如何使用计算机视觉模型计算距离？

当您过马路并看到一辆汽车向您驶来时，您可以立即判断出它离您有多远。这种快速的、几乎是本能的判断归功于您对周围环境的空间理解。基于这种感觉，您可以决定是加速、停止还是继续行走。 

同样，计算机视觉是人工智能 (AI) 的一个分支，它使机器能够通过解释视觉数据来了解周围环境。正如您可以评估汽车的接近程度以做出快速决策一样，计算机视觉模型可以分析图像和视频，帮助机器感知并对周围的世界做出反应。

例如，Ultralytics YOLO11 是一种计算机视觉模型，可以实时检测和跟踪图像及视频中的物体。简单来说，YOLO11 的工作原理是一次性查看整个图像，而不是分部分查看，这使得它更快、更高效。它还可以处理计算机视觉任务，如实例分割、姿态估计和图像分类。

特别是，YOLO11 的功能可用于计算对象之间的距离，这在制造、零售和人群管理等许多领域都非常有用，有助于提高安全性和效率。

在本文中，我们将探讨 YOLO11 如何用于计算机视觉应用中的距离计算，它为何重要，以及它对不同行业的影响。

​

计算机视觉中距离计算概述

计算机视觉中的距离计算涉及检测、定位和测量图像中两个物体之间的像素。像素是构成数字图像的单个单元，每个像素代表一个具有特定颜色或强度值的点。 

要将像素测量值转换为真实世界的距离，校准是关键。您可以将其视为使用尺子测量某物，然后使用该测量值来了解其他物体的大小。通过参考已知大小的物体，校准可以在像素和实际物理距离之间建立联系。

让我们看一个例子来了解它是如何工作的。在下图中，硬币是参考对象，其尺寸（0.9 英寸 x 1.0 英寸）是已知的。通过比较其他物体的像素测量值与硬币的尺寸，我们可以计算出它们的实际尺寸。

​

然而，距离计算是在二维 (2D) 平面中完成的，这意味着它只测量物体之间的水平和垂直距离。这与深度估计不同，深度估计测量三维空间中物体的距离，包括它们与相机的距离。

虽然深度相机可以测量真实的深度并提供更详细的空间信息，但在许多情况下，一个简单的校准距离就足够了。例如，知道物体在 2D 平面上的距离对于跟踪物体或管理队列等任务非常有效，因此在这些情况下不需要深度估计。

了解如何使用 YOLO11 进行距离计算

接下来，让我们了解如何使用 YOLO11 对 对象检测 和跟踪的支持来计算两个对象之间的距离。以下是一个分解：

• 检测和跟踪物体: YOLO11 可用于检测物体，通过识别帧中的物体并跟踪它们在视频帧中的移动。它为每个物体分配一个唯一的跟踪 ID，使系统能够监控它们在整个视频中的位置和移动。
  ‍
• 边界框：边界框是根据 YOLO11 的对象检测结果在检测到的对象周围绘制的，用于定义它们在图像中的位置。
  ‍
• 选择对象：可以选择两个对象来关注，并且 YOLO11 会随着对象实时移动而更新边界框。
  ‍
• 质心计算：质心（两个对象边界框的中心点）基于边界框角点的坐标计算，表示对象的位置。
  ‍
• 距离计算: 然后可以使用两个物体的质心来计算它们之间的欧几里得距离。欧几里得距离是 2D 平面中两点之间的直线距离，使用水平和垂直方向的差异计算得出。这提供了两个物体之间以像素为单位的距离。

重要的是要记住，使用此方法计算的距离只是估计值，因为它们基于 2D 像素测量。

​

YOLO 距离估计的影响

考虑到使用 YOLO11 计算距离是一种估计，您可能想知道：这可以在哪里使用，以及它如何发挥作用？ 

由于校准用于得出这些距离估计值，因此它们足够准确，可以在许多实际情况下提供帮助。YOLO11 的距离估计在动态环境中特别有用，例如仓库，在仓库中，物体不断移动，需要进行实时调整以保持一切顺利运行。

一个有趣的例子是使用 YOLO11 在传送带上跟踪包裹并实时估计它们之间的距离。这有助于仓库管理人员确保包裹间隔适当，防止碰撞并保持运行顺畅。 

在这种情况下，并不总是需要精确的距离。通常，会设置最佳距离的范围或阈值，因此估计值对于这些类型的应用非常有效。

​

计算机视觉应用中的距离计算

YOLO11可用于计算物体之间的距离，从而使各种计算机视觉应用受益。例如，在零售分析中，它通过实时跟踪顾客位置来帮助改进排队管理。这使得企业能够更好地分配资源、减少等待时间并创造更顺畅的购物体验。通过动态调整人员配置水平和管理客户流量，商店可以防止过度拥挤并优化空间利用。

同样，在交通管理中，距离估计有助于监测车辆间距和分析交通模式。这可用于检测危险行为（如尾随）并调整交通信号灯，以保持交通畅通。它可以通过识别潜在问题并实时改进整体交通管理来帮助提高道路安全性。

​

这项技术的另一个独特用途出现在 COVID-19 大流行 期间，当时它帮助促进了社交疏远。它确保人们在公共场所、商店和医院保持安全距离，从而降低了病毒传播的风险。 

通过实时跟踪距离，可以在个人距离太近时发出警报，从而使企业和医疗保健提供者能够快速响应并为每个人维持更安全的环境。

计算机视觉中距离计算的优缺点

既然我们已经讨论了使用计算机视觉进行距离计算的一些应用，那么让我们更仔细地看看这样做的相关好处：

• 自动化：视觉人工智能可以自动执行距离计算任务，否则这些任务需要手动跟踪，从而减少人为错误和劳动力成本，同时提高生产力。
  ‍
• 资源优化：通过了解物体的大致间距和邻近度，可以优化资源（如员工或机械），从而减少浪费并改善工作流程。
  ‍
• 极简的设置复杂度：一旦设置完成，支持视觉的距离计算系统相对来说维护成本较低，与其他依赖人工输入或复杂机械的系统相比，需要更少的人工干预。

尽管有这些优势，但在实施此类系统时，也需要注意一些局限性。以下是使用计算机视觉进行距离计算时需要考虑的关键因素：

• 对环境因素的敏感性: 距离计算的准确性可能受到光照条件、阴影、反射或遮挡的影响，从而导致潜在的误差或不一致性。
  ‍
• 隐私问题：使用计算机视觉跟踪物体或人员可能会引发隐私问题，尤其是在公共场所或可能涉及个人数据的敏感环境中。
  ‍
• 多目标场景的复杂性: 在具有大量移动物体的环境中，同时准确计算多个物体之间的距离可能会导致混淆，尤其是在它们彼此靠近或相交时。

主要要点

使用 YOLO11 计算物体之间的距离是一种可靠的解决方案，可以支持决策。它在仓库、零售和交通管理等动态环境中尤其有用，在这些环境中，跟踪物体接近程度可以提高效率和安全性。 

YOLO11 可以自动执行通常需要人工完成的任务。虽然存在一些挑战，例如对环境因素的敏感性和隐私问题，但自动化、可扩展性和易于集成等优势使其具有影响力。随着计算机视觉的不断改进，尤其是在距离计算等领域，我们可能会看到机器与周围环境交互和理解方式的真正转变。

加入我们的社区！探索我们的GitHub 仓库，以了解更多关于 Vision AI 的信息。如果您有兴趣利用计算机视觉，请查看我们的许可选项。访问我们的解决方案页面，了解医疗保健领域中的计算机视觉如何提高效率，并了解人工智能在农业领域的影响！