Руководство по отслеживанию движущихся объектов на видео с моделями Ultralytics YOLO

Роботы, собирающие электрические компоненты, системы, фиксирующие превышение скорости, и интеллектуальные розничные решения, отслеживающие поведение покупателей — все эти инновации основаны на компьютерном зрении. Это область искусственного интеллекта (ИИ), которая помогает машинам анализировать и понимать изображения и видео.

Например, роботу нужно распознавать и сопровождать различные детали, чтобы правильно их собрать. Точно так же система дорожного движения может использовать компьютерное зрение для обнаружения автомобилей, считывания номерных знаков и определения случаев превышения скорости. В то же время в магазинах ИИ-зрение помогает отслеживать, на что смотрят покупатели или что они берут, и даже контролировать наличие товаров на полках.

Подобные приложения работают на базе моделей компьютерного зрения, таких как Ultralytics YOLO11, которые поддерживают широкий спектр визуальных задач. Многие из этих задач направлены на получение данных из одного изображения, но одна особенно интересная задача, отслеживание объектов, позволяет следить за движением объектов по серии кадров или видео.

Рис. 1. Пример обнаружения и отслеживания автомобилей.

В этом руководстве мы подробнее разберем, как работает отслеживание объектов, и рассмотрим примеры его использования в реальных задачах. Мы также обсудим, как ИИ-модели, такие как Ultralytics YOLO11, поддерживают отслеживание объектов. Приступим!

Link to this sectionБолее пристальный взгляд на системы отслеживания на базе компьютерного зрения#

Отслеживание объектов — это задача компьютерного зрения, используемая для сопровождения движения объектов по кадрам видео, что помогает системам мониторить и понимать изменения с течением времени. Это очень похоже на то, как человек естественно следит за движущимся объектом или человеком глазами: например, когда ты смотришь теннисный матч, твои глаза следят за мячом, перемещающимся по корту.

Точно так же отслеживание объектов предполагает использование камер и ИИ для слежения за движением мяча в реальном времени. Эта технология дает зрителям лучшее понимание хода игры, особенно благодаря аналитике, такой как скорость, траектория и позиционирование игроков.

Хотя такое визуальное отслеживание кажется простым для человека, в машинном зрении оно включает ряд шагов, выполняемых ИИ-моделями. Вот краткое описание того, как работает отслеживание объектов:

• Захват видео: Камеры записывают видео, фиксируя движение объектов в сцене с течением времени.
• Обнаружение объектов: Модели компьютерного зрения на базе ИИ, такие как YOLO11, анализируют каждый кадр, чтобы идентифицировать и локализовать специфические объекты, такие как люди, транспортные средства или товары.
• Присвоение идентификатора: После обнаружения объекта алгоритмы отслеживания присваивают ему уникальный ID для сопровождения через несколько кадров, гарантируя, что система понимает: это один и тот же объект, даже когда он движется.
• Мониторинг движения: Система отслеживает движение во времени, и эти данные используются для сбора информации, такой как скорость, направление и взаимодействия с другими объектами.
• Генерация данных: Эта информация может использоваться в реальном времени для аналитики, поддержки принятия решений или создания визуальных наложений — в зависимости от конкретного сценария.

Link to this sectionСравнение обнаружения и отслеживания объектов с помощью YOLO#

Еще одна задача компьютерного зрения, поддерживаемая YOLO11, которая тесно связана с отслеживанием объектов, — это обнаружение объектов. Давай разберемся в различиях между этими задачами.

Обнаружение объектов включает идентификацию и локализацию целевых объектов в одном изображении или кадре видео. Например, беспилотный автомобиль использует обнаружение объектов, чтобы распознать знак «Стоп» или пешехода на одном кадре, полученном с камер. Оно отвечает на вопрос: «Что изображено на этом снимке и где оно находится?». Однако оно не дает информации о том, куда объект переместится дальше.

Отслеживание объектов дополняет обнаружение пониманием движения во времени. Ключевое различие между ними заключается в том, как они работают со временем и движением. Обнаружение объектов рассматривает каждый кадр как независимый снимок, тогда как отслеживание объектов соединяет данные между кадрами, используя историю для прогнозирования будущего положения объекта.

