Ein Leitfaden zur Verfolgung bewegter Objekte in Videos mit Ultralytics YOLO-Modellen

Roboter, die elektrische Bauteile zusammenbauen, Systeme, die zu schnelle Autos erfassen, und intelligente Einzelhandelslösungen, die verfolgen, wie Kunden einkaufen – all diese Innovationen basieren auf Computer Vision. Es ist ein Teilbereich der künstlichen Intelligenz (KI), der Maschinen dabei hilft, Bilder und Videos zu analysieren und zu verstehen.

Ein Roboter muss zum Beispiel verschiedene Teile erkennen und ihnen folgen, um sie korrekt zusammenzusetzen. Ähnlich kann ein Verkehrssystem Computer Vision nutzen, um Autos zu erkennen, Nummernschilder zu lesen und festzustellen, ob jemand zu schnell fährt. Im Einzelhandel kann Vision AI derweil helfen, zu verfolgen, was Kunden betrachten oder aufnehmen, und sogar den Lagerbestand im Auge behalten.

Solche Anwendungen werden durch Computer-Vision-Modelle wie Ultralytics YOLO11 unterstützt, die eine breite Palette visueller Aufgaben abdecken. Viele dieser Aufgaben konzentrieren sich darauf, Erkenntnisse aus einem einzelnen Bild zu gewinnen, aber eine besonders interessante Aufgabe, das Object Tracking, kann verwendet werden, um die Bewegung von Objekten über eine Reihe von Bildern oder Videoframes hinweg zu verfolgen.

Abb. 1. Ein Beispiel für das Erkennen und Verfolgen von Autos.

In diesem Leitfaden werfen wir einen genaueren Blick darauf, wie Object Tracking funktioniert, und untersuchen Beispiele aus der Praxis für dessen Einsatz. Wir werden auch besprechen, wie Vision-AI-Modelle wie Ultralytics YOLO11 Object Tracking unterstützen. Fangen wir an!

Link to this sectionEin genauerer Blick auf Computer-Vision-Tracking-Systeme#

Object Tracking ist eine Computer-Vision-Aufgabe, die verwendet wird, um die Bewegung von Objekten über Videoframes hinweg zu verfolgen, was Systemen hilft, Veränderungen im Laufe der Zeit zu überwachen und zu verstehen. Dies ist sehr ähnlich dazu, wie Menschen auf natürliche Weise einer sich bewegenden Person oder einem Objekt mit den Augen folgen können, etwa wenn du ein Tennisspiel verfolgst und deine Augen dem Ball folgen, während er über den Platz hin und her bewegt wird.

Auf die gleiche Weise beinhaltet Object Tracking den Einsatz von Kameras und KI, um die Bewegung des Balls in Echtzeit zu verfolgen. Diese Technologie kann Zuschauern zu Hause ein besseres Verständnis für den Spielfluss vermitteln, insbesondere durch Analysen wie Geschwindigkeit, Flugbahn und Spielerpositionierung.

Während diese Art der visuellen Verfolgung für Menschen mühelos erscheinen mag, beinhaltet sie beim maschinellen Sehen eine Reihe von Schritten, die von Vision-AI-Modellen unterstützt werden. Hier ist eine einfache Aufschlüsselung der Funktionsweise von Object Tracking:

• Videoaufnahme: Kameras zeichnen Videomaterial auf und erfassen, wie sich Objekte im Laufe der Zeit durch eine Szene bewegen.
• Objekterkennung: KI-gestützte Computer-Vision-Modelle wie YOLO11 können jedes Frame analysieren, um spezifische Objekte wie Personen, Fahrzeuge oder Produkte zu identifizieren und zu lokalisieren.
• Identitätszuweisung: Sobald ein Objekt erkannt wurde, weisen Tracking-Algorithmen ihm eine eindeutige ID zu, um es über mehrere Frames hinweg zu verfolgen und sicherzustellen, dass das System weiß, dass es sich um dasselbe Objekt handelt, auch wenn es sich bewegt.
• Bewegungsüberwachung: Das System verfolgt die Bewegung im Zeitverlauf, und diese Daten können genutzt werden, um Informationen wie Geschwindigkeit, Richtung und Interaktionen mit anderen Objekten zu erfassen.
• Erkenntnisgewinnung: Diese Informationen können in Echtzeit genutzt werden, um Analysen bereitzustellen, die Entscheidungsfindung zu unterstützen oder visuelle Overlays zu steuern – je nach spezifischem Anwendungsfall.

