如何使用计算机视觉模型计算距离？

当你过马路看到一辆车迎面驶来时，你可以瞬间判断出它大约有多远。这种快速、近乎本能的判断，归功于你对周围环境的空间理解。基于这种感知，你可以决定是加速、停止还是继续行走。

同样地，computer vision 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理解周围环境。就像你可以通过评估汽车的距离来做出快速决策一样，计算机 vision 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 是一个计算机视觉模型，可以实时检测和跟踪图像与视频中的对象。简而言之，YOLO11 的工作原理是同时查看整个图像而不是分部分查看，这使其更快、更高效。它还可以处理实例分割、姿态估计和图像分类等计算机视觉任务。

特别是，Ultralytics YOLO11 的功能可用于计算物体彼此之间的距离，这在制造、零售和人群管理等许多领域都很有用，有助于提高安全性和效率。

在本文中，我们将探讨如何在计算机视觉应用中使用 Ultralytics YOLO11 进行距离计算、为什么它很重要以及它对不同行业的影响。

Fig 1. 使用 YOLO 计算飞机着陆距离的示例。

计算机视觉中的距离计算概述#

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对象之间的像素。像素是构成数字图像的单个单位，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，calibration 是关键。你可以把它想象成用尺子测量某物，然后利用该测量结果来了解其他物体的大小。通过参考已知大小的物体，校准在像素和实际物理距离之间建立了联系。

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英寸乘1.0英寸）是已知的。通过将其他对象的像素测量值与硬币的尺寸进行比较，我们可以计算出它们的实际尺寸。

Fig 2. 可以使用硬币作为参考来测量其他物体的真实世界大小。

然而，距离计算是在二维 (2D) 平面上完成的，这意味着它仅测量对象之间的水平和垂直距离。这与深度估计不同，后者测量三维空间中对象的距离，包括它们距离摄像头的距离。

虽然 depth cameras 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，简单的校准距离就足够了。例如，了解 2D 平面中物体之间的距离非常适合对象跟踪或排队管理等任务，因此在这些情况下不需要深度估计。

了解使用 Ultralytics YOLO11 的距离计算原理#

接下来，我们来了解一下如何利用 Ultralytics YOLO11 对目标检测和追踪的支持来计算两个物体之间的距离。以下是详细步骤：

• 检测与跟踪对象：Ultralytics YOLO11 可用于通过在单帧中识别对象并跟踪其在视频各帧间的移动来检测对象。它为每个对象分配一个唯一的 track ID，从而让系统能够监测它们在整个视频中的位置与运动。
• 边界框：根据 Ultralytics YOLO11 的对象检测结果，在检测到的对象周围绘制边界框，这些边界框确定了它们在图像中的位置。
• 选择对象：可以选中两个对象进行重点关注，随着对象在实时运动中移动，Ultralytics YOLO11 会更新边界框。
• 质心计算：根据边界框角点的坐标计算质心（两个对象边界框的中心点），以表示对象的位置。
• 距离计算：然后可以使用这两个对象的质心来计算它们之间的欧几里得距离。欧几里得距离是二维平面中两点之间的直线距离，通过水平和垂直方向上的差值计算得出。这提供了两个对象之间以像素为单位的距离。

请记住，使用此方法计算的距离仅为估计值，因为它们是基于 2D 像素测量的。

图 3. 使用 Ultralytics YOLO 检测人员并计算距离。

YOLO 距离估计的影响#

考虑到使用 Ultralytics YOLO11 计算距离只是一个估算值，你可能会想：它可以用在哪里，又将如何发挥作用？

由于计算这些距离估算值时用到了标定，它们的准确度足以应对许多实际场景。Ultralytics YOLO11 的距离估算在动态环境中（如仓库）特别有用，在这些地方，对象不断移动，必须进行实时调整以保持各项工作顺利运转。

一个有趣的例子是使用 YOLO11 实时 track packages 在传送带上并估计它们之间的距离。这有助于仓库经理确保包裹间距恰当，防止碰撞并保持顺畅运行。

在这种情况下，并不总是需要精确的距离。通常会设定最佳距离的范围或阈值，因此估算值非常适用于此类应用。

图 4. 使用 Ultralytics YOLO11 检测包裹并计算它们之间的距离。

计算机视觉应用中的距离计算#

各种计算机 vision 应用程序都可以受益于使用 Ultralytics YOLO11 计算对象之间的距离。例如，在零售分析中，它通过实时跟踪顾客位置来帮助改善 queue management。这使得企业能够更好地分配资源、减少等待时间并打造更流畅的购物体验。通过动态调整员工配置并管理顾客动线，门店可以防止拥挤并优化空间利用。

同样，在 traffic management 中，距离估计有助于监控车距并分析交通模式。这可用于检测危险行为（如紧跟前车），并调整交通信号灯以保持交通顺畅。它可以通过实时识别潜在问题并改善整体交通管理来帮助使道路更安全。

Fig 5. 启用视觉的距离计算可用于监控交通。

这项技术的另一个独特应用出现在 COVID-19 pandemic 期间，当时它有助于促进社交距离。它确保人们在公共空间、商店和医院保持安全距离，从而降低病毒传播的风险。

通过实时跟踪距离，当个人靠得太近时可以发送警报，使企业和医疗机构更容易做出快速响应，并为每个人维护更安全的环境。

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，以下是该做法相关好处的更详细分析：

• 自动化：视觉 AI 可以自动执行原本需要人工跟踪的距离计算任务，减少人为错误和人工成本，同时提高生产力。
• 资源优化：通过了解对象的近似间距和邻近度，可以优化资源（如员工或机器），从而减少浪费并改善工作流程。
• 设置复杂度低：一旦设置完成，视觉赋能的距离计算系统维护相对简单，与依赖人工输入或复杂机械的其他系统相比，需要的人工干预更少。

尽管有这些优势，在实施此类系统时仍需牢记一些局限性。以下是涉及计算机视觉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会受到光照条件、阴影、反射或遮挡的影响，导致潜在的错误或不一致。
• Privacy concerns：使用计算机视觉来跟踪对象或人可能会引发隐私问题，尤其是在可能涉及个人数据的公共场所或敏感环境中。
• 多对象场景的复杂性：在有大量移动对象的环境中，同时精确计算多个对象之间的距离可能会导致混淆，特别是在它们距离很近或相互交叉时。

关键要点#

使用 Ultralytics YOLO11 计算对象之间的距离是一个可靠的解决方案，能够支持决策制定。它在仓库、零售和交通管理等动态环境中特别有用，在这些环境中，跟踪对象的接近程度可以提高效率和安全性。

Ultralytics YOLO11 让原本需要手动完成的任务实现自动化成为可能。尽管存在一些挑战（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重大影响。随着计算机 vision 的不断进步，尤其是在距离计算等领域，我们很可能会看到机器与其周围环境交互和理解方式的真正转变。

加入我们的 community！探索我们的 GitHub repository 以了解有关视觉 AI 的更多信息。如果你有兴趣利用计算机视觉，请查看我们的 licensing options。访问我们的解决方案页面，了解 computer vision in healthcare 如何提高效率，并查看 AI in agriculture 的影响！