경로 편차

기준 경로에서 객체의 Fréchet 거리를 계산합니다.

v2

객체의 실제 궤적과 예상 기준 경로 사이의 프레셰 거리를 계산하여 추적된 객체가 기준 경로를 얼마나 가깝게 따르는지 측정하며, 이를 통해 경로 준수 모니터링, 경로 이탈 감지, 자동화 시스템의 품질 관리, 행동 분석 워크플로우를 지원합니다.

이 블록의 작동 방식

이 블록은 추적된 객체의 실제 이동 경로를 미리 정의된 기준 경로와 비교하여 편차를 측정합니다. 이 블록은:

1. 고유한 tracker ID가 있는 추적된 탐지 예측, 내장된 비디오 메타데이터가 포함된 이미지, 그리고 기준 경로 정의를 받습니다

2. 이미지에서 비디오 메타데이터를 추출합니다:

   • WorkflowImageData 객체에서 video_metadata에 접근합니다

   • 서로 다른 비디오에 대해 별도의 경로 추적 상태를 유지하기 위해 video_identifier를 추출합니다

   • 비디오별 경로 추적 상태를 초기화하고 관리하기 위해 비디오 메타데이터를 사용합니다

3. 탐지 결과에 tracker ID가 있는지 검증합니다(프레임 간 객체 움직임 추적에 필요함)

4. 비디오의 경로 추적 상태를 초기화하거나 가져옵니다:

   • 각 추적된 객체의 위치 기록을 비디오별로 유지합니다

   • 서로 다른 비디오를 구분하기 위해 video_identifier를 사용하여 객체 경로를 저장합니다

   • 처음 등장한 객체에 대해 새 경로 추적 항목을 생성합니다

5. 각 탐지에 대한 앵커 포인트 좌표를 추출합니다:

   • triggering_anchor를 사용하여 바운딩 박스의 어느 지점을 추적할지 결정합니다(기본값: CENTER)

   • 현재 프레임의 각 탐지에 대해 앵커 포인트의 (x, y) 좌표를 가져옵니다

   • 앵커 포인트는 경로 비교에 사용되는 객체의 위치를 나타냅니다

6. 시간이 지남에 따라 객체 경로를 누적합니다:

   • 프레임이 처리될 때마다 각 객체의 앵커 포인트를 경로 기록에 추가합니다

   • 고유한 tracker_id마다 별도의 경로 기록을 유지합니다

   • 처리된 모든 프레임에 걸친 위치를 누적하여 완전한 궤적 경로를 구축합니다

7. 각 추적된 객체에 대한 프레셰 거리를 계산합니다:

   • 프레셰 거리: 위치와 점의 순서를 모두 고려하여 두 곡선(경로) 간의 유사성을 측정합니다

   • 객체의 누적된 경로(실제 궤적)를 기준 경로(예상 궤적)와 비교합니다

   • 두 경로를 동시에 따라가는데 필요한 최소 "끈 길이"를 계산하기 위해 동적 계획법을 사용합니다

   • 단순한 점 간 거리뿐 아니라 각 경로를 따른 점의 순서를 고려합니다

   • 값이 낮을수록 객체가 기준 경로를 가깝게 따르고 있음을 의미하며, 값이 높을수록 더 큰 편차를 의미합니다

8. 탐지 메타데이터에 경로 편차를 저장합니다:

   • 각 탐지의 메타데이터에 프레셰 거리 값을 추가합니다

   • 각 탐지는 기준 경로에서 얼마나 벗어났는지를 나타내는 path_deviation을 포함합니다

   • 거리는 픽셀 단위로 측정됩니다(이미지 좌표와 동일한 단위)

9. 지속적인 경로 추적을 유지합니다:

   • 경로 기록은 전체 비디오에 걸쳐 프레임마다 누적됩니다

   • 각 객체의 편차는 추적 시작부터의 전체 경로를 기준으로 계산됩니다

   • 각 video_identifier마다 별도의 추적 상태가 유지됩니다

10. 경로 편차 정보가 추가된 탐지 결과를 반환합니다:

    • 추가된 path_deviation 메타데이터가 포함된 탐지 객체를 출력합니다

    • 각 탐지에는 이제 기준 경로에서의 편차를 측정하는 프레셰 거리가 포함됩니다

프레셰 거리는 한 곡선을 따라 움직이는 점과 다른 곡선을 따라 움직이는 점을 연결하는 "끈"의 최소 길이를 찾아 두 곡선의 유사성을 측정하는 지표입니다. 두 점은 각각의 곡선을 따라 앞으로 이동합니다. 단순한 유클리드 거리와 달리, 프레셰 거리는 경로를 따른 점의 순서와 연속성을 고려하므로, 이동 순서가 중요한 궤적 비교에 이상적입니다. 기준 경로를 정확히 따른 객체의 프레셰 거리는 0이 되며, 크게 벗어나는 객체는 더 큰 거리를 갖습니다.

