15. April 2025
Erfahren Sie, wie Computer Vision Tracking-Systeme funktionieren, lernen Sie beliebte Modelle zur Objektverfolgung wie YOLO11 kennen und entdecken Sie ihre realen Anwendungen.
Roboter, die elektrische Teile montieren können, Systeme, die zu schnell fahrende Autos erfassen, und intelligente Einzelhandelslösungen, die das Kaufverhalten der Kunden track - all diese Innovationen beruhen auf der Computer Vision. Es handelt sich um einen Zweig der künstlichen Intelligenz (KI), der Maschinen hilft, Bilder und Videos zu analysieren und zu verstehen.
Ein Roboter muss zum Beispiel verschiedene Teile erkennen und verfolgen, um sie richtig zusammenzusetzen. In ähnlicher Weise kann ein Verkehrssystem mithilfe von Computer Vision Autos erkennen, Nummernschilder lesen und herausfinden, wann jemand zu schnell fährt. In Geschäften kann Vision AI dabei helfen, track was die Kunden ansehen oder mitnehmen, und sogar den Bestand im Auge behalten.
Solche Anwendungen werden durch Computer-Vision-Modelle wie Ultralytics YOLO11unterstützt, die ein breites Spektrum an visuellen Aufgaben unterstützen. Viele dieser Aufgaben konzentrieren sich auf die Gewinnung von Erkenntnissen aus einem einzigen Bild, aber eine besonders interessante Aufgabe, die Objektverfolgung, kann verwendet werden, um die Bewegung von Objekten über eine Reihe von Bildern oder Videobildern zu verfolgen.
In diesem Leitfaden sehen wir uns die Funktionsweise der Objektverfolgung genauer an und untersuchen Beispiele aus der Praxis, wie sie eingesetzt wird. Wir werden auch erörtern, wie Vision AI-Modelle wie Ultralytics YOLO11 die Objektverfolgung unterstützen. Fangen wir an!
Die Objektverfolgung ist eine Aufgabe der Computer Vision , die dazu dient, die Bewegung von Objekten über Videobilder hinweg zu verfolgen und Systemen dabei zu helfen, zu überwachen und zu verstehen, wie sich Dinge im Laufe der Zeit verändern. Dies ähnelt sehr der Art und Weise, wie Menschen eine sich bewegende Person oder ein Objekt mit ihren Augen verfolgen können, z. B. wenn Sie ein Tennisspiel verfolgen und Ihre Augen den Ball track , während er sich über den Platz hin und her bewegt.
In ähnlicher Weise beinhaltet die Objektverfolgung die Verwendung von Kameras und KI, um die Bewegung des Balls in Echtzeit zu verfolgen. Diese Technologie kann den Zuschauern zu Hause ein besseres Verständnis des Spielverlaufs vermitteln, insbesondere durch Analysen wie Geschwindigkeit, Flugbahn und Spielerpositionierung.
Während diese Art der visuellen Verfolgung für den Menschen mühelos erscheint, umfasst sie im Bereich des maschinellen Sehens eine Reihe von Schritten, die von Vision-KI-Modellen unterstützt werden. Hier ist eine einfache Aufschlüsselung der Funktionsweise der Objektverfolgung:
Eine weitere von YOLO11 unterstützte Bildverarbeitungsaufgabe, die eng mit der Objektverfolgung verbunden ist, ist die Objekterkennung. Lassen Sie uns den Unterschied zwischen diesen beiden Aufgaben untersuchen.
Die Objekterkennung umfasst das Identifizieren und Lokalisieren von Objekten von Interesse innerhalb eines einzelnen Bildes oder Videobildes. Beispielsweise verwendet ein selbstfahrendes Auto die Objekterkennung, um ein Stoppschild oder einen Fußgänger in einem einzelnen Bild zu erkennen, das von Kameras an Bord aufgenommen wurde. Sie beantwortet die Frage: „Was ist auf diesem Bild und wo befindet es sich?“ Sie liefert jedoch keine Informationen darüber, wohin sich das Objekt als Nächstes bewegt.
