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，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析视觉数据来理解周围环境。就像你可以评估车辆距离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，帮助机器感知周围世界并做出反应。

例如，Ultralytics YOLO11 是一种可以在图像和视频中实时检测和跟踪对象的计算机视觉模型。简而言之，YOLO11 的工作原理是一次查看整个图像，而不是将其拆分，这使其速度更快且效率更高。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，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，我们将探讨如何将 YOLO11 用于计算机视觉应用中的距离计算，了解其重要性以及它在不同行业中的影响。

图 1. 使用 YOLO 计算飞机着陆距离的示例。

Link to this section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现实世界的距离，校准是关键。你可以把它想象成使用尺子测量物体，然后利用该测量值来理解其他物体的大小。通过参考已知尺寸的物体，校准在像素与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。

图 2. 硬币可用作测量其他物体真实尺寸的参考。

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，简单的校准距离就足够了。例如，了解二维平面中对象之间的距离对于物体跟踪或队列管理等任务非常有效，因此在这些情况下不需要进行深度估计。

Link to this section了解如何使用 YOLO11 进行距离计算#

接下来，让我们逐步了解如何利用 YOLO11 的目标检测和跟踪支持来计算两个对象之间的距离。具体步骤如下：

• 检测和跟踪对象：YOLO11 可用于通过识别帧中的对象并跟踪其在视频帧间的移动来检测对象。它为每个对象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 (BBox)：根据 YOLO11 的目标检测结果在检测到的对象周围绘制边界框，这些框定义了它们在图像中的位置。
• 选择对象：可以选择两个对象进行重点关注，当对象实时移动时，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。

Link to this sectionYOLO 距离估计的影响#

考虑到使用 YOLO11 计算距离是一个估算值，你可能想知道：它可以用在哪里，又如何产生影响？

由于这些距离估计是基于校准的，因此其精度足以帮助解决许多实际情况。YOLO11 的距离估计在仓库等动态环境中特别有用，在这些环境中，对象不断移动，需要实时调整以保持流程顺畅。

一个有趣的例子是使用 YOLO11 实时跟踪包裹在传送带上的位置并估算它们之间的距离。这有助于仓库管理员确保包裹间距适中，防止碰撞并保持运转顺畅。

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 YOLO11 检测包裹并计算它们之间的距离。

Link to this section计算机视觉应用中的距离计算#

各种计算机视觉应用都可以从使用 YOLO11 计算对象距离中受益。例如，在零售分析中，它通过实时跟踪顾客位置来改善队列管理。这使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备和管理客户流，商店可以防止过度拥挤并优化空间使用。

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。这可用于检测危险行为（如跟车过近）并调整交通信号灯以保持交通顺畅。它可以通过识别潜在问题并在实时提高整体交通管理效率来帮助使道路更安全。

图 5. 视觉赋能距离计算可用于监控交通。

这项技术的另一个独特用途出现在COVID-19 疫情期间，当时它有助于促进社交距离。它确保人们在公共场所、商店和医院保持安全距离，降低了病毒传播的风险。

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。

Link to this section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。
• 隐私问题：使用计算机视觉跟踪对象或人员可能会引发隐私问题，特别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。

Link to this section关键要点#

使用 YOLO11 计算对象之间的距离是一种可以支持决策的可靠解决方案。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，跟踪对象间距可以提高效率和安全性。

YOLO11 使自动化通常需要手工完成的任务成为可能。虽然存在一些挑战，如对环境因素的敏感性和隐私担忧，但自动化、可扩展性和易于集成等优势使其具有深远影响。随着计算机视觉的不断进步，特别是在距离计算等领域，我们很可能会看到机器与环境交互和理解方式的真正转变。

加入我们的社区！浏览我们的 GitHub 代码库以了解更多关于视觉 AI 的信息。如果你有兴趣利用计算机视觉，请查看我们的许可选项。通过访问我们的解决方案页面，了解医疗保健中的计算机视觉如何提高效率，并查看农业 AI 的影响！