Link to this sectionVergleich von Objekterkennung und Tracking mit YOLO#

Eine weitere Computer-Vision-Aufgabe, die von YOLO11 unterstützt wird und eng mit dem Object Tracking verwandt ist, ist die Objekterkennung. Lass uns den Unterschied zwischen diesen beiden Aufgaben untersuchen.

Objekterkennung beinhaltet das Identifizieren und Lokalisieren von Objekten von Interesse innerhalb eines einzelnen Bildes oder Videoframes. Ein selbstfahrendes Auto nutzt beispielsweise Objekterkennung, um ein Stoppschild oder einen Fußgänger in einem einzigen, von Bordkameras aufgenommenen Frame zu erkennen. Es beantwortet die Frage: „Was ist auf diesem Bild und wo befindet es sich?“ Es liefert jedoch keine Informationen darüber, wohin sich das Objekt als Nächstes bewegt.

Object Tracking baut auf der Objekterkennung auf, indem es ein Verständnis für die Bewegung im Zeitverlauf hinzufügt. Der Hauptunterschied zwischen beiden liegt darin, wie sie mit Zeit und Bewegung umgehen. Die Objekterkennung behandelt jedes Frame als unabhängige Momentaufnahme, während das Object Tracking die Punkte zwischen den Frames verbindet und vergangene Daten nutzt, um die zukünftige Position eines Objekts vorherzusagen.

Durch die Kombination beider Verfahren können wir leistungsstarke Vision-AI-Systeme bauen, die in der Lage sind, in dynamischen Umgebungen in Echtzeit zu verfolgen. Ein automatisiertes Sicherheitssystem kann beispielsweise Personen erkennen, die einen Raum betreten, und deren Bewegung kontinuierlich verfolgen, während sie sich durch den Raum bewegen.

Link to this sectionEchtzeit-Tracking mit Ultralytics YOLO-Modellen#

Nachdem wir nun den Unterschied zwischen Objekterkennung und Tracking geklärt haben, werfen wir einen Blick darauf, wie Ultralytics YOLO-Modelle, wie YOLO11, Echtzeit-Object-Tracking unterstützen.

Obwohl YOLO-Modelle selbst keine Tracking-Algorithmen sind, spielen sie eine entscheidende Rolle, indem sie Objekte in jedem Videoframe erkennen. Sobald Objekte erkannt wurden, sind Tracking-Algorithmen erforderlich, um ihnen eindeutige IDs zuzuweisen, damit das System ihre Bewegung von Frame zu Frame verfolgen kann.

Um diesem Bedarf gerecht zu werden, integriert das Ultralytics Python-Paket nahtlos Objekterkennung mit gängigen Tracking-Algorithmen wie BoT-SORT und ByteTrack. Diese Integration ermöglicht es Nutzern, Erkennung und Tracking mit minimalem Einrichtungsaufwand gemeinsam auszuführen.

Wenn du YOLO-Modelle für das Object Tracking verwendest, kannst du basierend auf den Anforderungen deiner Anwendung wählen, welcher Tracking-Algorithmus angewendet werden soll. BoT-SORT ist zum Beispiel eine gute Option, um Objekten zu folgen, die sich unvorhersehbar bewegen, dank der Nutzung von Bewegungsprädiktion und Deep Learning. ByteTrack hingegen schneidet besonders gut in überfüllten Szenen ab und sorgt für eine zuverlässige Verfolgung, selbst wenn Objekte unscharf oder teilweise verdeckt sind.

Abb. 2. Das Ultralytics Python-Paket integriert BoT-SORT und ByteTrack nahtlos.

Link to this sectionIn welcher Beziehung steht das Training benutzerdefinierter YOLO-Modelle zum Object Tracking?#

Benutzerdefiniertes Training ist der Prozess der Feinabstimmung eines vortrainierten Objekterkennungsmodells, wie YOLO11, auf einen spezifischen Datensatz, damit es Objekte erkennen kann, die nicht in Standarddatensätzen enthalten sind. Dies ist besonders wichtig, wenn dein Tracking-System benutzerdefinierte oder ungewöhnliche Objekte verfolgen soll.