Die Objektverfolgung baut auf der Objekterkennung auf, indem sie ein Verständnis der Bewegung im Laufe der Zeit hinzufügt. Der Hauptunterschied zwischen den beiden besteht darin, wie sie mit Zeit und Bewegung umgehen. Die Objekterkennung behandelt jedes Bild als eine unabhängige Momentaufnahme, während die Objektverfolgung die Punkte zwischen den Bildern verbindet und vergangene Daten verwendet, um die zukünftige Position eines Objekts vorherzusagen.
Wenn wir beides kombinieren, können wir leistungsstarke KI-Systeme für die Echtzeitverfolgung in dynamischen Umgebungen entwickeln. Ein automatisiertes Sicherheitssystem kann zum Beispiel Personen detect die einen Raum betreten, und ihre Bewegung kontinuierlich über das Bild hinweg track .
Nachdem wir nun den Unterschied zwischen Objekterkennung und -verfolgung erläutert haben, wollen wir einen Blick darauf werfen, wie dieYOLO Ultralytics , wie YOLO11, die Objektverfolgung in Echtzeit unterstützen.
YOLO sind zwar selbst keine Verfolgungsalgorithmen, aber sie spielen eine wichtige Rolle bei der Erkennung von Objekten in jedem Videobild. Sobald Objekte erkannt sind, werden Verfolgungsalgorithmen benötigt, um ihnen eindeutige IDs zuzuweisen, damit das System ihre Bewegung von Bild zu Bild verfolgen kann.
Um diesem Bedarf gerecht zu werden, integriert das Python die Objekterkennung nahtlos mit gängigen Verfolgungsalgorithmen wie BoT-SORT und ByteTrack. Diese Integration ermöglicht es den Benutzern, Erkennung und Verfolgung mit minimaler Einrichtung gemeinsam auszuführen.
Bei der Verwendung von YOLO für die Objektverfolgung können Sie je nach den Anforderungen Ihrer Anwendung wählen, welchen Verfolgungsalgorithmus Sie anwenden möchten. BoT-SORT ist beispielsweise eine gute Option für die Verfolgung von Objekten, die sich unvorhersehbar bewegen, dank der Verwendung von Bewegungsvorhersage und Deep Learning. ByteTrack hingegen eignet sich besonders gut für belebte Szenen und sorgt für eine zuverlässige Verfolgung, selbst wenn die Objekte verschwommen oder teilweise verdeckt sind.
Benutzerdefiniertes Training ist der Prozess der Feinabstimmung eines vortrainierten Objekterkennungsmodells wie YOLO11 auf einem bestimmten Datensatz, damit es Objekte erkennen kann, die nicht in Standarddatensätzen enthalten sind. Dies ist besonders wichtig, wenn Ihr Tracking-System benutzerdefinierte oder ungewöhnliche Objekte verfolgen muss.
Verfolgungssysteme sind darauf angewiesen, dass das Erkennungsmodell das Objekt zuerst erkennt. Wenn ein YOLO ein bestimmtes Objekt nicht detect kann, z. B. einen bestimmten Maschinentyp oder eine bestimmte Tierart, kann der Verfolgungsalgorithmus dem Objekt nicht folgen.
Deshalb ist benutzerdefiniertes Training so wichtig: Es stellt sicher, dass das Erkennungsmodell die Objekte, die Sie track möchten, genau identifizieren kann.
Es ist auch wichtig zu bedenken, dass nur das Erkennungsmodell während dieses Prozesses feinabgestimmt wird. Die Verfolgungsalgorithmen, wie BoT-SORT oder ByteTrack, werden nicht speziell trainiert - sie verwenden einfach die Ausgabe des YOLO , um die erkannten Objekte über Frames hinweg zu verfolgen.
Nachdem wir nun ein besseres Verständnis davon haben, was Objekterkennung ist und wie sie funktioniert, wollen wir einige reale Anwendungen untersuchen, in denen diese Technologie Wirkung zeigt.
Von Computer Vision unterstützte Systeme zur Geschwindigkeitsmessung basieren auf Aufgaben wie Objekterkennung und -verfolgung. Diese Systeme sind so konzipiert, dass sie berechnen, wie schnell sich ein Objekt bewegt – sei es ein Fahrzeug, ein Radfahrer oder sogar eine Person. Diese Information ist entscheidend für eine Vielzahl von Anwendungen, vom Verkehrsmanagement über die Sicherheitsüberwachung bis hin zur industriellen Automatisierung.