일반적인 사용 사례

• 경로 준수 모니터링: 차량, 로봇 또는 객체가 미리 정의된 경로를 따르는지 모니터링합니다(예: 차량이 차선을 유지하는지 확인하고, 로봇이 프로그램된 경로를 따르는지 점검하고, 객체가 예상 경로를 따르는지 보장함), 이를 통해 준수 모니터링 워크플로우를 지원합니다

• 품질 관리: 제조 또는 조립 공정에서 객체가 특정 경로를 따라야 하는 경우의 편차를 감지합니다(예: 컨베이어 벨트 이탈 감지, 조립 라인 경로 모니터링, 제품 이동 패턴 확인), 이를 통해 품질 관리 워크플로우를 지원합니다

• 교통 분석: 차량 이동 패턴을 분석하고 차선 이탈 또는 경로 이탈을 감지합니다(예: 차량의 차선 이탈 감지, 경로 준수 모니터링, 교통 패턴 준수 분석), 이를 통해 교통 분석 워크플로우를 지원합니다

• 보안 모니터링: 보안 시나리오에서 의심스러운 이동 패턴이나 예상 경로에서의 이탈을 감지합니다(예: 무단 경로 이탈 감지, 경계 침입 시도 모니터링, 이동 준수 추적), 이를 통해 보안 모니터링 워크플로우를 지원합니다

• 자동화 시스템: 자동화 시스템(로봇, AGV, 드론)이 예상 경로를 올바르게 따르는지 모니터링하고 검증합니다(예: 로봇 내비게이션 정확도 확인, 자동화 차량 경로 점검, 드론 비행 경로 검증), 이를 통해 자동화 시스템 검증 워크플로우를 지원합니다

• 행동 분석: 행동 연구에서 이동 패턴과 경로 준수 여부를 연구합니다(예: 동물 이동 패턴 분석, 경로 추종 행동 연구, 경로 선호 편차 측정), 이를 통해 행동 연구 워크플로우를 지원합니다

다른 블록에 연결하기

이 블록은 추적된 탐지 결과, 내장된 비디오 메타데이터가 포함된 이미지, 그리고 기준 경로를 입력받아 path_deviation 메타데이터가 추가된 탐지 결과를 생성합니다:

• Byte Tracker 블록 이후 추적된 객체에 대한 경로 편차를 측정하기 위해(예: 추적된 차량의 경로 준수 측정, 추적된 사람의 경로 준수 분석, 추적된 객체의 경로 편차 모니터링), 추적-경로 분석 워크플로우를 지원합니다

• 객체 탐지 또는 인스턴스 분할 블록 이후 이동 경로를 분석하기 위해 추적이 활성화된 상태에서(예: 차량 경로 분석, 객체 경로 준수 추적, 경로 편차 측정), 탐지-경로 분석 워크플로우를 지원합니다

• 시각화 블록 이전 경로 편차 정보를 표시하기 위해(예: 경로와 편차 시각화, 기준 경로와 실제 경로 표시, 편차 지표 표시), 경로 편차 시각화 워크플로우를 지원합니다

• 로직 블록 이전 Continue If와 같은 조건을 사용하여 경로 편차 임계값을 기준으로 결정을 내리기 위해(예: 편차가 한계를 초과하면 계속, 경로 준수를 기준으로 필터링, 경로 위반 시 작업 트리거), 경로 기반 의사결정 워크플로우를 지원합니다

• 알림 블록 앞에서 경로 이탈이나 준수 위반을 알리기 위해(예: 경로 이탈 알림, 경로 준수 문제 알림, 편차 기반 경고 트리거), 경로 기반 알림 워크플로우를 지원합니다

• 데이터 저장 블록 앞에서 경로 편차 측정값을 기록하기 위해(예: 경로 준수 데이터 기록, 편차 통계 저장, 경로 준수 지표 기록), 경로 편차 데이터 로깅 워크플로우를 지원합니다

