Как использовать Ultralytics YOLO11 для отслеживания объектов

Представь, что ты хочешь отслеживать перемещение компонентов на сборочной линии на производственном предприятии, чтобы контролировать качество и повышать эффективность рабочих процессов. Обычно для этого проводят ручные проверки или используют простые датчики, чтобы отслеживать товары. Это может занимать много времени и приводить к ошибкам. Однако автоматизировать и улучшить этот процесс помогают компьютерное зрение и отслеживание объектов.

Отслеживание объектов — задача компьютерного зрения, которая помогает обнаруживать, идентифицировать и отслеживать объекты на видео. Её применяют в самых разных областях: от наблюдения за животными на фермах до обеспечения безопасности и видеонаблюдения в розничных магазинах. Объекты на видео обычно отображаются с помощью ограничивающих рамок, чтобы пользователь мог точно видеть, где они находятся и обнаруживаются в кадре.

Представленная на ежегодном гибридном мероприятии Ultralytics YOLO Vision 2024 (YV24), Ultralytics YOLO11 — модель компьютерного зрения, способная решать самые разные задачи ИИ в области зрения, включая отслеживание объектов. (Позднее YOLO11 сменила Ultralytics YOLO26.) В этой статье мы расскажем, как работает отслеживание объектов, и обсудим практические примеры его применения. Также посмотрим, как попробовать отслеживать объекты с помощью YOLO11. Начнём!

Рис. 1. Пример отслеживания объектов с помощью Ultralytics YOLO11 в розничном магазине.

Отслеживание объектов с помощью Ultralytics YOLO11 на базе ИИ#

Отслеживание объектов — важный метод компьютерного зрения. Он позволяет определять и отслеживать объекты на видео с течением времени. Отслеживание объектов может показаться очень похожим на другую задачу компьютерного зрения — обнаружение объектов. Главное различие между ними — в обработке видеокадров. Обнаружение объектов анализирует каждый кадр отдельно, идентифицируя объекты и определяя их классы без учёта предыдущих или последующих кадров. Отслеживание объектов, напротив, связывает кадры между собой, следит за одними и теми же объектами во времени и отслеживает их перемещения.

Вот более подробное описание того, как работает отслеживание объектов:

• Обнаружение объектов: сначала объекты обнаруживаются на одном видеокадре. YOLO11 можно использовать для точного определения нескольких объектов и их местоположения.
• Присвоение уникальных идентификаторов: каждому обнаруженному объекту присваивается уникальный ID, чтобы отличать его от остальных и упростить отслеживание.
• Отслеживание перемещений между кадрами: алгоритм отслеживания следует за объектами в последующих кадрах, обновляя их положение и сохраняя связь с уникальными ID.
• Обработка окклюзий: если объект временно исчезает из поля зрения (например, его заслоняет другой объект), трекер старается продолжить его отслеживание с тем же ID после появления.
• Обновление информации об объектах: по мере перемещения объектов система постоянно обновляет их местоположение и атрибуты, например скорость и направление, чтобы учитывать изменения во времени.

Ultralytics поддерживает отслеживание объектов в реальном времени с помощью таких алгоритмов, как BoT-SORT и ByteTrack. Система также совместима с моделями YOLO11 для сегментации и оценки позы, что делает её гибким инструментом для самых разных задач отслеживания.

Применение Ultralytics YOLO11 для отслеживания объектов#

Универсальные возможности модели Ultralytics YOLO11 открывают широкий спектр вариантов применения в разных отраслях. Давай подробнее рассмотрим несколько примеров использования YOLO11 для отслеживания объектов.

Отслеживание автономных транспортных средств с помощью Ultralytics YOLO11#

Отслеживание объектов крайне важно для безопасной и эффективной работы беспилотных автомобилей. Такие автомобили должны постоянно понимать, что происходит вокруг, чтобы принимать решения в реальном времени: останавливаться, поворачивать или менять полосу. Обнаружение объектов позволяет автомобилю распознавать ключевые элементы окружающей среды, например пешеходов, велосипедистов, другие автомобили и дорожные знаки. Однако для безопасного движения недостаточно обнаружить эти объекты в один конкретный момент.

Здесь на помощь приходит отслеживание объектов. Оно позволяет автомобилю следить за объектами во времени, отслеживая их перемещения в нескольких кадрах. Например, оно помогает автономным транспортным средствам предсказывать, куда направляется пешеход, следить за скоростью и направлением движения соседних автомобилей или распознавать, что светофор не сменил сигнал. Объединяя обнаружение и отслеживание, беспилотные автомобили могут предвидеть перемещения окружающих объектов, заранее реагировать и двигаться безопасно и плавно.

Рис. 2. Ultralytics YOLO11 можно использовать для обнаружения и отслеживания автомобилей.

Отслеживание животных с помощью Ultralytics YOLO11#

Отслеживание животных на ферме, например крупного рогатого скота, крайне важно для эффективного управления, но это утомительная и трудоемкая задача. У традиционных методов, например датчиков или бирок, есть недостатки. Такие устройства могут вызывать стресс у животных, а еще они могут отвалиться или повредиться, нарушив отслеживание.

