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

Роботы, способные собирать электрические компоненты, системы, фиксирующие превышение скорости автомобилями, и интеллектуальные решения для розничной торговли, отслеживающие покупательское поведение, — все эти инновации используют компьютерное зрение. Это направление искусственного интеллекта (AI), которое помогает машинам анализировать и понимать изображения и видео.

Например, роботу нужно распознавать и отслеживать различные детали, чтобы правильно их собрать. Аналогично, дорожная система может использовать компьютерное зрение для обнаружения автомобилей, чтения номерных знаков и определения случаев превышения скорости. А в магазинах ИИ для компьютерного зрения помогает отслеживать, на какие товары смотрят покупатели и какие товары они берут, а также контролировать запасы.

Такие приложения работают на моделях компьютерного зрения, например Ultralytics YOLO11, которые поддерживают широкий спектр визуальных задач. Многие из этих задач связаны с получением информации из одного изображения, но одна особенно интересная задача — отслеживание объектов — позволяет отслеживать перемещение объектов по серии изображений или видеокадров.

Рис. 1. Пример обнаружения и отслеживания автомобилей.

В этом руководстве мы подробнее рассмотрим, как работает отслеживание объектов, и разберём реальные примеры его применения. Мы также обсудим, как модели ИИ для компьютерного зрения, такие как Ultralytics YOLO11, поддерживают отслеживание объектов. Давайте начнём!

Подробнее о системах отслеживания на основе компьютерного зрения#

Отслеживание объектов — это задача компьютерного зрения, предназначенная для отслеживания перемещения объектов между видеокадрами и помогающая системам контролировать и понимать изменения во времени. Это очень похоже на то, как люди естественным образом следят глазами за движущимся человеком или объектом: например, во время просмотра теннисного матча глаза отслеживают мяч, когда он перемещается туда и обратно по корту.

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

Хотя такое визуальное отслеживание может казаться человеку effortless, в машинном зрении оно включает ряд этапов, реализуемых с помощью моделей ИИ для компьютерного зрения. Ниже приведено простое объяснение того, как работает отслеживание объектов:

• Захват видео: камеры записывают видеоматериал, фиксируя перемещение объектов в сцене во времени.
• Обнаружение объектов: оснащённые ИИ модели компьютерного зрения, такие как YOLO11, могут анализировать каждый кадр, чтобы распознавать и определять местоположение конкретных объектов, например людей, транспортных средств или товаров.
• Назначение идентификатора: после обнаружения объекта алгоритмы отслеживания назначают ему уникальный ID, чтобы отслеживать его в нескольких кадрах и гарантировать, что система распознаёт один и тот же объект даже во время его перемещения.
• Мониторинг перемещения: система отслеживает перемещение во времени, а эти данные можно использовать для сбора таких показателей, как скорость, направление и взаимодействия с другими объектами.
• Формирование аналитических выводов: эту информацию можно использовать в реальном времени для предоставления аналитики, поддержки принятия решений или создания визуальных наложений — в зависимости от конкретного сценария использования.

Сравнение обнаружения и отслеживания объектов с YOLO#

Ещё одна тесно связанная с отслеживанием объектов задача компьютерного зрения, поддерживаемая Ultralytics YOLO11, — это обнаружение объектов. Давайте рассмотрим различия между этими двумя задачами.

Обнаружение объектов включает идентификацию и определение местоположения интересующих объектов на одном изображении или видеокадре. Например, беспилотный автомобиль использует обнаружение объектов, чтобы распознать знак «Стоп» или пешехода на одном кадре, снятом бортовыми камерами. Эта технология отвечает на вопрос: «Что находится на этом изображении и где именно?». Однако она не сообщает, куда объект переместится дальше.

Отслеживание объектов расширяет возможности обнаружения объектов, добавляя понимание перемещения во времени. Ключевое различие между этими задачами заключается в работе со временем и движением. Обнаружение объектов рассматривает каждый кадр как независимый снимок, тогда как отслеживание объектов связывает кадры между собой и использует предыдущие данные для прогнозирования будущего положения объекта.

Объединив оба подхода, мы можем создавать мощные системы ИИ для компьютерного зрения, способные отслеживать объекты в реальном времени в динамичных условиях. Например, автоматизированная система безопасности может обнаруживать людей, входящих в помещение, и непрерывно отслеживать их перемещение в кадре.

Отслеживание в реальном времени с использованием моделей Ultralytics YOLO#

Теперь, когда мы рассмотрели различия между обнаружением и отслеживанием объектов, давайте 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 важную роль, обнаруживая объекты в каждом видеокадре. После обнаружения объектов алгоритмы отслеживания назначают им уникальные ID, что позволяет системе отслеживать их перемещение от кадра к кадру.

Чтобы решить эту задачу, пакет Ultralytics для Python бесшовно интегрирует обнаружение объектов с популярными алгоритмами отслеживания, такими как BoT-SORT и ByteTrack. Благодаря этой интеграции пользователи могут запускать обнаружение и отслеживание одновременно с минимальной настройкой.

При использовании моделей YOLO для отслеживания объектов можно выбрать алгоритм отслеживания с учётом требований приложения. Например, BoT-SORT хорошо подходит для отслеживания объектов, движущихся непредсказуемо, благодаря использованию прогнозирования движения и глубокого обучения. ByteTrack, напротив, особенно хорошо работает в переполненных сценах, сохраняя надёжное отслеживание даже при размытии или частичном перекрытии объектов.

