Tracciamento degli oggetti

Come funziona il tracciamento degli oggetti

Il tracciamento degli oggetti inizia tipicamente con il rilevamento degli oggetti nel fotogramma iniziale utilizzando un rilevatore di oggetti, come ad esempio un Ultralytics YOLO di Ulralytics. Una volta rilevato un oggetto, spesso rappresentato da un rettangolo di selezione, l'algoritmo di tracciamento gli assegna un ID univoco. Nei fotogrammi successivi, l'algoritmo prevede la nuova posizione dell'oggetto in base al suo stato precedente, che potrebbe includere posizione, velocità e caratteristiche di aspetto. Questa previsione spesso coinvolge tecniche come la stima del movimento. Il sistema associa quindi i nuovi oggetti rilevati nel fotogramma corrente con gli oggetti tracciati esistenti, aggiornando i loro percorsi e mantenendo i loro ID univoci.

Questo processo deve gestire diverse sfide, tra cui gli oggetti che vengono temporaneamente nascosti (occlusione), i cambiamenti nell'aspetto degli oggetti, le interazioni complesse tra più oggetti e le variazioni nell'illuminazione o nel punto di vista della telecamera. Le tecniche più comuni utilizzate per risolvere questi problemi includono metodi di filtraggio come il filtro di Kalman (KF) per la previsione e l'associazione del movimento e approcci più avanzati di deep learning (DL) come SORT (Simple Online and Realtime Tracking) e DeepSORT, che combinano le caratteristiche di movimento e aspetto per un tracking più robusto. I modelli Ultralytics supportano diversi tracker disponibili per implementare queste tecniche. Una gestione efficace dell'occlusione è fondamentale per mantenere la continuità della traccia.

Differenze chiave rispetto ai concetti correlati

È importante distinguere il tracciamento degli oggetti da altre attività di computer vision correlate:

• Rilevamento di oggetti: Identifica e localizza gli oggetti (di solito con caselle di delimitazione) all'interno di una singola immagine o fotogramma. Risponde alla domanda "Quali oggetti si trovano in questo fotogramma?". Il tracciamento degli oggetti si basa sul rilevamento aggiungendo la dimensione temporale, rispondendo a "Dove si è mosso questo specifico oggetto nel tempo?".
• Classificazione delle immagini: Assegna una singola etichetta a un'intera immagine (ad esempio, "contiene un gatto"). Non localizza gli oggetti né li rintraccia.
• Segmentazione delle immagini: Assegna un'etichetta di classe a ogni pixel di un'immagine. Mentre la segmentazione delle istanze distingue le diverse istanze degli oggetti, la segmentazione standard non tiene traccia di queste istanze nei vari fotogrammi. La combinazione della segmentazione delle istanze con il tracciamento(segmentazione e tracciamento delle istanze) è un'attività correlata ma più complessa che fornisce maschere a livello di pixel per gli oggetti tracciati.

Applicazioni del mondo reale

Il tracciamento degli oggetti, in particolare il Multiple Object Tracking (MOT), è fondamentale per numerose applicazioni di intelligenza artificiale del mondo reale:

• Veicoli autonomi: Essenziale per tracciare pedoni, ciclisti e altri veicoli per prevederne i movimenti, consentendo una navigazione sicura e la prevenzione delle collisioni. Questa capacità è fondamentale per raggiungere livelli più elevati di automazione della guida e alimenta molte soluzioni di AI nelle auto a guida autonoma.
• Videosorveglianza e sicurezza: Monitoraggio di persone o veicoli in aree sensibili, rilevamento di comportamenti insoliti e attivazione di avvisi automatici. Tra gli esempi vi è la creazione di un sistema di allarme di sicurezza o l'utilizzo di telecamere di sicurezza AI per la protezione del perimetro.
• Analitica del commercio al dettaglio: Tracciare i percorsi dei clienti all'interno dei negozi per ottimizzare il layout, analizzare i tempi di permanenza, eseguire la gestione automatizzata delle code e comprendere i modelli di acquisto per migliorare l'esperienza dei clienti nell'ambito dell'intelligenza artificiale nel settore della vendita al dettaglio.
• Analitica sportiva: Seguire i giocatori e la palla durante le partite fornisce dati preziosi per l'analisi delle prestazioni, la pianificazione tattica e la generazione di highlights automatici. Scopri di più sulla computer vision nello sport.
• Robotica: Consente ai robot di seguire e interagire con oggetti o persone in ambienti dinamici, fondamentale per attività come la produzione collaborativa o la navigazione autonoma nei magazzini.
• Monitoraggio della fauna selvatica: Tracciare in modo non invasivo gli animali per studiare il comportamento, i modelli di migrazione e le dimensioni della popolazione, aiutando gli sforzi di conservazione. I modelli Ultralytics come YOLOv8 sono stati utilizzati per il monitoraggio degli animali.
• Gestione del traffico: Monitoraggio del flusso di veicoli, conteggio dei veicoli in regioni specifiche(Region Counting) e rilevamento degli incidenti per un'infrastruttura cittadina più intelligente(AI nella gestione del traffico).

Strumenti e implementazione

L'implementazione del tracciamento degli oggetti spesso comporta la combinazione di modelli di rilevamento degli oggetti con algoritmi di tracciamento. Librerie popolari come OpenCV forniscono funzionalità di tracciamento di base. Framework come PyTorch e TensorFlow vengono utilizzati per costruire e addestrare i modelli di rilevamento sottostanti. Ultralytics semplifica questo processo integrando le funzionalità di rilevamento direttamente nei suoi modelli, come ad esempio YOLO11. Gli utenti possono facilmente attivare il tracciamento utilizzando la modalità dedicata. Per gestire l'intero flusso di lavoro, dall'annotazione dei dati alla distribuzione, piattaforme come Ultralytics HUB offrono strumenti completi. Per iniziare, puoi seguire guide come quella di YOLO11 Object Tracking.