Schau dir mit uns an, wie Ultralytics YOLO11 für die Objektverfolgung in Echtzeitanwendungen wie Überwachung, Landwirtschaft und Produktion eingesetzt werden kann.
Angenommen, du möchtest die Bewegung von Bauteilen auf einem Fließband in einer Produktionsstätte überwachen und verfolgen, um die Qualitätskontrolle zu gewährleisten und die Effizienz der Arbeitsabläufe zu verbessern. Normalerweise würde dies manuelle Inspektionen oder die Verwendung von einfachen Sensoren zur Verfolgung der Teile erfordern, was zeitaufwändig und fehleranfällig sein kann. Mit Hilfe von Computer Vision und Objektverfolgung lässt sich dieser Prozess jedoch automatisieren und verbessern.
Objektverfolgung ist eine Aufgabe der Computer Vision, die dabei hilft, Objekte in einem Video zu erkennen, zu identifizieren und zu verfolgen. Es kann für eine Vielzahl von Anwendungen genutzt werden, von der Tierüberwachung auf Bauernhöfen bis hin zur Sicherheit und Überwachung in Einzelhandelsgeschäften. Die in einem Video verfolgten Objekte werden in der Regel mit Hilfe von Begrenzungsrahmen (Bounding Boxes) visualisiert, damit der Benutzer genau sehen kann, wo sie sich im Videobild befinden und erkannt werden.
Das während der jährlichen Hybrid-Veranstaltung YOLO Vision 2024 (YV24) von Ultralyticsvorgestellte Ultralytics YOLO11 ist ein Computer Vision Modell, das eine Vielzahl von KI-Aufgaben bewältigen kann, darunter auch die Objektverfolgung. In diesem Artikel erfahren wir, wie die Objektverfolgung funktioniert und diskutieren reale Anwendungen. Wir schauen uns auch an, wie du die Objektverfolgung mit YOLO11 ausprobieren kannst. Los geht's!
Die Objektverfolgung ist eine wichtige Computer Vision Technik. Sie ermöglicht es, Objekte in einem Video zu identifizieren und im Laufe der Zeit zu verfolgen. Die Objektverfolgung kann einer anderen Bildverarbeitungsaufgabe - der Objekterkennung- sehr ähnlich sein. Der entscheidende Unterschied zwischen den beiden liegt in der Art und Weise, wie sie mit Videobildern umgehen. Bei der Objekterkennung wird jedes Bild einzeln betrachtet, um Objekte zu identifizieren und zu klassifizieren, ohne vorherige oder zukünftige Bilder zu berücksichtigen. Bei der Objektverfolgung hingegen werden die Punkte zwischen den Einzelbildern miteinander verbunden, indem dieselben Objekte über einen längeren Zeitraum hinweg verfolgt und ihre Bewegungen aufgezeichnet werden.
Hier erfährst du genauer, wie die Objektverfolgung funktioniert:
Ultralytics unterstützt die Objektverfolgung in Echtzeit, indem es fortschrittliche Verfolgungsalgorithmen wie BoT-SORT und ByteTrack nutzt. Außerdem arbeitet es nahtlos mit den YOLO11-Modellen für Segmentierung und Posenschätzung zusammen, was es zu einem flexiblen Werkzeug für eine Vielzahl von Tracking-Aufgaben macht.
Die vielseitigen Fähigkeiten des ModellsUltralytics YOLO11 eröffnen eine breite Palette von Einsatzmöglichkeiten in vielen Branchen. Schauen wir uns einige Anwendungsfälle für die YOLO11-Objektverfolgung genauer an.
Die Objektverfolgung ist entscheidend für den sicheren und effizienten Betrieb selbstfahrender Autos. Diese Fahrzeuge müssen ihre Umgebung ständig kennen, um Entscheidungen in Echtzeit treffen zu können, z. B. beim Anhalten, Abbiegen oder Spurwechsel. Die Objekterkennung ermöglicht es dem Auto, wichtige Elemente in seiner Umgebung zu erkennen, z. B. Fußgänger, Radfahrer, andere Fahrzeuge und Verkehrsschilder. Allerdings reicht es für eine sichere Navigation nicht aus, diese Objekte in einem einzigen Moment zu erkennen.
