Wenn du auf "Alle Cookies akzeptieren" klickst, stimmst du der Speicherung von Cookies auf deinem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingmaßnahmen zu unterstützen. Mehr Infos
Cookie-Einstellungen
Wenn du auf "Alle Cookies akzeptieren" klickst, stimmst du der Speicherung von Cookies auf deinem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingmaßnahmen zu unterstützen. Mehr Infos
Wenn du die Straße überquerst und ein Auto auf dich zukommen siehst, kannst du sofort einschätzen, wie weit es entfernt ist. Diese schnelle, fast instinktive Einschätzung verdankst du einem räumlichen Verständnis deiner Umgebung. Anhand dieses Gefühls kannst du entscheiden, ob du schneller laufen, anhalten oder weitergehen sollst.
Computer Vision ist ein Teilbereich der künstlichen Intelligenz (KI), der es Maschinen ermöglicht, durch die Interpretation visueller Daten ein Verständnis für ihre Umgebung zu entwickeln. So wie du die Nähe eines Autos einschätzen kannst, um schnelle Entscheidungen zu treffen, können Computer-Vision-Modelle Bilder und Videos analysieren und Maschinen dabei helfen, die Welt um sie herum wahrzunehmen und darauf zu reagieren.
Zum Beispiel, Ultralytics YOLO11 ist ein Computer Vision Modell, das Objekte in Bildern und Videos in Echtzeit erkennen und verfolgen kann. Vereinfacht gesagt, betrachtet YOLO11 das gesamte Bild auf einmal und nicht nur einzelne Teile, was es schneller und effizienter macht. Es kann auch Bildverarbeitungsaufgaben wie die Segmentierung von Objekten, die Schätzung von Posen und die Klassifizierung von Bildern übernehmen.
Die Fähigkeiten von YOLO11 können insbesondere dazu genutzt werden, den Abstand zwischen Objekten zu berechnen, was in vielen Bereichen wie der Produktion, dem Einzelhandel und der Verwaltung von Menschenmengen nützlich ist und zur Verbesserung der Sicherheit und Effizienz beiträgt.
In diesem Artikel erfahren wir, wie YOLO11 für die Entfernungsberechnung in Computer Vision Anwendungen genutzt werden kann, warum es wichtig ist und welche Auswirkungen es in verschiedenen Branchen hat.
Abb. 1. Ein Beispiel für die Verwendung von YOLO zur Berechnung der Landestrecke eines Flugzeugs.
Ein Überblick über die Entfernungsberechnung in der Computer Vision
Bei der Abstandsberechnung in der Computer Vision geht es darum, die Pixel zwischen zwei Objekten in einem Bild zu erkennen, zu lokalisieren und zu messen. Pixel sind die einzelnen Einheiten, aus denen ein digitales Bild besteht, wobei jedes einen einzelnen Punkt mit einem bestimmten Farb- oder Intensitätswert darstellt.
Um Pixelmessungen in reale Entfernungen umzuwandeln, ist die Kalibrierung der Schlüssel. Du kannst dir das so vorstellen, als würdest du ein Lineal benutzen, um etwas zu messen, und diese Messung dann verwenden, um die Größe anderer Objekte zu verstehen. Indem du dich auf Objekte mit bekannten Größen beziehst, stellt die Kalibrierung eine Verbindung zwischen den Pixeln und den tatsächlichen Entfernungen her.
Schauen wir uns ein Beispiel an, um zu sehen, wie das funktioniert. Im folgenden Bild ist die Münze das Referenzobjekt, und ihre Größe (0,9 x 1,0 Zoll) ist bekannt. Indem wir die Pixelmaße der anderen Objekte mit der Größe der Münze vergleichen, können wir ihre reale Größe berechnen.
Abb. 2. Eine Münze kann als Referenz verwendet werden, um die reale Größe anderer Objekte zu messen.
Die Entfernungsberechnung erfolgt jedoch in einer zweidimensionalen (2D) Ebene, d.h. sie misst nur die horizontalen und vertikalen Abstände zwischen den Objekten. Dies unterscheidet sich von der Tiefenschätzung, die die Entfernung von Objekten im dreidimensionalen Raum misst, einschließlich der Entfernung zur Kamera.
Während Tiefenkameras die tatsächliche Tiefe messen und detailliertere räumliche Informationen liefern können, reicht in vielen Fällen eine einfache kalibrierte Entfernung aus. Wenn man zum Beispiel weiß, wie weit Objekte in einer 2D-Ebene voneinander entfernt sind, eignet sich das gut für Aufgaben wie das Verfolgen von Objekten oder das Verwalten von Warteschlangen, sodass eine Tiefenschätzung in diesen Situationen nicht erforderlich ist.