Tracking-Systeme sind darauf angewiesen, dass das Erkennungsmodell das Objekt zunächst erkennt. Wenn ein YOLO-Modell ein bestimmtes Element, wie eine spezielle Art von Maschine oder eine Wildtierart, nicht erkennen kann, wird der Tracking-Algorithmus ihm nicht folgen können.

Deshalb ist benutzerdefiniertes Training unerlässlich: Es stellt sicher, dass das Erkennungsmodell die Objekte, die du verfolgen möchtest, präzise identifizieren kann.

Es ist zudem wichtig zu beachten, dass während dieses Prozesses nur das Erkennungsmodell feinabgestimmt wird. Die Tracking-Algorithmen, wie BoT-SORT oder ByteTrack, werden nicht benutzerdefiniert trainiert – sie nutzen einfach die Ausgabe des YOLO-Modells, um den erkannten Objekten über Frames hinweg zu folgen.

Link to this sectionAnwendungen von Object Tracking mit Ultralytics YOLO#

Nachdem wir nun ein besseres Verständnis davon haben, was Object Tracking ist und wie es funktioniert, lass uns einige Anwendungen aus der realen Welt untersuchen, in denen diese Technologie Wirkung zeigt.

Link to this sectionEchtzeit-Tracking mit Ultralytics YOLO zur Geschwindigkeitsbestimmung#

Geschwindigkeitsbestimmung, die durch Computer Vision ermöglicht wird, hängt von Aufgaben wie Objekterkennung und Tracking ab. Diese Systeme sind darauf ausgelegt zu berechnen, wie schnell sich ein Objekt bewegt – sei es ein Fahrzeug, ein Radfahrer oder sogar eine Person. Diese Information ist für eine Vielzahl von Anwendungen entscheidend, von Verkehrsmanagement bis hin zu Sicherheitsüberwachung und industrieller Automatisierung.

Unter Verwendung eines Modells wie Ultralytics YOLO11 können Objekte erkannt und über Videoframes hinweg verfolgt werden. Durch die Analyse, wie weit sich ein Objekt über einen bestimmten Zeitraum bewegt, kann das System seine Geschwindigkeit abschätzen.

Abb. 3. Verwendung von YOLO11s Unterstützung für Object Tracking zur Geschwindigkeitsbestimmung.

Link to this sectionErkundung von Object Tracking in der Fertigung#

Fertigungsprozesse können schnelllebig und hochkomplex sein, was es schwierig macht, jedes produzierte Teil manuell im Auge zu behalten. Object Tracking bietet eine gute Lösung zur Automatisierung der Überwachung von Produkten, während sie sich durch jede Phase der Produktion bewegen. Es kann Fabriken dabei helfen, ein hohes Maß an Genauigkeit und Effizienz aufrechtzuerhalten, ohne den Prozess zu verlangsamen.

Vom Zählen von Produkten auf einem Fließband bis hin zur Erkennung von Mängeln oder der Überprüfung der korrekten Montage bringt Object Tracking Sichtbarkeit und Kontrolle in Aufgaben, die ansonsten zeitaufwändig oder fehleranfällig wären. Diese Technologie ist besonders wirkungsvoll in Branchen mit hohem Volumen wie der Lebensmittelverarbeitung, Elektronik und Verpackung, wo Geschwindigkeit und Präzision entscheidend sind.

Abb. 4. Ein Beispiel für das Verfolgen und Zählen von Lebensmitteln auf einem Fließband mit YOLO11.

Link to this sectionEin Überblick über Object Tracking in der Einzelhandelsanalyse#

Unzählige Kunden gehen jeden Tag in Einzelhandelsgeschäfte ein und aus, und ihr Verhalten zu verstehen, ist entscheidend, um sowohl das Kundenerlebnis als auch die Geschäftsleistung zu verbessern. Object Tracking ermöglicht es Einzelhändlern, den Kundenstrom zu überwachen, die Verweildauer zu messen und Bewegungsmuster zu analysieren – alles ohne invasive oder manuelle Methoden.

