Controllo verde
Link copiato negli appunti

Come utilizzare Ultralytics YOLO11 per il tracciamento degli oggetti

Scopri come utilizzare Ultralytics YOLO11 per il tracciamento di oggetti in applicazioni in tempo reale come la sorveglianza, l'agricoltura e la produzione.

Supponiamo che tu voglia monitorare e tracciare il movimento dei componenti su una linea di assemblaggio in uno stabilimento di produzione per garantire il controllo della qualità e migliorare l'efficienza del flusso di lavoro. In genere, questo comporta ispezioni manuali o l'uso di sensori di base per tracciare gli oggetti, il che può richiedere molto tempo ed essere soggetto a errori. Tuttavia, la visione artificiale e il tracciamento degli oggetti possono essere utilizzati per automatizzare e migliorare questo processo. 

Il tracciamento degli oggetti è un'attività di computer vision che aiuta a rilevare, identificare e seguire gli oggetti in un video. Può essere utilizzato per un'ampia varietà di applicazioni, dal monitoraggio degli animali nelle fattorie alla sicurezza e alla sorveglianza nei negozi al dettaglio. Gli oggetti che vengono tracciati in un video vengono solitamente visualizzati utilizzando dei riquadri di delimitazione per aiutare l'utente a vedere esattamente dove si trovano e vengono rilevati all'interno del fotogramma video.

Lanciato durante l'evento ibrido annuale diUltralytics, YOLO Vision 2024 (YV24), Ultralytics YOLO11 è un modello di visione computerizzata in grado di gestire un'ampia gamma di compiti di Vision AI, tra cui il tracciamento degli oggetti. In questo articolo esploreremo il funzionamento del tracciamento degli oggetti e discuteremo delle applicazioni reali. Vedremo anche come puoi provare il tracciamento degli oggetti con YOLO11. Iniziamo!

Figura 1. Un esempio di utilizzo di YOLO11 per il tracciamento degli oggetti in un negozio al dettaglio.

Tracciamento di oggetti con l'AI con YOLO11

Il tracciamento degli oggetti è una tecnica di computer vision essenziale. Permette di identificare e seguire nel tempo gli oggetti presenti in un video. Il tracciamento degli oggetti può sembrare molto simile a un'altra attività di computer vision: il rilevamento degli oggetti. La differenza fondamentale tra le due tecniche sta nel modo in cui gestiscono i fotogrammi del video. Il rilevamento degli oggetti analizza ogni singolo fotogramma, identificando e classificando gli oggetti senza considerare i fotogrammi precedenti o futuri. Il tracciamento degli oggetti, invece, unisce i punti tra i fotogrammi, seguendo gli stessi oggetti nel tempo e tenendo traccia dei loro movimenti.

Ecco una spiegazione più dettagliata di come funziona il tracciamento degli oggetti:

  • Rilevamento dell'oggetto: Il processo inizia con il rilevamento degli oggetti in un singolo fotogramma di un video. YOLO11 può essere utilizzato per identificare con precisione più oggetti e la loro posizione.
  • Assegnazione di ID univoci: A ogni oggetto rilevato viene assegnato un ID univoco per distinguerlo dagli altri e renderlo più facile da rintracciare.
  • Traccia il movimento attraverso i fotogrammi: Un algoritmo di tracciamento segue gli oggetti nei fotogrammi successivi, aggiornando le loro posizioni e mantenendo l'associazione con i loro ID univoci.
  • Gestione delle occlusioni: Se un oggetto scompare temporaneamente dalla vista (ad esempio, bloccato da un altro oggetto), il sistema garantisce che il tracciamento riprenda quando l'oggetto riappare.
  • Aggiorna le informazioni sugli oggetti: Quando gli oggetti si muovono, le loro posizioni e i loro attributi (come la velocità o la direzione) vengono aggiornati continuamente per riflettere i cambiamenti nel tempo.

Ultralytics supporta il tracciamento degli oggetti in tempo reale sfruttando algoritmi di tracciamento avanzati come BoT-SORT e ByteTrack. Inoltre, funziona perfettamente con i modelli YOLO11 di segmentazione e stima della posa, rendendolo uno strumento flessibile per un'ampia gamma di attività di tracciamento.