Компьютерное зрение помогает фермерам следить за животными и отслеживать их перемещения без физических меток. Отслеживание объектов даёт фермерам ценную информацию о поведении и здоровье животных. Например, оно помогает выявлять такие состояния, как хромота, которая влияет на походку животного. Отслеживая объекты, фермеры могут замечать едва заметные изменения в движениях и своевременно решать проблемы со здоровьем.

Помимо контроля здоровья, компьютерное зрение помогает фермерам анализировать и другие особенности поведения животных, например социальные взаимодействия, пищевые привычки и характер перемещений. Эти сведения позволяют улучшить управление стадом, оптимизировать график кормления и поддерживать общее благополучие животных. Сокращая ручной труд и снижая стресс животных, отслеживание на основе компьютерного зрения становится практичным и эффективным инструментом современного сельского хозяйства.

Рис. 3. Отслеживание фермеров и коровы с помощью Ultralytics YOLO11.

Отслеживание объектов на производстве с помощью Ultralytics YOLO11#

Отслеживание объектов широко применяется в производстве. Например, системы обнаружения и отслеживания объектов могут контролировать производственные линии. Товары или сырьё легко отслеживать и подсчитывать по мере их перемещения по конвейеру. Такие системы также можно интегрировать с другими системами компьютерного зрения для выполнения дополнительных задач. Например, систему обнаружения дефектов можно использовать, чтобы выявить дефектный товар, а затем отслеживать его, чтобы убедиться, что он будет обработан надлежащим образом.

Ещё одно важное применение отслеживания объектов в производстве связано с безопасностью. Системы отслеживания объектов можно использовать для обнаружения и отслеживания работников в потенциально опасных производственных условиях. Опасные зоны можно обозначить и постоянно контролировать с помощью систем компьютерного зрения, а руководителей — уведомлять, если отслеживаемые работники приближаются к таким зонам. Эти системы безопасности также можно использовать для обнаружения и отслеживания оборудования, снижая риск кражи.

Рис. 4. Пример применения YOLO11 для обнаружения рабочих.

Отслеживание объектов и наблюдение с помощью Ultralytics YOLO11#

Отслеживание объектов в реальном времени широко применяется в системах безопасности и видеонаблюдения. Такие системы можно использовать для мониторинга общественных мест, транспортных узлов и крупных торговых пространств, например торговых центров. В больших и многолюдных местах эта технология помогает отслеживать подозрительных людей или поведение толпы, обеспечивая постоянное наблюдение. Например, во время пандемии системы отслеживания объектов использовали для контроля людных мест и соблюдения социальной дистанции.

Отслеживание объектов также можно использовать для наблюдения за дорожным движением. Оно позволяет отслеживать и анализировать поведение транспортных средств, обнаруживая необычные или подозрительные действия в реальном времени, чтобы предотвращать аварии и преступления. Хороший пример — системы оценки скорости. Они могут обнаруживать и отслеживать транспортное средство, чтобы определить его скорость.

Рис. 5. Скорость можно оценивать с помощью отслеживания объектов.

Попробуй отслеживание объектов с Ultralytics YOLO11#

Теперь, когда мы рассмотрели несколько способов применения отслеживания объектов, давай разберёмся, как попробовать эту функцию с моделью Ultralytics YOLO11 и режимом отслеживания.

Для начала установи пакет Ultralytics для Python с помощью pip, conda или Docker. Если при установке возникнут проблемы, загляни в наше руководство по распространённым проблемам — там есть полезные советы по их устранению.

После успешной установки пакета запусти следующий код. В нём показано, как загрузить модель Ultralytics YOLO11 и использовать её для отслеживания объектов в видеофайле. В примере используется модель «yolo11n.pt». Буква «n» означает Nano — наименьший вариант модели YOLO11. Также доступны варианты small, medium, large и extra-large.

Рис. 6. Фрагмент кода, демонстрирующий отслеживание объектов с помощью модели Ultralytics YOLO11.

Вместо предварительно обученной модели можно использовать модель, обученную на собственных данных. Для этого нужно выполнить тонкую настройку предварительно обученной модели под конкретное приложение.

Как упоминалось ранее, отслеживание объектов поддерживается в следующих моделях YOLO11: для обнаружения объектов, оценки позы и сегментации экземпляров. Если у тебя есть конкретное приложение для отслеживания, можно обучить на собственных данных любую из этих моделей. Обучить модель можно с помощью пакета Ultralytics для Python или платформы без кода Ultralytics HUB, которая теперь называется Ultralytics Platform.

Главные выводы#

Ultralytics YOLO11 — отличный инструмент для отслеживания объектов на видео. Его можно применять в самых разных областях: от беспилотных автомобилей и сельского хозяйства до производства и систем безопасности. Модель обнаруживает объекты и отслеживает их в реальном времени, помогая компаниям и отраслям следить за работниками и оборудованием. Модель проста в использовании и настраивается под конкретные задачи, поэтому она подходит всем, кто хочет внедрить компьютерное зрение.

Чтобы узнать больше, загляни в наш репозиторий на GitHub и присоединяйся к нашему сообществу. Изучи решения на основе ИИ для беспилотных автомобилей и сельского хозяйства на страницах наших решений.