Durch die Verfolgung von Personen, während sie das Geschäft betreten, verlassen und sich darin bewegen, können Unternehmen Erkenntnisse über Stoßzeiten, beliebte Bereiche und sogar Warteschlangenlängen gewinnen. Diese Erkenntnisse können Entscheidungen über Personalbesetzung, Ladengestaltung und Platzierung von Waren beeinflussen, was letztlich zu effizienteren Abläufen und höheren Umsätzen führt.

Abb. 5. Verwendung der Object-Tracking-Fähigkeiten von YOLO11 zur Überwachung von Personen, die ein Geschäft betreten und verlassen.

Link to this sectionVor- und Nachteile von Object Tracking#

Vom Einzelhandel bis zu Fabrikhallen wird Object Tracking in allen Arten von Branchen eingesetzt, um Faktoren wie Effizienz, Sicherheit und das Gesamterlebnis zu verbessern. Hier sind einige der Hauptvorteile, die Object Tracking für verschiedene Branchen bringen kann:

• Ermöglicht Echtzeit-Warnungen: Systeme mit integriertem Object Tracking können so konfiguriert werden, dass sie automatisch Warnungen auslösen, wenn etwas Ungewöhnliches erkannt wird, z. B. wenn eine Person einen Sperrbereich betritt oder eine Lieferung zu lange an einem Ort stehen gelassen wird.
• Integration mit anderen Systemen: Object-Tracking-Daten können mit anderen Technologien wie Gesichtserkennung, Wärmebildkameras oder Bestandsführungssystemen für noch leistungsstärkere Erkenntnisse kombiniert werden.
• Langfristig kosteneffektiv: Obwohl die Ersteinrichtung eine Investition erfordern kann, reduziert automatisiertes Tracking den Bedarf an manueller Arbeit, senkt Fehlerquoten und reduziert die Betriebskosten im Laufe der Zeit.

Während diese Vorteile verdeutlichen, wie Object Tracking verschiedene Anwendungsfälle positiv beeinflusst, ist es auch wichtig, die Herausforderungen bei der Implementierung zu berücksichtigen. Lass uns einen genaueren Blick auf einige Einschränkungen des Object Trackings werfen:

• Schwierigkeiten in überfüllten Umgebungen: In geschäftigen Umgebungen wie Konzerten, Einkaufszentren oder auf belebten Straßen können Tracking-Systeme Schwierigkeiten haben, zwischen Personen oder Objekten zu unterscheiden, die nah beieinander stehen, was zu Verwirrung oder ungenauen Ergebnissen führen kann.

• Empfindlich gegenüber Umgebungsbedingungen: Schlechte Beleuchtung, Nebel, schnelle Bewegungen oder Kamerawackeln können die Fähigkeit des Systems beeinträchtigen, Objekte genau zu verfolgen, insbesondere in Außenbereichen oder unkontrollierten Umgebungen.

• Datenschutz- und Rechtsbedenken: Unsachgemäßer Umgang mit personenbezogenen Daten, fehlende Zustimmung der Nutzer oder Überwachung im öffentlichen Raum können ethische Probleme aufwerfen und zu einer Nichteinhaltung von Datenschutzgesetzen führen.

Link to this sectionWichtige Erkenntnisse#

Object Tracking ist eine Computer-Vision-Aufgabe, die es Maschinen ermöglicht, die Bewegung von Objekten im Zeitverlauf zu verfolgen. Sie wird in einer Vielzahl von realen Szenarien eingesetzt – von der Abschätzung der Fahrzeuggeschwindigkeit und dem Zählen von Produkten auf einem Fließband bis hin zur Analyse von Spielerbewegungen im Sport.

Mit Vision-AI-Modellen wie YOLO11 und Tracking-Algorithmen wie BoT-SORT und ByteTrack ist Object Tracking schneller, intelligenter und branchenübergreifend zugänglicher geworden. Während sich die Object-Tracking-Technologie weiterentwickelt, hilft sie Systemen dabei, intelligenter, effizienter und reaktionsschneller zu werden – Frame für Frame.

Möchtest du mehr über Computer Vision und KI erfahren? Erkunde unser GitHub-Repository, vernetze dich mit unserer Community und sieh dir unsere Lizenzoptionen an, um dein Computer-Vision-Projekt zu starten. Wenn du Innovationen wie KI in der Fertigung und Computer Vision in der Automobilindustrie erforschst, besuche unsere Lösungsseiten, um mehr zu entdecken.