Applicazioni di YOLO11 Object Tracking

Le versatili capacità del modelloUltralytics YOLO11 aprono una vasta gamma di applicazioni possibili in molti settori. Vediamo alcuni casi d'uso del modello YOLO11 per il tracciamento di oggetti.

YOLO11 per il tracciamento di veicoli autonomi

Il tracciamento degli oggetti è fondamentale per aiutare le auto a guida autonoma a operare in modo sicuro ed efficiente. Questi veicoli devono comprendere costantemente l'ambiente circostante per prendere decisioni in tempo reale, come fermarsi, svoltare o cambiare corsia. Il rilevamento degli oggetti permette all'auto di identificare gli elementi chiave del suo ambiente, come pedoni, ciclisti, altri veicoli e segnali stradali. Tuttavia, il rilevamento di questi oggetti in un singolo momento non è sufficiente per una navigazione sicura.

È qui che entra in gioco il tracciamento degli oggetti. Il sistema consente all'auto di seguire questi oggetti nel tempo, tracciando i loro movimenti su più fotogrammi. Ad esempio, aiuta i veicoli autonomi a prevedere la direzione di un pedone, a monitorare la velocità e la direzione dei veicoli vicini o a riconoscere che un semaforo non è cambiato. Combinando rilevamento e tracciamento, le auto a guida autonoma possono anticipare il movimento degli oggetti che le circondano, rispondere in modo proattivo e guidare in modo sicuro e fluido.

Figura 2. YOLO11 può essere utilizzato per rilevare e seguire le auto.

Utilizzo del tracciamento degli oggetti YOLO11 per monitorare gli animali

Tracciare gli animali di un'azienda agricola, come il bestiame, è fondamentale per una gestione efficace, ma può essere un compito noioso e lungo. I metodi tradizionali, come l'uso di sensori o etichette, hanno spesso degli svantaggi. Questi dispositivi possono stressare gli animali quando vengono attaccati e sono inclini a cadere o a danneggiarsi, interrompendo il tracciamento.

La computer vision offre agli agricoltori una soluzione migliore per monitorare e seguire gli animali senza bisogno di etichette fisiche. Il tracciamento degli oggetti può fornire agli allevatori preziose informazioni sul comportamento e sulla salute degli animali. Ad esempio, può aiutare a rilevare condizioni come la zoppia che influenzano il modo in cui un animale cammina. Utilizzando il tracciamento degli oggetti, gli allevatori possono individuare sottili cambiamenti nei movimenti e affrontare tempestivamente i problemi di salute.

Oltre al monitoraggio della salute, la computer vision può aiutare gli allevatori a comprendere altri comportamenti, come le interazioni sociali, le abitudini alimentari e i modelli di movimento. Queste informazioni possono migliorare la gestione della mandria, ottimizzare i programmi di alimentazione e promuovere il benessere generale degli animali. Riducendo il lavoro manuale e lo stress degli animali, il monitoraggio basato sulla computer vision è uno strumento pratico ed efficiente per l'agricoltura moderna.

Figura 3. Utilizzo di YOLO11 per seguire gli agricoltori e una mucca.

Tracciamento degli oggetti nella produzione con YOLO11

Il tracciamento degli oggetti ha molti utilizzi nel settore manifatturiero. Ad esempio, i sistemi di rilevamento e tracciamento degli oggetti possono monitorare le linee di produzione. I prodotti o le materie prime possono essere facilmente tracciati e contati mentre si muovono su un nastro trasportatore. Questi sistemi possono anche essere integrati con altri sistemi di visione computerizzata per svolgere ulteriori compiti. Ad esempio, un articolo con un difetto può essere identificato con un sistema di rilevamento dei difetti e seguito con il tracciamento degli oggetti per assicurarsi che venga trattato correttamente.

Un'altra importante applicazione del tracciamento degli oggetti nel settore manifatturiero è legata alla sicurezza. I sistemi di tracciamento degli oggetti possono essere utilizzati per individuare e seguire i lavoratori in ambienti produttivi potenzialmente pericolosi. Le aree pericolose possono essere segnalate e monitorate costantemente grazie ai sistemi di visione computerizzata e i supervisori possono essere avvisati se i lavoratori (tracciati) si avvicinano a tali aree. Questi sistemi di sicurezza possono essere utilizzati anche per rilevare e tracciare le attrezzature, evitando il rischio di furti. 