Совмещая обе технологии, мы можем создавать мощные системы ИИ-зрения, способные к отслеживанию в реальном времени в динамических средах. Например, автоматизированная система безопасности может обнаруживать людей, входящих в помещение, и непрерывно отслеживать их перемещение по кадру.

Link to this sectionОтслеживание в реальном времени с использованием моделей Ultralytics YOLO#

Теперь, когда мы разобрались в различиях между обнаружением и отслеживанием, давай посмотрим, как модели Ultralytics YOLO, например YOLO11, поддерживают отслеживание объектов в реальном времени.

Хотя модели YOLO сами по себе не являются алгоритмами отслеживания, они играют важнейшую роль в обнаружении объектов на каждом кадре. После того как объекты обнаружены, требуются алгоритмы отслеживания для присвоения им уникальных ID, что позволяет системе сопровождать их движение от кадра к кадру.

Чтобы решить эту задачу, пакет Ultralytics Python легко объединяет обнаружение объектов с популярными алгоритмами отслеживания, такими как BoT-SORT и ByteTrack. Эта интеграция позволяет запускать обнаружение и отслеживание вместе с минимальными настройками.

Используя модели YOLO для отслеживания, ты можешь выбрать алгоритм в зависимости от требований твоего приложения. Например, BoT-SORT — хороший вариант для объектов с непредсказуемым движением благодаря использованию прогнозирования движения и глубокого обучения. ByteTrack, в свою очередь, особенно эффективен в плотных сценах, сохраняя надежное отслеживание, даже если объекты размыты или частично скрыты.

Рис. 2. Пакет Ultralytics Python легко интегрирует BoT-SORT и ByteTrack.

Link to this sectionКак обучение пользовательских моделей YOLO связано с отслеживанием объектов?#

Пользовательское обучение — это процесс дообучения предобученной модели обнаружения, такой как YOLO11, на специфическом наборе данных, чтобы она могла распознавать объекты, не включенные в стандартные наборы. Это особенно важно, когда твоя система должна отслеживать специфические или редкие объекты.

Системы отслеживания полагаются на модель обнаружения, которая сначала должна распознать объект. Если модель YOLO не может обнаружить конкретный предмет, например, определенный тип оборудования или вид животных, алгоритм отслеживания не сможет его сопровождать.

Именно поэтому пользовательское обучение необходимо: оно гарантирует, что модель обнаружения будет точно идентифицировать объекты, которые ты хочешь отслеживать.

Также важно помнить, что в этом процессе дообучается только модель обнаружения. Алгоритмы отслеживания, такие как BoT-SORT или ByteTrack, не обучаются специально — они просто используют вывод модели YOLO для сопровождения обнаруженных объектов на кадрах.

Link to this sectionПрименение отслеживания объектов с Ultralytics YOLO#

Теперь, когда у нас есть лучшее понимание того, что такое отслеживание объектов и как оно работает, давай исследуем некоторые реальные приложения, где эта технология приносит пользу.

Link to this sectionОтслеживание в реальном времени с использованием Ultralytics YOLO для оценки скорости#

Системы оценки скорости, работающие на базе компьютерного зрения, зависят от таких задач, как обнаружение и отслеживание объектов. Эти системы созданы для расчета скорости движения объекта — будь то транспортное средство, велосипедист или даже человек. Эта информация критически важна для множества приложений: от управления движением до мониторинга безопасности и промышленной автоматизации.

Используя модель вроде Ultralytics YOLO11, объекты могут быть обнаружены и отслежены по видеокадрам. Анализируя, как далеко объект перемещается за определенный промежуток времени, система может оценить его скорость.

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

Link to this sectionИзучение отслеживания объектов в производстве#

Производственные процессы могут быть динамичными и крайне сложными, из-за чего вручную следить за каждым производимым товаром бывает трудно. Отслеживание объектов предлагает отличное решение для автоматизации контроля продукции на каждом этапе производства. Оно помогает фабрикам поддерживать высокие уровни точности и эффективности, не замедляя темп работы.

