> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/workflows/ja/burokku/blocks/video-processing/detections-stabilizer.md).

# 検出安定化

平滑化アルゴリズムを適用して、動画フレーム間のノイズとちらつきを軽減します。

カルマンフィルタで物体速度を予測し、指数移動平均でバウンディングボックス位置を平滑化し、ギャップ補完で一時的に欠落した検出を復元することで、動画フレーム全体のトラッキング済み検出に対するノイズとちらつきを低減する平滑化アルゴリズムを適用し、トラッキングの安定性とより滑らかな可視化ワークフローを向上させます。

## このブロックの仕組み

このブロックは、揺れを減らし、位置を平滑化し、物体が一時的に検出から消えたときにギャップを埋めることで、トラッキング済み検出を安定化します。このブロックは、

1. 固有のトラッカーIDを持つ追跡済み検出予測と、動画メタデータが埋め込まれた画像を受け取ります
2. 画像から動画メタデータを抽出します:
   * video\_metadata にアクセスして video\_identifier を取得します
   * video\_identifier を使用して、動画ごとに個別の安定化状態を保持します
3. 検出に tracker ID があることを検証します（フレーム間でオブジェクトの移動を追跡するために必要です）
4. その動画の安定化状態を初期化または取得します：
   * 動画ごとに各 tracker\_id の最後に確認された検出のキャッシュを保持します
   * 動画ごとに速度予測用のカルマンフィルタを作成または取得します
   * video\_identifier を使用して、各動画の個別状態を保存します
5. 既存のトラックの物体速度を測定します：
   * 現在フレームのバウンディングボックス中心と前フレームの中心を比較して速度を計算します
   * 現在フレームと前フレームの両方に存在する物体について、変位（位置の変化）を計算します
   * 速度測定値をカルマンフィルタの更新に使用します
6. 速度測定値でカルマンフィルタを更新します：
   * 過去の測定値に基づいて平滑化された速度を予測するためにカルマンフィルタを使用します
   * 速度測定値のスライディングウィンドウを保持します（smoothing\_window\_size で制御）
   * カルマンフィルタ内で指数移動平均を適用して速度推定を平滑化します
   * 検出の不正確さやフレーム間の変動によるノイズを除去します
7. 現在フレームに存在する物体のバウンディングボックスを平滑化します：
   * バウンディングボックス座標に指数移動平均による平滑化を適用します
   * bbox\_smoothing\_coefficient を使って前フレームの位置と現在フレームの位置を組み合わせます
   * 式: smoothed\_bbox = alpha \* current\_bbox + (1 - alpha) \* previous\_bbox
   * 検出のばらつきによるジッターとちらつきを低減します
8. 欠落した検出の位置を予測します：
   * カルマンフィルタで予測された速度を使用して、消失した物体の位置を推定します
   * 予測された速度を最後に確認されたバウンディングボックス位置に適用します
   * 現在フレームで一時的に欠落していた検出を復元してギャップを埋めます
   * 指数移動平均を使って予測位置を平滑化します
9. トラッキング状態を管理します：
   * 次フレームの計算用に、現在フレームの検出結果でキャッシュを更新します
   * smoothing\_window\_size フレームより長く欠落している物体のトラッキングエントリを削除します
   * video\_identifier ごとに個別の状態を保持します
10. 安定化された検出を統合して返します：
    * 平滑化された検出（現在フレーム由来）と予測された検出（欠落物体用）を組み合わせます
    * ノイズが低減され、ギャップが埋められた安定化検出オブジェクトを出力します
    * すべての検出は一貫したトラッキングのために tracker ID を維持します

このブロックは、相補的な 2 つの平滑化手法を使用します： **カルマンフィルタリング** 速度予測用（物体がどれだけ速く動いているかを推定）であり、 **指数移動平均** 位置の平滑化（バウンディングボックスの揺れを低減）に用います。カルマンフィルタは速度測定値の履歴を保持し、統計的推定を使って将来の速度を予測しながらノイズを除去します。指数移動平均は、現在と過去の位置をブレンドすることでバウンディングボックス座標を平滑化します。ギャップ補完では予測速度を使って一時的に消えた検出を復元し、トラックの連続性維持に役立ちます。注: このブロックは、物体が不安定に検出される場合でもギャップを埋めようとするため、不安定なトラッカーに対して短命なバウンディングボックスを生成することがあります。

