Suivi multi-objets
Le suivi multi-objets (MOT) suit de nombreux objets (piétons, voitures, joueurs) à travers les images d'une vidéo, donnant à chacun une identité cohérente au fil du temps.
Aperçu
It's the backbone of autonomous driving perception, sports analytics, and smart-city traffic monitoring.
Plongée profonde
Le suivi multi-objets répond non seulement à « ce qui se trouve dans chaque image », mais également à « quelle détection dans l'image deux est le même objet que dans l'image une ». Le paradigme dominant est le suivi par détection : un détecteur d'objets (comme YOLO) trouve des cadres de délimitation à chaque image, puis un tracker les relie au fil du temps en trajectoires. SORT associe un filtre de Kalman, qui prédit où chaque objet se déplacera, avec l'algorithme hongrois pour une correspondance optimale des boîtes. DeepSORT ajoute une intégration d'apparence apprise afin que les objets puissent être réidentifiés après l'occlusion. ByteTrack a amélioré la précision en associant également des détections de faible confiance au lieu de les ignorer. Les principales difficultés sont l'occlusion, les changements d'identité (échange d'identifiants lorsque des objets se croisent), les scènes de foule et les objets entrant ou sortant du cadre.
Aperçu technique
Un tracker maintient une « piste » pour chaque objet avec un modèle de mouvement. Le filtre de Kalman prédit la prochaine position de chaque piste ; les nouvelles détections sont mises en correspondance avec les prédictions en calculant un coût (chevauchement/IoU plus similarité d'apparence) et en résolvant la mission avec l'algorithme hongrois. Les intégrations d'apparence - vecteurs de fonctionnalités compacts issus d'un réseau de ré-identification - permettent au système de récupérer l'identité correcte après qu'un objet soit brièvement masqué, évitant ainsi les changements d'identification dont souffrent les modèles de mouvement pur dans les scènes encombrées.
Impact stratégique
Vitesse et échelle
L’IA visuelle peut automatiser les tâches d’inspection, de détection et de marquage à grande échelle.
Choix de construction
Les équipes créatives peuvent prototyper des concepts plus rapidement avec moins de révisions manuelles.
Équipe et flux de travail
Les opérations peuvent utiliser des signaux d’image et vidéo qui étaient auparavant difficiles à traiter.
L'avenir du suivi multi-objets
Le suivi évolue vers des modèles de transformateur de bout en bout (comme TrackFormer et MOTR) qui détectent et associent conjointement des objets dans un réseau, supprimant ainsi l'étape fragile de correspondance réglée manuellement. Attendez-vous à un suivi multi-caméras et 3D plus puissant pour les véhicules autonomes et les grandes salles, ainsi qu'à un suivi d'objets arbitraires à vocabulaire ouvert plutôt que de catégories fixes. Une meilleure réidentification à long terme et une meilleure résistance aux fortes occlusions et aux foules restent des objectifs actifs, de plus en plus aidés par des modèles de base qui fournissent de riches caractéristiques visuelles.
Mise en œuvre dans le monde réel
Perception de véhicule autonome qui suit les voitures, les cyclistes et les piétons environnants pour prédire leurs trajectoires et éviter les collisions
Des analyses sportives qui suivent chaque joueur et le ballon pour calculer la distance parcourue, les formations et les statistiques de possession.
Systèmes de trafic urbain intelligents qui comptent et suivent les véhicules pour mesurer le flux, détecter les embouteillages et les signaux horaires
Analyses de vente au détail et de sécurité qui suivent les mouvements des acheteurs dans un magasin ou des personnes via un centre de transit
Risques et garde-fous
Les droits à l’image et le consentement peuvent devenir des risques juridiques si la provenance n’est pas claire.
Les performances du modèle peuvent varier en fonction de l'éclairage, des données démographiques et des environnements.
Les faux positifs peuvent passer inaperçus si les seuils de confiance ne sont pas surveillés.
Feuille de route de mise en œuvre
Définissez des critères d’acceptation pour la précision, le rappel et les coûts d’erreur.
Testez avec des données qui correspondent aux conditions de production réelles.
Ajoutez un examen humain pour les prédictions peu fiables ou à fort impact.
Suivez la dérive du modèle et revalidez après les modifications de la caméra ou de l’ensemble de données.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Multi-Object Tracking quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
Détection d'objet
Questions fréquemment posées
What is Multi-Object Tracking?
Le suivi multi-objets (MOT) suit de nombreux objets (piétons, voitures, joueurs) à travers les images d'une vidéo, donnant à chacun une identité cohérente au fil du temps. C'est l'épine dorsale de la perception de la conduite autonome, de l'analyse sportive et de la surveillance du trafic dans les villes intelligentes.
Quel est l’objectif principal du suivi multi-objets ?
MOT attribue et maintient un identifiant cohérent pour chaque objet lorsqu'il se déplace dans une vidéo, reliant les détections au fil du temps en trajectoires.
Qu’implique le paradigme du « suivi par détection » ?
Le suivi par détection exécute un détecteur d'objet à chaque image, puis associe les boîtes résultantes au fil du temps en pistes continues.
Quel rôle le filtre de Kalman joue-t-il dans les trackers comme SORT ?
Le filtre de Kalman modélise le mouvement de chaque objet et prédit sa prochaine position, qui est ensuite adaptée aux nouvelles détections.
Qu'est-ce que DeepSORT a ajouté en plus de SORT ?
DeepSORT a introduit des vecteurs de caractéristiques d'apparence afin que les objets puissent être réidentifiés après avoir été brièvement cachés, réduisant ainsi les changements d'identité.
Qu'est-ce qu'un « changement d'identité » dans le suivi multi-objets ?
Un changement d'identité se produit lorsqu'un tracker réattribue de manière incorrecte les identifiants entre les objets, généralement lorsqu'ils se chevauchent ou se croisent dans des scènes bondées.