버전 차이

v1에서 개선됨:

• 간소화된 입력: 이미지 별도의 메타데이터 필드를 요구하는 대신 임베디드 비디오 메타데이터가 포함된 input을 사용하여 워크플로 연결을 단순화하고 입력 복잡성을 줄입니다

• 향상된 통합: 이미지 객체에서 직접 비디오 메타데이터에 접근하므로, 별도의 메타데이터 입력을 요구하지 않아 이미지 기반 워크플로와 더 잘 통합됩니다

요구 사항

이 블록은 tracker_id 정보가 있는 추적된 탐지 결과를 필요로 합니다(탐지는 Byte Tracker와 같은 추적 블록에서 와야 합니다). 기준 경로는 최소 2개의 점으로 이루어진 목록으로 정의되어야 하며, 각 점은 정확히 2개의 좌표 (x, y)를 가진 튜플 또는 리스트여야 합니다. 이미지의 video_metadata에는 서로 다른 비디오에 대해 별도의 경로 추적 상태를 유지하기 위한 video_identifier가 포함되어야 합니다. 이 블록은 각 비디오에 대해 프레임 간 지속적인 경로 추적을 유지하고 완전한 궤적을 누적하므로, 프레임이 순차적으로 처리되는 비디오 워크플로우에서 사용해야 합니다. 정확한 경로 편차 측정을 위해서는 유효한 tracker ID가 포함된 탐지 결과가 프레임마다 일관되게 제공되어야 합니다. 프레셰 거리는 픽셀 단위(이미지 좌표와 동일한 단위)로 계산됩니다.

유형 식별자

단계에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/path_deviation_analytics@v2 워크플로우에 이 블록을 단계로 추가하려면.

속성

이름	유형	설명	참조
name	str	이 단계에 대한 고유 식별자를 입력하세요..	❌
triggering_anchor	str	경로 계산을 위해 객체 위치를 추적하는 데 사용하는 바운딩 박스상의 점입니다. 옵션에는 CENTER(기본값), BOTTOM_CENTER, TOP_CENTER, CENTER_LEFT, CENTER_RIGHT 등이 포함됩니다. 이 앵커 포인트의 좌표는 프레임마다 누적되어 객체의 궤적 경로를 구성하며, 이 경로는 프레셰 거리를 사용하여 기준 경로와 비교됩니다..	✅
참조 경로	List[Any]	최소 2개의 점으로 이루어진 목록 형태의 예상 기준 경로이며, 각 점은 [x, y] 좌표의 튜플 또는 리스트입니다. 예: [(100, 200), (200, 300), (300, 400)]은 3개 점으로 이루어진 경로를 정의합니다. 프레셰 거리는 추적된 객체가 이 기준 경로를 얼마나 가깝게 따르는지 측정합니다. 점들은 예상 궤적을 따라 순서대로 배치되어야 합니다..	✅

이 참조 열은 워크플로우 런타임에서 사용 가능한 동적 값으로 속성을 매개변수화할 수 있는 가능성을 나타냅니다 워크플로우 런타임입니다. 자세한 내용은 바인딩 을 참조하세요.

런타임 호환성

소프트 - 런타임 호스팅 서버리스, 전용 배포; 실행 원격; 입력 비디오 : 이 블록은 프로세스 메모리에서 비디오별 상태를 유지합니다(video_metadata.video_identifier로 키 지정). 상태 비저장 또는 다중 복제 HTTP 런타임에서 원격 단계 실행을 사용하면 연속 요청이 서로 다른 작업자 프로세스에서 처리될 수 있으므로, 상태가 호출 사이에 초기화되어 추적 / 카운팅 / 집계를 위한 출력은 의미가 없어집니다. 안정적인 프레임 간 결과를 위해 지속적인 WebRTC 세션에서 로컬 단계 실행을 사용하세요.

소프트 - 입력 이미지 : 이 블록은 비디오나 반복 프레임 워크플로의 시간적 문맥에 의존합니다. 정지 이미지/사진에는 추적, 비교, 집계 또는 시각화할 의미 있는 히스토리가 없으므로 이 블록은 거의 또는 전혀 이점을 제공하지 않습니다.

입력 및 출력 바인딩

사용 가능한 연결은 바인딩 유형에 따라 달라집니다. 어떤 바인딩 유형인지 확인하세요 경로 편차 버전 v2 을 가지고 있는지.