От подсчета товаров на конвейерной ленте до обнаружения дефектов или проверки правильности сборки — отслеживание объектов приносит прозрачность и контроль в задачи, которые иначе были бы трудоемкими или подверженными ошибкам. Эта технология особенно эффективна в высокопроизводительных отраслях, таких как пищевая промышленность, электроника и упаковка, где скорость и точность критичны.

Рис. 4. Пример отслеживания и подсчета пищевых продуктов на сборочной линии с использованием YOLO11.

Link to this sectionОбзор отслеживания объектов в розничной аналитике#

Бесчисленное множество покупателей каждый день посещают розничные магазины, и понимание их поведения — ключ к улучшению клиентского опыта и эффективности бизнеса. Отслеживание объектов позволяет ритейлерам мониторить поток посетителей, измерять время пребывания и анализировать паттерны перемещений — все это без инвазивных или ручных методов.

Отслеживая людей, когда они входят, выходят и перемещаются по магазину, компании могут получить данные о часах пик, популярных зонах и даже длине очередей. Эти инсайты могут помочь в решениях относительно штатного расписания, планировки магазина и расстановки товаров, что в итоге ведет к более эффективным операциям и росту продаж.

Рис 5. Использование возможностей отслеживания YOLO11 для мониторинга людей, входящих и выходящих из магазина.

Link to this sectionПлюсы и минусы отслеживания объектов#

От розничных магазинов до цехов заводов — отслеживание объектов используется во множестве отраслей для повышения эффективности, безопасности и общего качества обслуживания. Вот некоторые ключевые преимущества, которые отслеживание объектов приносит различным индустриям:

• Обеспечивает оповещения в реальном времени: Системы с интеграцией отслеживания объектов могут быть настроены на автоматическую отправку уведомлений при обнаружении чего-то необычного, например, если человек заходит в ограниченную зону или доставка оставлена на месте на слишком долгое время.
• Интегрируется с другими системами: Данные отслеживания объектов могут сочетаться с другими технологиями, такими как распознавание лиц, тепловизоры или системы учета товаров, для получения еще более глубокой аналитики.
• Экономически выгодно в долгосрочной перспективе: Хотя первоначальная настройка может потребовать инвестиций, автоматизированное отслеживание снижает потребность в ручном труде, уменьшает вероятность ошибок и сокращает операционные расходы с течением времени.

Хотя эти преимущества подчеркивают положительное влияние отслеживания объектов на разные сценарии, важно также учитывать сложности при его внедрении. Давай подробнее рассмотрим некоторые ограничения:

• Сложности в плотных средах: В людных местах, таких как концерты, торговые центры или улицы города, системы отслеживания могут испытывать трудности с различением людей или объектов, находящихся близко друг к другу, что ведет к путанице или неточным результатам.

• Чувствительность к условиям окружающей среды: Плохое освещение, туман, быстрое движение или тряска камеры могут повлиять на способность системы точно отслеживать объекты, особенно в условиях улицы или неконтролируемой среды.

• Вопросы приватности и законодательства: Ненадлежащее обращение с персональными данными, отсутствие согласия пользователя или наблюдение в общественных местах могут вызвать этические проблемы и привести к нарушению законов о конфиденциальности.

Link to this sectionОсновные выводы#

Отслеживание объектов — это задача компьютерного зрения, позволяющая машинам следить за движением объектов во времени. Она используется в широком спектре реальных сценариев — от оценки скорости транспорта и подсчета товаров на сборочной линии до анализа движений игроков в спорте.

С ИИ-моделями зрения вроде YOLO11 и алгоритмами отслеживания, такими как BoT-SORT и ByteTrack, отслеживание объектов стало быстрее, умнее и доступнее для различных отраслей. По мере развития технологий отслеживания они помогают системам становиться более интеллектуальными, эффективными и отзывчивыми, кадр за кадром.

Хочешь узнать больше о компьютерном зрении и ИИ? Исследуй наш GitHub-репозиторий, присоединяйся к нашему сообществу и ознакомься с нашими вариантами лицензирования, чтобы запустить свой проект в области компьютерного зрения. Если тебя интересуют такие инновации, как ИИ в производстве и компьютерное зрение в автомобильной отрасли, посети наши страницы с решениями, чтобы узнать больше.