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

Как обучение пользовательской модели YOLO связано с отслеживанием объектов?#

Пользовательское обучение — это процесс дообучения предварительно обученной модели обнаружения объектов, например Ultralytics YOLO11, на конкретном наборе данных, чтобы она могла распознавать объекты, отсутствующие в стандартных наборах данных. Это особенно важно, когда системе отслеживания необходимо работать с пользовательскими или необычными объектами.

Системы отслеживания сначала полагаются на модель обнаружения, которая распознаёт объект. Если модель YOLO не может обнаружить определённый объект, например конкретный тип оборудования или вид диких животных, алгоритм отслеживания не сможет за ним следить.

Поэтому пользовательское обучение так важно: оно гарантирует, что модель обнаружения сможет 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 на пользовательских данных — они просто используют выходные данные модели YOLO для отслеживания обнаруженных объектов в последовательности кадров.

Применение отслеживания объектов с Ultralytics YOLO#

Теперь, когда мы лучше понимаем, что такое отслеживание объектов и как оно работает, давайте рассмотрим реальные сценарии применения, в которых эта технология уже приносит пользу.

Отслеживание в реальном времени с использованием Ultralytics YOLO для оценки скорости#

Системы оценки скорости на основе компьютерного зрения зависят от таких задач, как обнаружение и отслеживание объектов. Эти системы предназначены для расчёта скорости перемещения объекта — будь то транспортное средство, велосипедист или даже человек. Эта информация важна для самых разных 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 период времени, система может оценить его скорость.

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

Изучение отслеживания объектов в производстве#

Производственные процессы могут быть быстрыми и чрезвычайно сложными, поэтому вручную отслеживать каждый выпускаемый объект трудно. Отслеживание объектов помогает автоматизировать мониторинг продукции по мере её прохождения через каждый этап производства. Это позволяет заводам поддерживать высокий уровень точности и эффективности без замедления процессов.

От подсчёта товаров на конвейере до обнаружения дефектов или проверки правильности сборки — отслеживание объектов обеспечивает видимость и контроль над задачами, которые в противном случае отнимали бы много времени или приводили к ошибкам. Эта технология особенно эффективна в таких отраслях с большими объёмами производства, как пищевая промышленность, электроника и упаковка, где критически важны скорость и точность.

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

Обзор отслеживания объектов в аналитике розничной торговли#

Каждый день бесчисленное количество покупателей входит в розничные магазины и выходит из них, поэтому понимание их поведения крайне важно для улучшения как покупательского опыта, так и результатов бизнеса. Отслеживание объектов позволяет ритейлерам контролировать поток посетителей, измерять время пребывания и анализировать модели перемещения — без необходимости в навязчивых или ручных методах.

Отслеживая людей при входе, выходе и перемещении по магазину, компании могут получать информацию о часах пик, популярных зонах и даже длине очередей. Эти данные помогают принимать решения о численности персонала, планировке магазина и размещении запасов, что в итоге приводит к более эффективным операциям и росту продаж.

Рис. 5. Использование возможностей Ultralytics YOLO11 по отслеживанию объектов для мониторинга входящих в магазин и выходящих из него людей.

Преимущества и недостатки отслеживания объектов#

От розничных магазинов до производственных цехов отслеживание объектов используется в самых разных отраслях для повышения эффективности, безопасности и общего качества обслуживания. Ниже перечислены некоторые ключевые преимущества, которые отслеживание объектов может дать различным отраслям:

• Позволяет создавать оповещения в реальном времени: системы, интегрированные с отслеживанием объектов, можно настроить на автоматическую отправку оповещений при обнаружении чего-либо необычного, например человека в закрытой зоне или слишком долго оставленной в одном месте доставки.
• Интегрируется с другими системами: данные отслеживания объектов можно объединять с другими технологиями, такими как распознавание лиц, тепловизионные камеры или системы управления запасами, чтобы получать ещё более ценные аналитические данные.
• Экономично в долгосрочной перспективе: хотя первоначальная настройка может потребовать инвестиций, автоматизированное отслеживание снижает потребность в ручном труде, уменьшает количество ошибок и со временем сокращает операционные расходы.

Хотя эти преимущества показывают, как отслеживание объектов положительно влияет на разные сценарии использования, важно также учитывать сложности его внедрения. Давайте подробнее рассмотрим некоторые ограничения отслеживания объектов:

• Сложности в переполненных пространствах: в местах с большим скоплением людей, таких как концерты, торговые центры или городские улицы, системам отслеживания может быть трудно различать близко расположенных людей или объекты, что приводит к путанице или неточным результатам.

• Зависимость от условий окружающей среды: плохое освещение, туман, быстрое движение или дрожание камеры могут влиять на способность системы точно отслеживать объекты, особенно на улице или в неконтролируемых условиях.

• Вопросы конфиденциальности и законодательства: ненадлежащее обращение с персональными данными, отсутствие согласия пользователей или наблюдение в общественных местах могут вызывать этические проблемы и приводить к несоблюдению законов о конфиденциальности.

Основные выводы#

Отслеживание объектов — это задача компьютерного зрения, которая позволяет машинам следить за перемещением объектов во времени. Она используется в самых разных реальных сценариях: 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, таким как BoT-SORT и ByteTrack, отслеживание объектов стало более быстрым, интеллектуальным и доступным для разных отраслей. По мере развития технологии отслеживания объектов она помогает системам становиться более интеллектуальными, эффективными и оперативными — кадр за кадром.

Хочешь узнать больше о компьютерном зрении и ИИ? Изучи наш репозиторий на GitHub, присоединяйся к нашему сообществу и ознакомься с вариантами лицензирования, чтобы начать свой проект в области компьютерного зрения. Если ты изучаешь такие инновации, как ИИ в производстве и компьютерное зрение в автомобильной отрасли, посети наши страницы решений, чтобы узнать больше.