Verwendung von Ultralytics YOLO11 für die Erkennung von OBB-Objekten

UltralyticsDie jährliche Hybrid-Veranstaltung YOLO Vision 2024 (YV24) konzentrierte sich auf die Diskussion der neuesten Durchbrüche im Bereich KI und Computer Vision. Dies war die perfekte Gelegenheit, um unser neuestes Modell vorzustellen, Ultralytics YOLO11. Das Modell unterstützt die gleichen Computer Vision Aufgaben wie Ultralytics YOLOv8und macht den Umstieg auf das neue Modell für die Nutzer/innen mühelos.

Angenommen, du hast YOLOv8 für die Objekterkennung mit orientierten Boundingboxen (OBB) verwendet, um Objekte aus verschiedenen Winkeln zu erkennen. Mit ein paar kleinen Änderungen an deinem Code kannst du jetzt zu YOLO11 wechseln und von den Verbesserungen vonYOLO11 profitieren, die von höherer Genauigkeit und Effizienz bis hin zur Verarbeitungsgeschwindigkeit reichen. Falls du Modelle wie YOLO11 noch nicht benutzt hast, ist die OBB-Erkennung ein großartiges Beispiel dafür , wie YOLO11 in einer Reihe von Branchen eingesetzt werden kann und praktische Lösungen bietet, die eine echte Wirkung haben.

In diesem Artikel erfahren wir, was die OBB-Objekterkennung ist, wo sie angewendet werden kann und wie man YOLO11 zur Erkennung von OBB nutzt. Außerdem erfahren wir, wie die neuen Funktionen von YOLO11 diese Prozesse verbessern können und wie man Inferenzen durchführt und eigene Modelle trainiert, um die OBB-Erkennungsfunktionen optimal zu nutzen.

Die Funktionen der nächsten Generation YOLO11 umfassen Aufgaben wie die OBB-Objekterkennung

Die OBB-Objekterkennung geht einen Schritt weiter als die herkömmliche Objekterkennung, indem sie Objekte in verschiedenen Winkeln erkennt. Im Gegensatz zu normalen Begrenzungsrahmen, die an den Bildachsen ausgerichtet bleiben, drehen sich OBBs, um sich der Ausrichtung des Objekts anzupassen. Die OBB-Objekterkennung kann für die Analyse von Luft- oder Satellitenbildern verwendet werden, bei denen die Objekte nicht immer gerade sind. In Branchen wie der Stadtplanung, der Energiewirtschaft und dem Verkehrswesen kann die Fähigkeit, schräge Objekte wie Gebäude, Fahrzeuge oder Infrastruktur genau zu erkennen, die Grundlage für Computer-Vision-Anwendungen mit greifbaren Vorteilen bilden. 

‍

YOLO11 unterstützt die OBB-Erkennung und wurde auf dem DOTA v1.0-Datensatz trainiert, um Objekte wie Flugzeuge, Schiffe und Lagertanks aus verschiedenen Perspektiven zu erkennen. YOLO11 gibt es in verschiedenen Modellvarianten für unterschiedliche Bedürfnisse, darunter YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) und YOLO11x-obb (Extra Large). Jedes Modell hat eine andere Größe und ist unterschiedlich schnell, genau und rechenstark. Du kannst das Modell wählen, das für deine Anwendung das richtige Gleichgewicht aus Geschwindigkeit und Genauigkeit bietet. 

YOLO11 Anwendungsfälle, die einen neuen Blickwinkel auf die Erkennung eröffnen

YOLO11Die Objekterkennung, insbesondere die Unterstützung für orientierte Bounding Boxes, bringt mehr Präzision in verschiedene Branchen. Im Folgenden sehen wir uns einige Beispiele an, wie YOLO11 und die OBB-Erkennung in der Praxis eingesetzt werden können, um Prozesse in verschiedenen Bereichen effizienter, genauer und einfacher zu gestalten.

Stadtplanung und Infrastrukturüberwachung mit YOLO11

Wenn du jemals das Design und den Grundriss einer Stadt bewundert hast, verdankst du das der detaillierten Arbeit von Stadtplanung und Infrastrukturüberwachung. Einer der vielen Aspekte der Infrastrukturüberwachung ist die Identifizierung und Verwaltung wichtiger Strukturen wie Lagertanks, Pipelines und Industrieanlagen. YOLO11 kann Stadtplanern helfen, Luftbilder zu analysieren, um diese kritischen Komponenten schnell und genau zu erkennen. 