An dieser Stelle kommt die Objektverfolgung ins Spiel. Sie ermöglicht es dem Auto, diesen Objekten über die Zeit zu folgen und ihre Bewegungen über mehrere Bilder hinweg zu verfolgen. So können autonome Fahrzeuge zum Beispiel vorhersagen, wohin ein Fußgänger geht, die Geschwindigkeit und Richtung von Fahrzeugen in der Nähe überwachen oder erkennen, dass eine Ampel nicht umgeschaltet hat. Durch die Kombination von Erkennung und Verfolgung können selbstfahrende Autos die Bewegungen von Objekten um sie herum vorhersehen, proaktiv darauf reagieren und sicher und reibungslos fahren.
Das Aufspüren von Tieren auf einem Bauernhof, wie z.B. Rindern, ist für ein effektives Management unerlässlich, aber es kann eine mühsame und zeitaufwändige Aufgabe sein. Herkömmliche Methoden, wie die Verwendung von Sensoren oder Markierungen, haben oft Nachteile. Diese Geräte können die Tiere stressen, wenn sie angebracht werden, und sie können abfallen oder beschädigt werden, was die Ortung unterbricht.
Computer Vision bietet eine bessere Lösung für Landwirte, um Tiere zu überwachen und zu verfolgen, ohne dass sie physische Markierungen benötigen. Die Objektverfolgung kann den Landwirten wertvolle Einblicke in das Verhalten und die Gesundheit der Tiere geben. Es kann zum Beispiel helfen, Krankheiten wie Lahmheit zu erkennen, die sich auf die Art und Weise auswirken, wie ein Tier läuft. Mithilfe der Objektverfolgung können Landwirte subtile Veränderungen in der Bewegung erkennen und Gesundheitsprobleme frühzeitig angehen.
Neben der Gesundheitsüberwachung kann die Computer Vision den Landwirten auch helfen, andere Verhaltensweisen wie soziale Interaktionen, Fressgewohnheiten und Bewegungsmuster zu verstehen. Diese Erkenntnisse können das Herdenmanagement verbessern, Fütterungspläne optimieren und das allgemeine Wohlbefinden der Tiere fördern. Da die manuelle Arbeit reduziert und der Stress für die Tiere minimiert wird, ist die computergestützte Überwachung ein praktisches und effizientes Werkzeug für die moderne Landwirtschaft.
Die Objektverfolgung hat viele Anwendungsfälle im Fertigungssektor. Mit Objekterkennungs- und -verfolgungssystemen können zum Beispiel Produktionslinien überwacht werden. Produkte oder Rohstoffe können leicht verfolgt und gezählt werden, während sie sich auf einem Förderband bewegen. Diese Systeme können auch mit anderen Computer Vision Systemen integriert werden, um zusätzliche Aufgaben zu erfüllen. So kann zum Beispiel ein defekter Artikel mit einem Fehlererkennungssystem identifiziert und mit Hilfe der Objektverfolgung verfolgt werden, um sicherzustellen, dass er ordnungsgemäß behandelt wird.
Eine weitere wichtige Anwendung der Objektverfolgung in der Produktion betrifft die Sicherheit. Objektverfolgungssysteme können eingesetzt werden, um Arbeiter/innen in potenziell gefährlichen Produktionsumgebungen zu erkennen und zu verfolgen. Gefährliche Bereiche können mit Hilfe von Bildverarbeitungssystemen markiert und ständig überwacht werden, und die Aufsichtspersonen können benachrichtigt werden, wenn sich die (verfolgten) Arbeiter/innen solchen Bereichen nähern. Solche Sicherheitssysteme können auch zur Erkennung und Verfolgung von Ausrüstungsgegenständen eingesetzt werden, um Diebstahl vorzubeugen .