Mit einem Modell wie Ultralytics YOLO11 können Objekte über Videobilder hinweg erkannt und verfolgt werden. Durch die Analyse, wie weit sich ein Objekt innerhalb eines bestimmten Zeitraums bewegt, kann das System seine Geschwindigkeit abschätzen.
Fertigungsprozesse können schnell und hochkomplex sein, so dass es schwierig ist, jeden produzierten Artikel manuell track . Die Objektverfolgung bietet eine gute Lösung für die Automatisierung der Überwachung von Produkten auf ihrem Weg durch die einzelnen Produktionsstufen. Es kann Fabriken dabei helfen, ein hohes Maß an Genauigkeit und Effizienz aufrechtzuerhalten, ohne die Abläufe zu verlangsamen.
Von der Zählung von Produkten auf einem Förderband bis hin zur Erkennung von Defekten oder der Überprüfung der korrekten Montage bringt die Objektverfolgung Transparenz und Kontrolle in Aufgaben, die sonst zeitaufwändig oder fehleranfällig wären. Diese Technologie ist besonders wirkungsvoll in volumenstarken Branchen wie der Lebensmittelverarbeitung, der Elektronik und der Verpackung, wo Geschwindigkeit und Präzision entscheidend sind.
Unzählige Kunden gehen täglich in Einzelhandelsgeschäfte ein und aus, und das Verständnis ihres Verhaltens ist der Schlüssel zur Verbesserung sowohl des Kundenerlebnisses als auch der Geschäftsleistung. Die Objektverfolgung ermöglicht es Einzelhändlern, die Kundenfrequenz zu überwachen, die Verweildauer zu messen und Bewegungsmuster zu analysieren – und das alles ohne invasive oder manuelle Methoden.
Durch die Verfolgung von Personen beim Betreten, Verlassen und Bewegen im Geschäft können Unternehmen Einblicke in Stoßzeiten, beliebte Bereiche und sogar Warteschlangenlängen gewinnen. Diese Erkenntnisse können Entscheidungen in Bezug auf Personalbesetzung, Ladengestaltung und Lagerplatzierung beeinflussen und letztendlich zu effizienteren Abläufen und höheren Umsätzen führen.
Von Einzelhandelsgeschäften bis hin zu Fabrikhallen wird die Objektverfolgung in allen Arten von Branchen eingesetzt, um Faktoren wie Effizienz, Sicherheit und das Gesamterlebnis zu verbessern. Hier sind einige der wichtigsten Vorteile, die die Objektverfolgung verschiedenen Branchen bringen kann:
Während diese Vorteile verdeutlichen, wie sich die Objektverfolgung positiv auf verschiedene Anwendungsfälle auswirkt, ist es auch wichtig, die Herausforderungen zu berücksichtigen, die mit ihrer Implementierung verbunden sind. Werfen wir einen genaueren Blick auf einige Einschränkungen der Objektverfolgung:
Objektverfolgung ist eine Computer-Vision-Aufgabe, die es Maschinen ermöglicht, die Bewegung von Objekten im Laufe der Zeit zu verfolgen. Sie wird in einer Vielzahl von realen Szenarien eingesetzt – von der Schätzung der Fahrzeuggeschwindigkeit und der Zählung von Produkten auf einem Fließband bis hin zur Analyse von Spielerbewegungen im Sport.
Mit Vision AI-Modellen wie YOLO11 und Verfolgungsalgorithmen wie BoT-SORT und ByteTrack ist die Objektverfolgung schneller, intelligenter und in verschiedenen Branchen zugänglicher geworden. Die Weiterentwicklung der Objektverfolgungstechnologie trägt dazu bei, dass Systeme intelligenter, effizienter und reaktionsschneller werden - Bild für Bild.
Möchten Sie mehr über Computer Vision und KI erfahren? Erkunden Sie unser GitHub-Repository, vernetzen Sie sich mit unserer Community und informieren Sie sich über unsere Lizenzoptionen, um Ihr Computer-Vision-Projekt zu starten. Wenn Sie Innovationen wie KI in der Fertigung und Computer Vision in der Automobilindustrie erforschen, besuchen Sie unsere Lösungsseiten, um mehr zu erfahren.