입력 및 출력 바인딩

• 입력

  • 이미지 (이미지): 내장된 비디오 메타데이터가 포함된 이미지. video_metadata에는 서로 다른 비디오에 대해 별도의 경로 추적 상태를 유지하기 위한 video_identifier가 포함됩니다. 프레임 간 지속적인 경로 누적에 필요합니다..

  • detections (Union[object_detection_prediction, instance_segmentation_prediction]): tracker_id 정보가 포함된 추적된 객체 탐지 또는 인스턴스 세분화 예측. 추적 블록의 tracker_id 정보가 있어야 합니다. 이 블록은 프레임 간 앵커 포인트 위치를 추적하여 객체 궤적을 만들고 이를 기준 경로와 비교합니다. 출력 탐지 결과에는 기준 경로로부터의 프레셰 거리를 포함하는 path_deviation 메타데이터가 포함됩니다..

  • triggering_anchor (string경로 계산을 위해 객체 위치를 추적하는 데 사용하는 바운딩 박스상의 점입니다. 옵션에는 CENTER(기본값), BOTTOM_CENTER, TOP_CENTER, CENTER_LEFT, CENTER_RIGHT 등이 포함됩니다. 이 앵커 포인트의 좌표는 프레임마다 누적되어 객체의 궤적 경로를 구성하며, 이 경로는 프레셰 거리를 사용하여 기준 경로와 비교됩니다..

  • 참조 경로 (list_of_values): 최소 2개의 점으로 이루어진 목록 형태의 예상 기준 경로이며, 각 점은 [x, y] 좌표의 튜플 또는 리스트입니다. 예: [(100, 200), (200, 300), (300, 400)]은 3개 점으로 이루어진 경로를 정의합니다. 프레셰 거리는 추적된 객체가 이 기준 경로를 얼마나 가깝게 따르는지 측정합니다. 점들은 예상 궤적을 따라 순서대로 배치되어야 합니다..

• 출력

  • path_deviation_detections (Union[object_detection_prediction, instance_segmentation_prediction]): sv.Detections(...) 객체 형태의 탐지된 바운딩 박스 예측, 다음 경우 object_detection_prediction 또는 sv.Detections(...) 객체 형태의 탐지된 바운딩 박스 및 세그멘테이션 마스크 예측, 다음 경우 instance_segmentation_prediction.

예시 JSON 정의

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/path_deviation_analytics@v2",
	    "image": "<block_does_not_provide_example>",
	    "detections": "$steps.object_detection_model.predictions",
	    "triggering_anchor": "CENTER",
	    "reference_path": [
	        [
	            100,
	            200
	        ],
	        [
	            200,
	            300
	        ],
	        [
	            300,
	            400
	        ]
	    ]
	}

v1

객체의 실제 궤적과 예상 기준 경로 사이의 프레셰 거리를 계산하여 추적된 객체가 기준 경로를 얼마나 가깝게 따르는지 측정하며, 이를 통해 경로 준수 모니터링, 경로 이탈 감지, 자동화 시스템의 품질 관리, 행동 분석 워크플로우를 지원합니다.

이 블록의 작동 방식

이 블록은 추적된 객체의 실제 이동 경로를 미리 정의된 기준 경로와 비교하여 편차를 측정합니다. 이 블록은:

1. 고유한 tracker ID가 있는 추적된 탐지 예측, 비디오 메타데이터, 그리고 기준 경로 정의를 받습니다

2. 탐지 결과에 tracker ID가 있는지 검증합니다(프레임 간 객체 움직임 추적에 필요함)

3. 비디오의 경로 추적 상태를 초기화하거나 가져옵니다:

   • 각 추적된 객체의 위치 기록을 비디오별로 유지합니다

   • 서로 다른 비디오를 구분하기 위해 video_identifier를 사용하여 객체 경로를 저장합니다

   • 처음 등장한 객체에 대해 새 경로 추적 항목을 생성합니다

4. 각 탐지에 대한 앵커 포인트 좌표를 추출합니다:

   • triggering_anchor를 사용하여 바운딩 박스의 어느 지점을 추적할지 결정합니다(기본값: CENTER)

   • 현재 프레임의 각 탐지에 대해 앵커 포인트의 (x, y) 좌표를 가져옵니다

   • 앵커 포인트는 경로 비교에 사용되는 객체의 위치를 나타냅니다

5. 시간이 지남에 따라 객체 경로를 누적합니다:

   • 프레임이 처리될 때마다 각 객체의 앵커 포인트를 경로 기록에 추가합니다

   • 고유한 tracker_id마다 별도의 경로 기록을 유지합니다

   • 처리된 모든 프레임에 걸친 위치를 누적하여 완전한 궤적 경로를 구축합니다

6. 각 추적된 객체에 대한 프레셰 거리를 계산합니다:

   • 프레셰 거리: 위치와 점의 순서를 모두 고려하여 두 곡선(경로) 간의 유사성을 측정합니다

   • 객체의 누적된 경로(실제 궤적)를 기준 경로(예상 궤적)와 비교합니다

   • 두 경로를 동시에 따라가는데 필요한 최소 "끈 길이"를 계산하기 위해 동적 계획법을 사용합니다

   • 단순한 점 간 거리뿐 아니라 각 경로를 따른 점의 순서를 고려합니다

   • 값이 낮을수록 객체가 기준 경로를 가깝게 따르고 있음을 의미하며, 값이 높을수록 더 큰 편차를 의미합니다

7. 탐지 메타데이터에 경로 편차를 저장합니다:

   • 각 탐지의 메타데이터에 프레셰 거리 값을 추가합니다

   • 각 탐지는 기준 경로에서 얼마나 벗어났는지를 나타내는 path_deviation을 포함합니다

   • 거리는 픽셀 단위로 측정됩니다(이미지 좌표와 동일한 단위)

8. 지속적인 경로 추적을 유지합니다:

   • 경로 기록은 전체 비디오에 걸쳐 프레임마다 누적됩니다

   • 각 객체의 편차는 추적 시작부터의 전체 경로를 기준으로 계산됩니다

   • 각 video_identifier마다 별도의 추적 상태가 유지됩니다

9. 경로 편차 정보가 추가된 탐지 결과를 반환합니다:

   • 추가된 path_deviation 메타데이터가 포함된 탐지 객체를 출력합니다

   • 각 탐지에는 이제 기준 경로에서의 편차를 측정하는 프레셰 거리가 포함됩니다

프레셰 거리는 한 곡선을 따라 움직이는 점과 다른 곡선을 따라 움직이는 점을 연결하는 "끈"의 최소 길이를 찾아 두 곡선의 유사성을 측정하는 지표입니다. 두 점은 각각의 곡선을 따라 앞으로 이동합니다. 단순한 유클리드 거리와 달리, 프레셰 거리는 경로를 따른 점의 순서와 연속성을 고려하므로, 이동 순서가 중요한 궤적 비교에 이상적입니다. 기준 경로를 정확히 따른 객체의 프레셰 거리는 0이 되며, 크게 벗어나는 객체는 더 큰 거리를 갖습니다.

일반적인 사용 사례

• 경로 준수 모니터링: 차량, 로봇 또는 객체가 미리 정의된 경로를 따르는지 모니터링합니다(예: 차량이 차선을 유지하는지 확인하고, 로봇이 프로그램된 경로를 따르는지 점검하고, 객체가 예상 경로를 따르는지 보장함), 이를 통해 준수 모니터링 워크플로우를 지원합니다

• 품질 관리: 제조 또는 조립 공정에서 객체가 특정 경로를 따라야 하는 경우의 편차를 감지합니다(예: 컨베이어 벨트 이탈 감지, 조립 라인 경로 모니터링, 제품 이동 패턴 확인), 이를 통해 품질 관리 워크플로우를 지원합니다

• 교통 분석: 차량 이동 패턴을 분석하고 차선 이탈 또는 경로 이탈을 감지합니다(예: 차량의 차선 이탈 감지, 경로 준수 모니터링, 교통 패턴 준수 분석), 이를 통해 교통 분석 워크플로우를 지원합니다

• 보안 모니터링: 보안 시나리오에서 의심스러운 이동 패턴이나 예상 경로에서의 이탈을 감지합니다(예: 무단 경로 이탈 감지, 경계 침입 시도 모니터링, 이동 준수 추적), 이를 통해 보안 모니터링 워크플로우를 지원합니다

• 자동화 시스템: 자동화 시스템(로봇, AGV, 드론)이 예상 경로를 올바르게 따르는지 모니터링하고 검증합니다(예: 로봇 내비게이션 정확도 확인, 자동화 차량 경로 점검, 드론 비행 경로 검증), 이를 통해 자동화 시스템 검증 워크플로우를 지원합니다