Die Erkennung von Objekten mit orientierten Boundingboxen ist hier besonders hilfreich, da sie die Erkennung von Objekten aus verschiedenen Blickwinkeln ermöglicht (was bei Luftbildern oft der Fall ist). Präzision ist hier unerlässlich, um den Überblick über Industriegebiete zu behalten, Umweltauswirkungen zu kontrollieren und sicherzustellen, dass die Infrastruktur ordnungsgemäß instand gehalten wird. OBB macht den Erkennungsprozess zuverlässiger und hilft den Planern, fundierte Entscheidungen über das Wachstum, die Sicherheit und die Nachhaltigkeit der Stadt zu treffen. Mit YOLO11 können Planer/innen die Infrastruktur überwachen und verwalten, die den reibungslosen Betrieb der Städte gewährleistet.

‍

Inspektion von Solarmodulen mit Drohnen, YOLO11, und Edge AI

Da erneuerbare Energien und Innovationen wie Solarparks immer beliebter werden, werden regelmäßige Inspektionen immer wichtiger. Solarmodule müssen überprüft werden, um sicherzustellen, dass sie effizient arbeiten. Mit der Zeit können Risse, Schmutzablagerungen oder eine falsche Ausrichtung die Leistung verringern. Regelmäßige Inspektionen helfen dabei, diese Probleme frühzeitig zu erkennen, so dass Wartungsarbeiten durchgeführt werden können, um einen reibungslosen Betrieb zu gewährleisten.

Zum Beispiel können Solarpaneele mit Drohnen, die mit Edge AI und YOLO11integriert sind, auf Schäden untersucht werden. Die Analyse von Bildern auf der Kante bringt mehr Präzision und Effizienz in den Inspektionsprozess. Aufgrund der Bewegung und der Perspektive der Drohne kann das Überwachungsmaterial die Solarpaneele oft aus verschiedenen Blickwinkeln aufnehmen. In diesen Fällen kann die OBB-Erkennung von YOLO11den Drohnen helfen, die Solarmodule genau zu identifizieren. 

YOLO11 Kann Einblicke für das Fuhrparkmanagement liefern

In Häfen werden jede Woche Hunderte von Schiffen abgefertigt, und das Management einer so großen Flotte kann eine Herausforderung sein. Eine zusätzliche Schwierigkeit ist die Analyse von Schiffen auf Luftbildern, denn die Schiffe erscheinen oft in unterschiedlichen Winkeln. Hier kommt die Unterstützung vonYOLO11für die OBB-Erkennung gerade recht. 

Die OBB-Erkennung ermöglicht es dem Modell, Schiffe in verschiedenen Winkeln genauer zu erkennen als normale rechteckige Boxen. Durch den Einsatz von YOLO11 mit OBB können Schifffahrtsunternehmen den Standort und den Zustand ihrer Flotte leichter erkennen und wichtige Details wie Flottenbewegungen und Lieferkettenlogistik verfolgen. Solche Vision-fähigen Lösungen helfen, Routen zu optimieren, Verspätungen zu reduzieren und das gesamte Flottenmanagement auf den Schifffahrtsrouten zu verbessern.

‍

YOLO11 für KI-Entwickler: Orientierte Bounding Boxes erkennen

Wenn du ein KI-Entwickler bist, der YOLO11 für die OBB-Erkennung nutzen möchte, gibt es zwei einfache Möglichkeiten für den Einstieg. Wenn du gerne mit Code arbeitest, ist das PaketUltralytics Python eine gute Wahl. Wenn du eine benutzerfreundliche, codefreie Lösung mit Cloud-Trainingsmöglichkeiten bevorzugst, ist Ultralytics HUB eine eigens dafür entwickelte Plattform. Weitere Einzelheiten findest du in unserem Leitfaden für die Schulung und den Einsatz von Ultralytics YOLO11 mit Ultralytics HUB.

Nachdem wir nun Beispiele dafür gesehen haben, wo die OBB-Unterstützung von YOLO11eingesetzt werden kann, wollen wir uns das Ultralytics Python Paket ansehen und herausfinden, wie du damit Schlussfolgerungen ziehen und eigene Modelle trainieren kannst. 