Verstehen, wie die Entfernungsberechnung mit YOLO11 funktioniert
Als Nächstes erklären wir dir, wie du den Abstand zwischen zwei Objekten mit Hilfe von YOLO11Unterstützung für die Objekterkennung und -verfolgung berechnen kannst. Hier ist eine Aufschlüsselung:
Erkennen und Verfolgen von Objekten: YOLO11 kann Objekte erkennen, indem es sie in einem Bild erkennt und ihre Bewegung über die Bilder eines Videos hinweg verfolgt. Jedem Objekt wird eine eindeutige Track-ID zugewiesen, so dass das System seine Position und Bewegung im gesamten Video verfolgen kann.
Begrenzungsrahmen: Basierend auf den Objekterkennungsergebnissen von YOLO11werden Begrenzungsrahmen um die erkannten Objekte gezeichnet, die ihre Position im Bild definieren.
Auswählen von Objekten: Zwei Objekte können ausgewählt werden, um sie zu fokussieren, und YOLO11 aktualisiert die Bounding Boxen, wenn sich die Objekte in Echtzeit bewegen.
Berechnung des Schwerpunkts: Zentroide (die Mittelpunkte der Boundingboxen der beiden Objekte) werden anhand der Koordinaten der Boundingbox-Ecken berechnet, die die Positionen der Objekte darstellen.
Abstandsberechnung: Die Mittelpunkte der beiden Objekte können dann verwendet werden, um den euklidischen Abstand zwischen ihnen zu berechnen. Der euklidische Abstand ist der geradlinige Abstand zwischen zwei Punkten in einer 2D-Ebene, der anhand der Unterschiede in horizontaler und vertikaler Richtung berechnet wird. Daraus ergibt sich der Abstand zwischen den beiden Objekten in Pixeln.
Es ist wichtig zu bedenken, dass die mit dieser Methode berechneten Entfernungen nur Schätzungen sind, da sie auf 2D-Pixelmessungen basieren.
Abb. 3. Verwendung von Ultralytics YOLO , um eine Person zu erkennen und Entfernungen zu berechnen.
Die Auswirkungen der YOLO
Wenn du bedenkst, dass die Berechnung von Entfernungen mit YOLO11 eine Schätzung ist, fragst du dich vielleicht: Wo kann es eingesetzt werden und wie kann es einen Unterschied machen?
Da für diese Entfernungsschätzungen Kalibrierungen verwendet werden, sind sie genau genug, um in vielen praktischen Situationen zu helfen. Die Abstandsschätzung von YOLO11ist besonders nützlich in dynamischen Umgebungen, wie z. B. in Lagerhallen, wo Objekte ständig in Bewegung sind und Echtzeitanpassungen notwendig sind, um einen reibungslosen Ablauf zu gewährleisten.
Ein interessantes Beispiel ist der Einsatz von YOLO11 , um Pakete auf einem Förderband zu verfolgen und den Abstand zwischen ihnen in Echtzeit zu schätzen. So können Lagerverwalter sicherstellen, dass die Pakete richtig verteilt sind, um Kollisionen zu vermeiden und einen reibungslosen Ablauf zu gewährleisten.
In solchen Fällen ist eine genaue Entfernung nicht immer notwendig. In der Regel wird ein Bereich oder ein Schwellenwert für den optimalen Abstand festgelegt, sodass eine Schätzung für diese Art von Anwendungen gut funktioniert.
Abb. 4. Erkennen von Paketen mit YOLO11 und Berechnen des Abstands zwischen ihnen.
Abstandsberechnung in Computer Vision Anwendungen
Verschiedene Computer-Vision-Anwendungen können von der Berechnung der Entfernung zwischen Objekten mit YOLO11 profitieren. In der Einzelhandelsanalytik hilft es zum Beispiel, das Warteschlangenmanagement zu verbessern, indem es die Positionen der Kunden in Echtzeit verfolgt. So können Unternehmen ihre Ressourcen besser einsetzen, die Wartezeiten verkürzen und ein angenehmeres Einkaufserlebnis schaffen. Durch die dynamische Anpassung des Personalbestands und die Steuerung der Kundenströme können Geschäfte eine Überfüllung verhindern und die Raumnutzung optimieren.
