如何使用计算机视觉模型计算距离？

过马路时，如果你看到一辆汽车朝你驶来，就能立刻大致判断它离你有多远。这种快速、近乎本能的判断，得益于你对周围环境的空间感知。基于这种感知，你可以决定加快脚步、停下来或继续行走。

同样，计算机视觉是人工智能 (AI) 的一个分支，它让机器能够通过解读视觉数据来理解周围环境。就像你可以判断汽车与你的距离并迅速做出决定一样，计算机视觉模型也能分析图像和视频，帮助机器感知并响应周围的世界。

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 会一次查看整幅图像，而不是分块处理，因此速度更快、效率更高。它还可以执行实例分割、姿态估计和图像分类等计算机视觉任务。

尤其是，Ultralytics YOLO11 的功能可用于计算物体之间的距离，这在制造业、零售业和人群管理等许多领域都很有用，有助于提升安全性和效率。

本文将探讨如何在计算机视觉应用中使用 Ultralytics YOLO11 进行距离计算、距离计算为何重要，以及它对不同行业的影响。

图 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和定位图像中的两个物体，并测量它们之间的像素距离。像素是构成数字图像的基本单位，每个像素代表一个具有特定颜色或亮度值的点。

要将像素测量值转换为现实世界中的距离，标定至关重要。你可以把它想象成用尺子测量某个物体，再用测量结果了解其他物体的尺寸。通过参照尺寸已知的物体，标定在像素和实际物理距离之间建立联系。

我们来看一个例子，了解这一过程的原理。在下图中，硬币是参照物，其尺寸 (0.9in × 1.0in) 已知。将其他物体的像素测量值与硬币尺寸进行比较，就可以计算出这些物体在现实世界中的尺寸。

图 2. 可以用硬币作为参照物，测量其他物体在现实世界中的尺寸。

不过，距离计算是在二维 (2D) 平面上完成的，也就是说，它只测量物体之间的水平和垂直距离。这与深度估计不同，深度估计测量物体在三维空间中的距离，包括物体与摄像头之间的距离。

虽然深度摄像头可以测量真实深度并提供更详细的空间信息，但在许多情况下，简单的标定距离就足够了。例如，了解物体在 2D 平面上的间距足以应对物体跟踪或队列管理等任务，因此这些场景不需要进行深度估计。

了解 Ultralytics YOLO11 如何进行距离计算#

接下来，我们来看看如何利用 Ultralytics YOLO11 对目标检测和跟踪的支持，计算两个物体之间的距离。具体步骤如下：

• 检测和跟踪物体：Ultralytics YOLO11 可通过识别视频帧中的物体来检测目标，并在不同帧之间跟踪物体的移动。它会为每个物体分配唯一的跟踪 ID，让系统能够在整个视频中监控物体的位置和移动情况。
• 边界框：根据 Ultralytics YOLO11 的目标检测结果，在检测到的物体周围绘制边界框，以确定物体在图像中的位置。
• 选择物体：可以选择两个物体进行重点关注，Ultralytics YOLO11 会随着物体实时移动更新边界框。
• 计算质心：根据边界框角点的坐标计算两个物体边界框的中心点（即质心），以表示物体的位置。
• 距离计算：随后可以使用两个物体的质心计算它们之间的欧几里得距离。欧几里得距离是二维平面上两点之间的直线距离，通过计算水平和垂直方向上的差值求得。由此可以得到两个物体之间的像素距离。

请注意，使用这种方法计算出的距离只是估算值，因为它们基于 2D 像素测量。

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 计算的距离是估算值，你可能会想：这项技术可以用在哪里，又能带来什么改变？

由于这些距离估计是通过标定得出的，其准确度足以应对许多实际场景。Ultralytics YOLO11 的距离估计在仓库等动态环境中尤其有用，因为物体会持续移动，需要实时调整才能确保流程顺畅。

一个有趣的例子是使用 YOLO11 实时跟踪包裹并估计传送带上包裹之间的距离。这有助于仓库管理人员确保包裹间距合适，防止碰撞并保持流程顺畅。

在这类场景中，并非总是需要精确距离。通常只需设定最佳距离的范围或阈值，因此估算值足以满足这类应用的需求。

图 4. 使用 Ultralytics YOLO 检测包裹并计算包裹之间的距离。

计算机视觉应用中的距离计算#

许多计算机视觉应用都能受益于使用 Ultralytics YOLO11 计算物体之间的距离。例如，在零售分析中，通过实时跟踪顾客位置，可以改进队列管理。这样一来，企业就能更好地分配资源、缩短等待时间并打造更顺畅的购物体验。通过动态调整员工配置和管理顾客流量，商店可以避免过度拥挤并优化空间利用。

同样，在交通管理中，距离估计有助于监控车辆间距并分析交通模式。它可以用于检测危险行为（如跟车过近），并调整交通信号灯以保持交通顺畅。通过识别潜在问题并实时改进整体交通管理，它有助于提升道路安全。

图 5. 利用视觉技术进行距离计算可以监控交通。

这项技术的另一个独特用途出现在 COVID-19 大流行期间，当时它帮助推广了保持社交距离。它确保人们在公共场所、商店和医院保持安全距离，从而降低病毒传播风险。

通过实时跟踪距离，当人员距离过近时，系统可以发送警报，让企业和医疗服务提供者更容易迅速响应，为所有人维持更安全的环境。

计算机视觉距离计算的优缺点#

现在我们已经讨论了计算机视觉距离计算的一些应用，接下来详细看看这项技术带来的优势：

• 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，减少人为错误和劳动力成本，同时提高生产力。
• 资源优化：了解物体的大致间距和相对位置后，就可以优化资源（如人员或机械设备），减少浪费并改善工作流程。
• 部署复杂度低：完成设置后，基于视觉的距离计算系统维护成本相对较低，与依赖人工输入或复杂机械设备的其他系统相比，需要的人工干预也更少。

尽管这类系统有这些优势，在部署时也有一些局限性需要注意。下面简要介绍使用计算机视觉进行距离计算时需要考虑的关键因素：

• 对环境因素敏感：光照条件、阴影、反射或遮挡都会影响距离计算的准确度，可能导致错误或结果不一致。
• 隐私问题：使用计算机视觉跟踪物体或人员可能引发隐私问题，尤其是在涉及个人数据的公共场所或敏感环境中。
• 多目标场景的复杂性：在存在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比较困难，尤其是在物体彼此接近或相互交叉时。

要点#

使用 Ultralytics YOLO11 计算物体之间的距离是一种可靠的解决方案，有助于支持决策。在仓库、零售和交通管理等动态环境中，这项技术尤其有用，因为跟踪物体间距可以提高效率和安全性。

Ultralytics YOLO11 能够自动执行通常需要人工完成的任务。虽然存在一些挑战，例如对环境因素敏感以及隐私问题，但自动化、可扩展性和易于集成等优势使其具有显著价值。随着计算机视觉不断进步，特别是在距离计算等领域，我们很可能会看到机器与周围环境互动并理解周围环境的方式发生真正的转变。

加入我们的社区！访问我们的 GitHub 代码仓库，进一步了解视觉 AI。如果你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，了解医疗保健领域的计算机视觉如何提升效率，以及农业 AI带来的影响！