## 一般的な使用例

* **動画可視化**：より滑らかな可視化のために動画アノテーションのちらつきとジッターを低減します（例: バウンディングボックスの動きを滑らかにする、アノテーションノイズを減らす、動画可視化品質を向上させる）。安定した動画可視化ワークフローを実現します
* **トラッキングの安定性**：検出がノイジーまたは不安定な場合にトラッキングの安定性を向上させます（例: ノイジーな検出を安定化する、トラッキングのジッターを減らす、トラッキングの連続性を向上させる）。安定したトラッキングワークフローを実現します
* **一時的な遮蔽の処理**：物体が一時的に遮蔽されたり検出から欠落したりした場合にギャップを埋めます（例: 短時間の遮蔽中もトラックを維持する、検出ギャップを埋める、トラッキングの連続性を保持する）。遮蔽処理ワークフローを実現します
* **リアルタイム監視**：リアルタイム監視アプリケーションの視覚品質を向上させます（例: ライブ動画アノテーションを滑らかにする、監視表示のちらつきを減らす、リアルタイム可視化を向上させる）。安定したリアルタイム監視ワークフローを実現します
* **分析精度**：安定した検出位置に依存する分析計算のノイズを低減します（例: 位置ベースの分析を改善する、計測のノイズを減らす、移動計算を安定化する）。正確な分析ワークフローを実現します
* **品質管理**：下流処理のための検出品質を向上させます（例: 分析前に検出を平滑化する、より良い処理のためにノイズを減らす、他のブロック向けの入力を安定化する）。品質向上ワークフローを実現します

## 他のブロックへの接続

このブロックはトラッキング済み検出と画像を受け取り、安定化された tracked\_detections を生成します：

* **Byte Tracker ブロックの後** トラッキング済み検出を安定化するために（例: トラッキングされた物体の位置を平滑化する、トラッキングのジッターを減らす、トラッキングのギャップを埋める）。トラッキング安定化ワークフローを実現します
* **オブジェクト検出またはインスタンスセグメンテーションブロックの後** トラッキングを有効にして検出を安定化するために（例: 検出位置を平滑化する、検出ノイズを減らす、トラッキングの安定性を向上させる）。検出安定化ワークフローを実現します
* **可視化ブロックの前** 安定化された検出を表示するために（例: 滑らかなバウンディングボックスを可視化する、安定したアノテーションを表示する、ギャップ補完された検出を示す）。安定した可視化ワークフローを実現します
* **分析ブロックの前** 分析用の安定した入力を提供するために（例: 安定化された位置を分析する、滑らかな移動データを処理する、ギャップ補完された検出を扱う）。安定した分析ワークフローを実現します
* **速度または軌跡分析ブロックの前に** 計測精度を向上させるために（例: 安定した位置から速度を計算する、滑らかな軌跡から経路を分析する、ギャップ補完された検出から計測する）。正確な計測ワークフローを実現します
* **ビデオ処理パイプラインで** 下流処理に検出の安定性が必要な場合に（例: 処理チェーン内で検出を安定化する、分析のための品質を向上させる、パイプライン内のノイズを減らす）。安定した動画処理ワークフローを実現します

## 要件

このブロックは tracker\_id 情報を持つトラッキング済み検出を必要とします（検出は Byte Tracker のようなトラッキングブロックから来ている必要があります）。画像の video\_metadata には、動画ごとに個別の安定化状態を保持するための video\_identifier を含める必要があります。このブロックは各動画についてフレーム間で永続的な安定化状態を保持するため、フレームを順次処理する動画ワークフローで使用する必要があります。最適な安定化のためには、有効な tracker ID を持つ検出がフレーム間で一貫して提供される必要があります。smoothing\_window\_size は、カルマンフィルタで使用する過去の速度測定値の数と、欠落した検出をどれだけ長く保持するかを制御します。bbox\_smoothing\_coefficient（0〜1）は、現在位置と前回位置のバランスを制御します。値が低いほど平滑化は強くなりますが変化への応答は遅くなり、値が高いほど平滑化は弱くなりますが応答は速くなります。注: このブロックは、物体が不安定に検出される場合でもギャップを埋めようとするため、不安定なトラッカーに対して短命なバウンディングボックスを生成することがあります。

### タイプ識別子

ステップで次の識別子を使用してください `"type"` フィールド: `roboflow_core/stabilize_detections@v1` を、ワークフローにステップとして追加します。

### プロパティ

| **名前**                       | **型**   | **説明**                                                                                                                                                                                                                                                                                 | 参照 |
| ---------------------------- | ------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -- |
| `name`                       | `str`   | このステップの一意の識別子を入力してください。                                                                                                                                                                                                                                                                | ❌  |
| `smoothing_window_size`      | `int`   | カルマンフィルタで速度を平滑化するためのスライディングウィンドウのサイズで、使用する過去の速度測定値の数を制御します。また、削除されるまでに欠落した検出をどれだけ保持するかも決定します。値が大きいほど平滑化は強くなりますが、変化への適応は遅くなります。値が小さいほど平滑化は弱くなりますが、適応は速くなります。このフレーム数を超えて欠落した検出はトラッキング状態から削除されます。一般的な範囲: 3〜10 フレーム。                                                                       | ✅  |
| `bbox_smoothing_coefficient` | `float` | バウンディングボックス位置を平滑化するための指数移動平均係数（alpha）で、範囲は 0.0〜1.0 です。現在と前回のバウンディングボックス位置のブレンドを制御します: smoothed\_bbox = alpha \* current + (1-alpha) \* previous。値が低い（0 に近い）ほど平滑化が強くなり、変化への応答は遅く、ジッターは少なくなります。値が高い（1 に近い）ほど平滑化は弱くなり、変化への応答は速く、ジッターは増えます。デフォルトの 0.2 は滑らかさと応答性のバランスを取ります。一般的な範囲: 0.1〜0.5。 | ✅  |