Rückschlüsse ziehen mit YOLO11

Um YOLO11 mit Python nutzen zu können, musst du zunächst das Paket Ultralytics installieren. Je nach deinen Vorlieben kannst du es mit pip, conda oder Docker installieren. Eine schrittweise Anleitung findest du in unserer Ultralytics Installationsanleitung. Wenn du während der Installation auf Probleme stößt, findest du in unserem Leitfaden für häufige Probleme hilfreiche Tipps zur Fehlerbehebung.

Sobald du das Paket Ultralytics installiert hast, ist die Arbeit mit YOLO11 unglaublich einfach. Unter dem Begriff "Inferenz" versteht man die Verwendung eines trainierten Modells, um Vorhersagen für neue Bilder zu treffen - z. B. das Erkennen von Objekten mit OBB in Echtzeit. Es unterscheidet sich vom Modelltraining, bei dem du dem Modell beibringst, neue Objekte zu erkennen oder seine Leistung bei bestimmten Aufgaben zu verbessern. Inferencing wird verwendet, wenn du das Modell auf ungesehene Daten anwenden willst.

Das folgende Beispiel zeigt dir, wie du ein Modell lädst und es verwendest, um orientierte Begrenzungsrahmen auf einem Bild vorherzusagen. Ausführlichere Beispiele und Tipps für Fortgeschrittene findest du in der offiziellen DokumentationUltralytics . Dort findest du Best Practices und weitere Anleitungen.

‍

Schulung eines benutzerdefinierten YOLO11 Modells

Das Trainieren eines YOLO11 Modells bedeutet, dass du seine Leistung für bestimmte Datensätze und Aufgaben, wie z. B. die orientierte Bounding-Box-Objekterkennung, feinabstimmen kannst. Während bereits trainierte Modelle wie YOLO11 für die allgemeine Objekterkennung verwendet werden können, ist das Training eines benutzerdefinierten Modells unerlässlich, wenn du das Modell für die Erkennung einzigartiger Objekte oder zur Optimierung der Leistung in einem bestimmten Datensatz benötigst.

Im folgenden Codeschnipsel beschreiben wir die Schritte zum Trainieren eines YOLO11 Modells für die OBB-Erkennung. 

Zunächst wird das Modell mit vortrainierten YOLO11 OBB-spezifischen Gewichten (yolo11n-obb.pt) initialisiert. Dann wird eine Trainingsfunktion verwendet, um das Modell auf einem benutzerdefinierten Datensatz zu trainieren. Dabei werden Parameter wie die Konfigurationsdatei des Datensatzes, die Anzahl der Trainingszyklen, die Größe des Trainingsbildes und die Hardware, auf der das Training durchgeführt werden soll, angegeben (z. B. CPU oder GPU). Nach dem Training wird die Leistung des Modells validiert, um Kennzahlen wie Genauigkeit und Verlust zu überprüfen. 

Mithilfe des trainierten Modells kannst du Inferenzen auf neue Bilder anwenden, um Objekte mit OBB zu erkennen und sie zu visualisieren. Außerdem kann das trainierte Modell in Formate wie ONNX konvertiert werden, um es mit der Exportfunktion einzusetzen.

‍

Der Weg in die Zukunft für YOLO11 KI-Fortschritte

Ultralytics YOLO11 hebt die Objekterkennung mit der Unterstützung für orientierte Bounding Boxes auf die nächste Stufe. Da YOLO11 in der Lage ist, Objekte in verschiedenen Winkeln zu erkennen, kann es für verschiedene Anwendungen in unterschiedlichen Branchen eingesetzt werden. Es eignet sich zum Beispiel perfekt für Branchen wie Stadtplanung, Energie und Schifffahrt, wo Präzision für Aufgaben wie die Inspektion von Solarpanels oder die Überwachung von Flotten entscheidend ist. Mit schnellerer Leistung und verbesserter Genauigkeit kann YOLO11 KI-Entwicklern helfen, reale Herausforderungen zu lösen. 

Mit der zunehmenden Verbreitung von KI und ihrer Integration in unser tägliches Leben werden Modelle wie YOLO11 die Zukunft von KI-Lösungen prägen.

Um mehr über das Potenzial von Vision AI zu erfahren, schließe dich unserer wachsenden Community an und erkunde unser GitHub-Repository. Wir treiben Innovationen voran, indem wir Bereiche wie das Gesundheitswesen und selbstfahrende Autos neu erfinden.