Figura 4. Un esempio di rilevamento di oggetti YOLO11 utilizzato per individuare i lavoratori.

Tracciamento e sorveglianza di oggetti con YOLO11

Il tracciamento degli oggetti in tempo reale è ampiamente utilizzato nei sistemi di sicurezza e sorveglianza. Questi sistemi possono essere utilizzati per monitorare luoghi pubblici, snodi di trasporto e grandi ambienti di vendita come i centri commerciali. Le grandi aree affollate possono utilizzare questa tecnologia per tracciare individui sospetti o il comportamento della folla, fornendo una soluzione di sorveglianza continua. Ad esempio, durante la pandemia, i sistemi di tracciamento degli oggetti sono stati utilizzati per monitorare le aree affollate e assicurarsi che le persone mantenessero le distanze sociali.

Il tracciamento degli oggetti può essere utilizzato anche per la sorveglianza del traffico. Il tracciamento degli oggetti permette di seguire e analizzare il comportamento dei veicoli, individuando in tempo reale azioni insolite o sospette per aiutare a prevenire incidenti o crimini. Un buon esempio sono i sistemi di stima della velocità. Questi sistemi sono in grado di rilevare e tracciare un veicolo per determinarne la velocità.

Figura 5. La stima della velocità può essere effettuata utilizzando il tracciamento degli oggetti.

Prova il tracciamento degli oggetti con Ultralytics YOLO11

Ora che abbiamo esplorato alcune delle applicazioni di tracciamento degli oggetti, parliamo di come puoi provarle utilizzando il modelloUltralytics YOLO11. 

Per iniziare, installa il pacchettoUltralytics Python utilizzando pip, conda o Docker. Se dovessi incontrare qualche difficoltà durante l'installazione, la nostra Guida ai problemi comuni offre utili suggerimenti per la risoluzione dei problemi. 

Dopo aver installato correttamente il pacchetto, esegui il codice seguente. Esso spiega come caricare il modello Ultralytics YOLO11 e utilizzarlo per tracciare gli oggetti in un file video. Il modello utilizzato nel codice è "yolo11n.pt". La "n" sta per Nano, la variante più piccola del modello YOLO11. Esistono anche altre varianti di modello tra cui scegliere: small, medium, large ed extra-large.

Figura 6. Un frammento di codice che mostra il tracciamento di un oggetto utilizzando il modello YOLO11.

Puoi anche scegliere di utilizzare un modello addestrato su misura invece di un modello pre-addestrato. L'addestramento personalizzato prevede la messa a punto di un modello pre-addestrato per adattarlo alla tua specifica applicazione

Come già detto, il tracciamento degli oggetti è supportato per i seguenti modelli di YOLO11: rilevamento degli oggetti, stima della posa e segmentazione dell'istanza. Se hai un'applicazione specifica che prevede il tracciamento, puoi addestrare uno di questi modelli in base alla tua applicazione. Puoi addestrare un modello personalizzato utilizzando il pacchettoUltralytics Python o la piattaforma senza codice Ultralytics HUB. 

Punti di forza

Ultralytics YOLO11 è un ottimo strumento per tracciare gli oggetti nei video e può essere utilizzato in molti campi diversi, come le auto a guida autonoma, l'agricoltura, la produzione e la sicurezza. È in grado di rilevare e seguire gli oggetti in tempo reale, aiutando le aziende e le industrie a tenere sotto controllo i propri lavoratori e le proprie attrezzature. Il modello è facile da usare e può essere personalizzato per esigenze specifiche, il che lo rende una buona opzione per tutti coloro che sono interessati ad adottare le funzionalità di computer vision senza problemi. 

Per saperne di più, visita il nostro repository GitHub e partecipa alla nostra comunità. Scopri le applicazioni dell'intelligenza artificiale nelle auto a guida autonoma e nell'agricoltura sulle nostre pagine dedicate alle soluzioni. 🚀

Logo di FacebookLogo di TwitterLogo di LinkedInSimbolo di copia-link

Leggi tutto in questa categoria

Costruiamo insieme il futuro
di AI!

Inizia il tuo viaggio nel futuro dell'apprendimento automatico