この **参照** この列は、 `workflow` の実行時に利用可能な動的値でプロパティをパラメータ化できる可能性を示します。 *バインディング* の詳細を参照してください。

### 実行時互換性

`ソフト` - ランタイム `hosted_serverless`, `dedicated_deployment`; 実行 `リモート`; 入力 `動画` : このブロックは、動画ごとの状態をプロセスメモリ内に保持します（video\_metadata.video\_identifierでキー付け）。ステートレスまたは複数レプリカのHTTPランタイムでリモートステップ実行を行うと、連続したリクエストが異なるワーカープロセスで処理される可能性があるため、呼び出し間で状態がリセットされ、トラッキング／カウント／集計には出力が無意味になります。フレーム間で安定した結果を得るには、InferencePipeline内でローカルステップ実行を使用してください。

`ソフト` - 入力 `image` : このブロックは、動画または繰り返しフレームのワークフローからの時間的コンテキストに依存します。静止画像／写真では、追跡、比較、集計、可視化に意味のある履歴がないため、このブロックの利点はほとんど、またはまったくありません。

### 入力および出力バインディング

利用可能な接続は、そのバインディング種別に依存します。 `検出安定化器` バージョン `v1` に、どのバインディング種別があるか確認してください。

<details>

<summary>入力と出力のバインディング</summary>

* input
  * `image` ([*`image`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/image.md)): 埋め込み動画メタデータを含む画像です。video\_metadata には、動画ごとに個別の安定化状態を保持するための video\_identifier が含まれます。フレーム間での永続的な状態管理に必要です。
  * `detections` (*Union\[*[*`instance_segmentation_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/instance-segmentation-prediction.md)*,* [*`object_detection_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/object-detection-prediction.md)*]*): トラッキング済み物体の検出またはインスタンスセグメンテーション予測です。トラッキングブロックからの tracker\_id 情報を含める必要があります。このブロックは、速度予測のためにカルマンフィルタを、位置平滑化のために指数移動平均を、欠落した検出のためにギャップ補完を適用します。出力される検出は、ノイズとジッターが低減された状態で安定化されます。
  * `smoothing_window_size` ([*`integer`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/integer.md)): カルマンフィルタで速度を平滑化するためのスライディングウィンドウのサイズで、使用する過去の速度測定値の数を制御します。また、削除されるまでに欠落した検出をどれだけ保持するかも決定します。値が大きいほど平滑化は強くなりますが、変化への適応は遅くなります。値が小さいほど平滑化は弱くなりますが、適応は速くなります。このフレーム数を超えて欠落した検出はトラッキング状態から削除されます。一般的な範囲: 3〜10 フレーム。
  * `bbox_smoothing_coefficient` ([*`0から1の浮動小数`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)バウンディングボックス位置を平滑化するための指数移動平均係数（alpha）で、範囲は 0.0〜1.0 です。現在と前回のバウンディングボックス位置のブレンドを制御します: smoothed\_bbox = alpha \* current + (1-alpha) \* previous。値が低い（0 に近い）ほど平滑化が強くなり、変化への応答は遅く、ジッターは少なくなります。値が高い（1 に近い）ほど平滑化は弱くなり、変化への応答は速く、ジッターは増えます。デフォルトの 0.2 は滑らかさと応答性のバランスを取ります。一般的な範囲: 0.1〜0.5。
* output
  * `tracked_detections` (*Union\[*[*`object_detection_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/object-detection-prediction.md)*,* [*`instance_segmentation_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/instance-segmentation-prediction.md)*]*) : 検出されたバウンディングボックスをsv.Detections(...)オブジェクト形式で持つ予測、もし `object_detection_prediction` 、または検出されたバウンディングボックスとセグメンテーションマスクをsv.Detections(...)オブジェクト形式で持つ予測、もし `instance_segmentation_prediction`.

</details>

<details>

<summary>JSON定義の例</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/stabilize_detections@v1",
	    "image": "<block_does_not_provide_example>",
	    "detections": "$steps.object_detection_model.predictions",
	    "smoothing_window_size": 3,
	    "bbox_smoothing_coefficient": 0.2
	}
```

</details>