Die Objektverfolgung in Echtzeit wird häufig in Sicherheits- und Überwachungssystemen eingesetzt. Diese Systeme können zur Überwachung von öffentlichen Plätzen, Verkehrsknotenpunkten und großen Einzelhandelsumgebungen wie Einkaufszentren eingesetzt werden. In großen, überfüllten Bereichen kann diese Technologie eingesetzt werden, um verdächtige Personen oder das Verhalten von Menschenmengen zu verfolgen und so eine nahtlose Überwachungslösung zu schaffen. Während der Pandemie wurden zum Beispiel Objektverfolgungssysteme eingesetzt, um überfüllte Bereiche zu überwachen und sicherzustellen, dass die Menschen den sozialen Abstand wahren.
Die Objektverfolgung kann auch bei der Verkehrsüberwachung eingesetzt werden. Die Objektverfolgung ermöglicht es, das Verhalten von Fahrzeugen zu verfolgen und zu analysieren und ungewöhnliche oder verdächtige Aktionen in Echtzeit zu erkennen, um Unfälle oder Verbrechen zu verhindern. Ein gutes Beispiel sind Systeme zur Geschwindigkeitsschätzung. Sie können ein Fahrzeug erkennen und verfolgen, um seine Geschwindigkeit zu bestimmen.
Nachdem wir nun einige Anwendungen der Objektverfolgung kennengelernt haben, wollen wir nun besprechen, wie du sie mit dem ModellUltralytics YOLO11 ausprobieren kannst.
Um loszulegen, installiere das PaketUltralytics Python mit pip, conda oder Docker. Wenn du bei der Installation auf Probleme stößt, findest du in unserem Leitfaden für häufige Probleme hilfreiche Tipps zur Fehlerbehebung.
Wenn du das Paket erfolgreich installiert hast, führe den folgenden Code aus. Er zeigt dir, wie du das Ultralytics YOLO11-Modell lädst und es verwendest, um Objekte in einer Videodatei zu verfolgen. Das im Code verwendete Modell heißt "yolo11n.pt". Das 'n' steht für Nano - die kleinste Variante des YOLO11-Modells. Es gibt auch andere Modellvarianten zur Auswahl - klein, mittel, groß und extragroß.
Du kannst dich auch dafür entscheiden, ein benutzerdefiniertes Modell anstelle eines vortrainierten Modells zu verwenden. Bei der benutzerdefinierten Schulung wird ein bereits trainiertes Modell an deine spezielle Anwendung angepasst.
Wie bereits erwähnt, wird die Objektverfolgung für die folgenden YOLO11-Modelle unterstützt: Objekterkennung, Posenschätzung und Instanzsegmentierung. Wenn du eine spezielle Anwendung hast, bei der es um Verfolgung geht, kannst du jedes dieser Modelle je nach Anwendung individuell trainieren. Du kannst ein Modell mit dem PaketUltralytics Python oder mit der No-Code-Plattform Ultralytics HUB trainieren.
Ultralytics YOLO11 ist ein großartiges Werkzeug zur Verfolgung von Objekten in Videos und kann in vielen verschiedenen Bereichen eingesetzt werden, z. B. bei selbstfahrenden Autos, in der Landwirtschaft, in der Produktion und im Sicherheitsbereich. Es kann Objekte in Echtzeit erkennen und verfolgen und hilft Unternehmen und Industrien dabei, ihre Arbeiter und Geräte im Auge zu behalten. Das Modell ist einfach zu bedienen und kann an spezifische Bedürfnisse angepasst werden, was es zu einer guten Option für alle macht, die Computer Vision-Funktionen nahtlos einsetzen wollen.
Um mehr zu erfahren, besuche unser GitHub-Repository und beteilige dich an unserer Community. Erforsche KI-Anwendungen in selbstfahrenden Autos und in der Landwirtschaft auf unseren Lösungsseiten. 🚀
Beginne deine Reise in die Zukunft des maschinellen Lernens