Auch im Verkehrsmanagement hilft die Abstandsschätzung bei der Überwachung von Fahrzeugabständen und der Analyse von Verkehrsmustern. So können gefährliche Verhaltensweisen wie dichtes Auffahren erkannt und Verkehrssignale angepasst werden, damit der Verkehr reibungslos fließt. Sie kann dazu beitragen, die Straßen sicherer zu machen, indem sie potenzielle Probleme identifiziert und das gesamte Verkehrsmanagement in Echtzeit verbessert.
Abb. 5. Die visuelle Abstandsberechnung kann zur Verkehrsüberwachung genutzt werden.
Ein weiterer einzigartiger Einsatz dieser Technologie fand während der COVID-19-Pandemie statt, als sie zur sozialen Distanzierung beitrug. Sie sorgte dafür, dass die Menschen auf öffentlichen Plätzen, in Geschäften und Krankenhäusern einen Sicherheitsabstand einhielten, um das Risiko der Verbreitung des Virus zu verringern.
Durch die Verfolgung von Entfernungen in Echtzeit können Warnungen verschickt werden, wenn sich Personen zu nahe kommen. Das macht es für Unternehmen und Gesundheitsdienstleister einfacher, schnell zu reagieren und eine sicherere Umgebung für alle zu schaffen.
Vor- und Nachteile der Entfernungsberechnung in der Computer Vision
Nachdem wir nun einige Anwendungen der Entfernungsberechnung mit Hilfe von Computer Vision besprochen haben, wollen wir uns die damit verbundenen Vorteile genauer ansehen:
Automatisierung: Vision AI kann Entfernungsberechnungen automatisieren, die sonst eine manuelle Verfolgung erfordern würden, was menschliche Fehler und Arbeitskosten reduziert und die Produktivität erhöht.
Ressourcenoptimierung: Indem du die ungefähren Abstände und die Nähe von Objekten kennst, können Ressourcen (wie Personal oder Maschinen) optimiert werden, was zu weniger Verschwendung und besseren Arbeitsabläufen führt.
Minimaler Einrichtungsaufwand: Einmal eingerichtet, sind Vision-fähige Entfernungsberechnungssysteme relativ wartungsarm und erfordern im Vergleich zu anderen Systemen, die auf manuelle Eingaben oder komplexe Maschinen angewiesen sind, weniger menschliche Eingriffe.
Trotz dieser Vorteile gibt es auch einige Einschränkungen, die bei der Implementierung solcher Systeme zu beachten sind. Hier ein kurzer Überblick über die wichtigsten Faktoren, die bei der Entfernungsberechnung mit Computer Vision zu beachten sind:
Empfindlichkeit gegenüber Umweltfaktoren: Die Genauigkeit der Entfernungsberechnung kann durch Lichtverhältnisse, Schatten, Reflexionen oder Hindernisse beeinträchtigt werden, was zu möglichen Fehlern oder Unstimmigkeiten führen kann.
Privatsphäre betrifft: Der Einsatz von Computer Vision zur Verfolgung von Objekten oder Personen kann Probleme mit dem Datenschutz aufwerfen, insbesondere in öffentlichen Räumen oder sensiblen Umgebungen, in denen persönliche Daten betroffen sein könnten.
Komplexität in Szenarien mit mehreren Objekten: In Umgebungen mit zahlreichen sich bewegenden Objekten kann die genaue Berechnung der Entfernungen zwischen mehreren Objekten gleichzeitig zu Verwirrung führen, vor allem wenn sie nahe beieinander liegen oder sich überschneiden.
Die wichtigsten Erkenntnisse
Die Berechnung der Entfernung zwischen Objekten mit YOLO11 ist eine zuverlässige Lösung, die bei der Entscheidungsfindung helfen kann. Sie ist besonders nützlich in dynamischen Umgebungen wie Lagerhäusern, im Einzelhandel und im Verkehrsmanagement, wo die Verfolgung der Nähe von Objekten die Effizienz und Sicherheit verbessern kann.
YOLO11 ermöglicht es, Aufgaben zu automatisieren, die normalerweise manuell erledigt werden müssten. Es gibt zwar einige Herausforderungen, wie z. B. die Empfindlichkeit gegenüber Umgebungsfaktoren und Bedenken hinsichtlich des Datenschutzes, aber die Vorteile, wie Automatisierung, Skalierbarkeit und einfache Integration, machen diese Technologie so wirkungsvoll. Wenn sich die Computer Vision weiter verbessert, insbesondere in Bereichen wie der Entfernungsberechnung, werden wir wahrscheinlich einen echten Wandel in der Art und Weise erleben, wie Maschinen mit ihrer Umgebung interagieren und sie verstehen.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
AR
TR
VI
