Suivi d'objets

Le suivi d'objets est un processus dynamique en vision par ordinateur (CV) qui consiste à identifier des entités spécifiques dans une vidéo et à surveiller leurs mouvements à travers une séquence d'images. Contrairement à l'analyse d'images statiques, qui traite chaque instantané de manière isolée, le suivi introduit la dimension temporelle. Cela permet aux systèmes d'intelligence artificielle (IA) d' attribuer un numéro d'identification unique (ID) à chaque élément détecté, tel qu'une voiture, une personne ou un animal, et de conserver cette identité lorsque l'objet se déplace, change d'orientation ou est temporairement masqué. Cette capacité est la pierre angulaire de la compréhension vidéo avancée, permettant aux machines d'analyser les comportements, de calculer les trajectoires et de tirer des conclusions exploitables à partir d'images brutes.

Comment fonctionne le suivi d’objets

Les systèmes de suivi modernes utilisent généralement un paradigme de « suivi par détection ». Ce flux de travail combine des modèles de détection puissants avec des algorithmes spécialisés pour associer les détections au fil du temps. Le processus suit généralement trois étapes principales :

1. Détection : dans chaque image, un modèle de détection d'objets, tel que le modèle de pointe YOLO26, analyse l'image afin de localiser les objets d'intérêt. Le modèle génère des cadres de sélection qui définissent l'étendue spatiale de chaque objet.
2. Prédiction de mouvement : des algorithmes tels que le filtre de Kalman estiment la position future d'un objet en fonction de sa vitesse et de sa trajectoire actuelles. Cette prédiction réduit l'espace de recherche pour l'image suivante, ce qui rend le système plus efficace.
3. Association des données : le système associe les nouvelles détections aux pistes existantes à l'aide de méthodes d'optimisation telles que l'algorithme hongrois. Cette étape s'appuie souvent sur des mesures telles que l' intersection sur l'union (IoU) pour mesurer le degré de chevauchement entre une boîte prédite et une nouvelle détection. Les trackers avancés peuvent également utiliser l'extraction de caractéristiques visuelles pour réidentifier les objets qui se ressemblent.

Suivi d'objets vs. Détection d'objets

Bien que ces termes soient étroitement liés, ils remplissent des fonctions distinctes dans le pipeline d'apprentissage automatique (ML).

• La détection d'objets répond à la question « Qu'y a-t-il dans cette image et où ? ». Elle est sans état, ce qui signifie qu'elle n'a aucune mémoire des images précédentes. Si une voiture traverse une vidéo, un détecteur voit une « voiture » dans l'image 1 et une « voiture » dans l'image 2, mais ne sait pas qu'il s'agit du même véhicule.
• Le suivi d'objet répond à la question « Où va cet objet spécifique? ». Il est étatique. Il relie la « voiture » de l'image 1 à la « voiture » de l'image 2, ce qui permet au système d' enregistrer que la « voiture n° 42 » se déplace de gauche à droite. Cela est essentiel pour des tâches telles que la modélisation prédictive et le comptage.

Applications concrètes

La capacité à conserver l'identité des objets permet des applications d'inférence complexes en temps réel dans divers secteurs.

• Systèmes de transport intelligents : le suivi est essentiel pour que les véhicules autonomes puissent circuler en toute sécurité. En suivant les piétons et les autres véhicules, les voitures peuvent anticiper les collisions potentielles. De plus, les ingénieurs de la circulation utilisent ces systèmes pour estimer la vitesse afin de faire respecter les règles de sécurité et d'optimiser le flux de circulation.
• Analyse du commerce de détail : les magasins physiques utilisent l'IA dans le commerce de détail pour comprendre le comportement des clients. Le suivi permet aux gérants de magasin d'effectuer un comptage d'objets pour mesurer la fréquentation, d'analyser les temps d'arrêt devant les présentoirs à l'aide de cartes thermiques et d' optimiser la gestion des files d'attente afin de réduire les temps d'attente.
• Analyse sportive : dans le sport professionnel, les entraîneurs utilisent le suivi combiné à l' estimation de la posture pour analyser la biomécanique des joueurs et les formations des équipes. Ces données offrent un avantage concurrentiel en révélant des schémas invisibles à l'œil nu.

Mise en œuvre du suivi avec Python

Ultralytics la mise en œuvre d'un suivi hautement performant. Le track mode dans la bibliothèque gère automatiquement la détection, la prédiction de mouvement et l'attribution d'identifiant. L'exemple ci-dessous montre comment utiliser le Plate-forme Ultralytics modèle YOLO26 compatible pour track dans une vidéo.

from ultralytics import YOLO

# Load the official YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video file or webcam (source=0)
# 'show=True' displays the video with bounding boxes and unique IDs
results = model.track(source="https://ultralytics.com/images/bus.jpg", show=True)

# Access the unique tracking IDs from the results
if results[0].boxes.id is not None:
    print(f"Detected Track IDs: {results[0].boxes.id.cpu().numpy()}")

Concepts connexes

Pour bien comprendre l'écosystème du suivi, il est utile d'explorer la segmentation d'instance, qui suit les contours précis d'un objet au niveau du pixel plutôt que simplement une boîte. De plus, les défis de suivi multi-objets (MOT) impliquent souvent des benchmarks largement utilisés comme MOTChallenge pour évaluer la capacité des algorithmes à gérer les scènes encombrées et les occlusions. Pour le déploiement dans des environnements de production, les développeurs utilisent souvent des outils tels que NVIDIA ou OpenCV pour intégrer ces modèles dans des pipelines efficaces.