• 행동 분석: 행동 연구에서 이동 패턴과 경로 준수 여부를 연구합니다(예: 동물 이동 패턴 분석, 경로 추종 행동 연구, 경로 선호 편차 측정), 이를 통해 행동 연구 워크플로우를 지원합니다

다른 블록에 연결하기

이 블록은 추적된 탐지 결과, 비디오 메타데이터, 그리고 기준 경로를 입력받아 path_deviation 메타데이터가 추가된 탐지 결과를 생성합니다:

• Byte Tracker 블록 이후 추적된 객체에 대한 경로 편차를 측정하기 위해(예: 추적된 차량의 경로 준수 측정, 추적된 사람의 경로 준수 분석, 추적된 객체의 경로 편차 모니터링), 추적-경로 분석 워크플로우를 지원합니다

• 객체 탐지 또는 인스턴스 분할 블록 이후 이동 경로를 분석하기 위해 추적이 활성화된 상태에서(예: 차량 경로 분석, 객체 경로 준수 추적, 경로 편차 측정), 탐지-경로 분석 워크플로우를 지원합니다

• 시각화 블록 이전 경로 편차 정보를 표시하기 위해(예: 경로와 편차 시각화, 기준 경로와 실제 경로 표시, 편차 지표 표시), 경로 편차 시각화 워크플로우를 지원합니다

• 로직 블록 이전 Continue If와 같은 조건을 사용하여 경로 편차 임계값을 기준으로 결정을 내리기 위해(예: 편차가 한계를 초과하면 계속, 경로 준수를 기준으로 필터링, 경로 위반 시 작업 트리거), 경로 기반 의사결정 워크플로우를 지원합니다

• 알림 블록 앞에서 경로 이탈이나 준수 위반을 알리기 위해(예: 경로 이탈 알림, 경로 준수 문제 알림, 편차 기반 경고 트리거), 경로 기반 알림 워크플로우를 지원합니다

• 데이터 저장 블록 앞에서 경로 편차 측정값을 기록하기 위해(예: 경로 준수 데이터 기록, 편차 통계 저장, 경로 준수 지표 기록), 경로 편차 데이터 로깅 워크플로우를 지원합니다

요구 사항

이 블록은 tracker_id 정보가 있는 추적된 탐지 결과를 필요로 합니다(탐지는 Byte Tracker와 같은 추적 블록에서 와야 합니다). 기준 경로는 최소 2개의 점으로 이루어진 목록으로 정의되어야 하며, 각 점은 정확히 2개의 좌표 (x, y)를 가진 튜플 또는 리스트여야 합니다. 블록은 서로 다른 비디오에 대해 별도의 경로 추적 상태를 유지하기 위해 video_identifier가 포함된 비디오 메타데이터를 필요로 합니다. 이 블록은 각 비디오에 대해 프레임 간 지속적인 경로 추적을 유지하고 완전한 궤적을 누적하므로, 프레임이 순차적으로 처리되는 비디오 워크플로우에서 사용해야 합니다. 정확한 경로 편차 측정을 위해서는 유효한 tracker ID가 포함된 탐지 결과가 프레임마다 일관되게 제공되어야 합니다. 프레셰 거리는 픽셀 단위(이미지 좌표와 동일한 단위)로 계산됩니다.

유형 식별자

단계에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/path_deviation_analytics@v1 워크플로우에 이 블록을 단계로 추가하려면.

속성

이름	유형	설명	참조
name	str	이 단계에 대한 고유 식별자를 입력하세요..	❌
triggering_anchor	str	경로 계산을 위해 객체 위치를 추적하는 데 사용하는 바운딩 박스상의 점입니다. 옵션: CENTER(기본값), BOTTOM_CENTER, TOP_CENTER, CENTER_LEFT, CENTER_RIGHT 등. 이 앵커 포인트의 좌표는 프레임마다 누적되어 객체의 궤적 경로를 구성하며, 이 경로는 프레셰 거리를 사용하여 기준 경로와 비교됩니다..	✅
참조 경로	List[Any]	최소 2개의 점으로 이루어진 목록 형태의 예상 기준 경로이며, 각 점은 [x, y] 좌표의 튜플 또는 리스트입니다. 예: [(100, 200), (200, 300), (300, 400)]은 3개 점으로 이루어진 경로를 정의합니다. 프레셰 거리는 추적된 객체가 이 기준 경로를 얼마나 가깝게 따르는지 측정합니다. 점들은 예상 궤적을 따라 순서대로 배치되어야 합니다..	✅

이 참조 열은 워크플로우 런타임에서 사용 가능한 동적 값으로 속성을 매개변수화할 수 있는 가능성을 나타냅니다 워크플로우 런타임입니다. 자세한 내용은 바인딩 을 참조하세요.

