов стало быстрее, интеллектуальнее и доступнее для разных отраслей. По мере развития технологий отслеживания объектов системы становятся умнее, эффективнее и быстрее реагируют — кадр за кадром.

Хочешь узнать больше о компьютерном зрении и ИИ? Загляни в наш репозиторий на GitHub, присоединяйся к нашему сообществу и ознакомься с вариантами лицензирования, чтобы начать свой проект в области компьютерного зрения. Если тебя интересуют такие инновации, как ИИ в производстве и компьютерное зрение в автомобильной отрасли, узнай больше на страницах наших решений.