런타임 호환성

소프트 - 런타임 호스팅 서버리스, 전용 배포; 실행 원격; 입력 비디오 : 이 블록은 프로세스 메모리에서 비디오별 상태를 유지합니다(video_metadata.video_identifier로 키 지정). 상태 비저장 또는 다중 복제 HTTP 런타임에서 원격 단계 실행을 사용하면 연속 요청이 서로 다른 작업자 프로세스에서 처리될 수 있으므로, 상태가 호출 사이에 초기화되어 추적 / 카운팅 / 집계를 위한 출력은 의미가 없어집니다. 안정적인 프레임 간 결과를 위해 지속적인 WebRTC 세션에서 로컬 단계 실행을 사용하세요.

소프트 - 입력 이미지 : 이 블록은 비디오나 반복 프레임 워크플로의 시간적 문맥에 의존합니다. 정지 이미지/사진에는 추적, 비교, 집계 또는 시각화할 의미 있는 히스토리가 없으므로 이 블록은 거의 또는 전혀 이점을 제공하지 않습니다.

입력 및 출력 바인딩

사용 가능한 연결은 바인딩 유형에 따라 달라집니다. 어떤 바인딩 유형인지 확인하세요 경로 편차 버전 v1 을 가지고 있는지.

입력 및 출력 바인딩

• 입력

  • 메타데이터 (video_metadata): 서로 다른 비디오에 대해 별도의 경로 추적 상태를 유지하기 위한 video_identifier를 포함하는 비디오 메타데이터. 프레임 간 지속적인 경로 누적에 필요합니다..

  • detections (Union[object_detection_prediction, instance_segmentation_prediction]): tracker_id 정보가 포함된 추적된 객체 탐지 또는 인스턴스 세분화 예측. 추적 블록의 tracker_id 정보가 있어야 합니다. 이 블록은 프레임 간 앵커 포인트 위치를 추적하여 객체 궤적을 만들고 이를 기준 경로와 비교합니다. 출력 탐지 결과에는 기준 경로로부터의 프레셰 거리를 포함하는 path_deviation 메타데이터가 포함됩니다..

  • triggering_anchor (string경로 계산을 위해 객체 위치를 추적하는 데 사용하는 바운딩 박스상의 점입니다. 옵션: CENTER(기본값), BOTTOM_CENTER, TOP_CENTER, CENTER_LEFT, CENTER_RIGHT 등. 이 앵커 포인트의 좌표는 프레임마다 누적되어 객체의 궤적 경로를 구성하며, 이 경로는 프레셰 거리를 사용하여 기준 경로와 비교됩니다..

  • 참조 경로 (list_of_values): 최소 2개의 점으로 이루어진 목록 형태의 예상 기준 경로이며, 각 점은 [x, y] 좌표의 튜플 또는 리스트입니다. 예: [(100, 200), (200, 300), (300, 400)]은 3개 점으로 이루어진 경로를 정의합니다. 프레셰 거리는 추적된 객체가 이 기준 경로를 얼마나 가깝게 따르는지 측정합니다. 점들은 예상 궤적을 따라 순서대로 배치되어야 합니다..

• 출력

  • path_deviation_detections (Union[object_detection_prediction, instance_segmentation_prediction]): sv.Detections(...) 객체 형태의 탐지된 바운딩 박스 예측, 다음 경우 object_detection_prediction 또는 sv.Detections(...) 객체 형태의 탐지된 바운딩 박스 및 세그멘테이션 마스크 예측, 다음 경우 instance_segmentation_prediction.

예시 JSON 정의

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/path_deviation_analytics@v1",
	    "metadata": "<block_does_not_provide_example>",
	    "detections": "$steps.object_detection_model.predictions",
	    "triggering_anchor": "CENTER",
	    "reference_path": [
	        [
	            100,
	            200
	        ],
	        [
	            200,
	            300
	        ],
	        [
	            300,
	            400
	        ]
	    ]
	}