Ein Leitfaden zum Verfolgen bewegter Objekte in Videos mit Ultralytics YOLO-Modellen

Roboter, die elektrische Bauteile montieren können, Systeme, die zu schnell fahrende Autos erfassen, und intelligente Lösungen für den Einzelhandel, die verfolgen, wie Kunden einkaufen – all diese Innovationen basieren auf Computer Vision. Dabei handelt es sich um einen Bereich der künstlichen Intelligenz (AI), der Maschinen hilft, Bilder und Videos zu analysieren und zu verstehen.

Ein Roboter muss beispielsweise verschiedene Bauteile erkennen und verfolgen, um sie korrekt zusammenzusetzen. Ebenso kann ein Verkehrssystem Computer Vision nutzen, um Autos zu erkennen, Nummernschilder zu lesen und festzustellen, wann jemand zu schnell fährt. In Geschäften kann Vision AI wiederum dabei helfen, zu verfolgen, welche Produkte Kunden ansehen oder nehmen, und sogar den Bestand zu überwachen.

Solche Anwendungen werden durch Computer-Vision-Modelle wie Ultralytics YOLO11 ermöglicht, die eine Vielzahl visueller Aufgaben unterstützen. Viele dieser Aufgaben konzentrieren sich darauf, Erkenntnisse aus einem einzelnen Bild zu gewinnen. Eine besonders interessante Aufgabe, die Objektverfolgung, kann jedoch eingesetzt werden, um die Bewegung von Objekten über eine Reihe von Bildern oder Videoframes hinweg zu verfolgen.

Abb. 1 Ein Beispiel für die Erkennung und Verfolgung von Autos.

In diesem Leitfaden sehen wir uns genauer an, wie Objektverfolgung funktioniert, und betrachten Beispiele aus der Praxis. Außerdem besprechen wir, wie Vision-AI-Modelle wie Ultralytics YOLO11 die Objektverfolgung unterstützen. Legen wir los!

Computer-Vision-Systeme zur Objektverfolgung im Detail#

Objektverfolgung ist eine Computer-Vision-Aufgabe, mit der die Bewegung von Objekten über Videoframes hinweg verfolgt wird. Sie hilft Systemen zu überwachen und zu verstehen, wie sich Dinge im Laufe der Zeit verändern. Das ist vergleichbar damit, wie Menschen ganz natürlich eine sich bewegende Person oder ein Objekt mit den Augen verfolgen – etwa wenn du ein Tennisspiel ansiehst und deine Augen dem Ball folgen, während er über das Spielfeld hin und her fliegt.

Auf ähnliche Weise werden bei der Objektverfolgung Kameras und AI eingesetzt, um die Bewegung des Balls in Echtzeit zu verfolgen. Diese Technologie kann Zuschauern zu Hause ein besseres Verständnis des Spielverlaufs vermitteln, insbesondere durch Analysen wie Geschwindigkeit, Flugbahn und Positionierung der Spieler.

Auch wenn diese Art der visuellen Verfolgung für Menschen mühelos erscheinen mag, umfasst sie bei der maschinellen Bildverarbeitung eine Reihe von Schritten, die durch Vision-AI-Modelle ermöglicht werden. Hier ist eine einfache Übersicht über die Funktionsweise der Objektverfolgung:

• 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 jeden Frame analysieren, um bestimmte Objekte wie Personen, Fahrzeuge oder Produkte zu erkennen und zu lokalisieren.
• Zuweisen einer Identität: Sobald ein Objekt erkannt wurde, weisen Verfolgungsalgorithmen ihm eine eindeutige ID zu, um es über mehrere Frames hinweg zu verfolgen. So weiß das System, dass es sich auch bei einer Bewegung weiterhin um dasselbe Objekt handelt.
• Überwachen der Bewegung: Das System verfolgt die Bewegung im Laufe der Zeit. Diese Daten können genutzt werden, um Informationen wie Geschwindigkeit, Richtung und Interaktionen mit anderen Objekten zu erfassen.
• Erkenntnisse gewinnen: Diese Informationen können je nach Anwendungsfall in Echtzeit für Analysen, zur Unterstützung von Entscheidungen oder für visuelle Einblendungen genutzt werden.

Objekterkennung und Objektverfolgung mit YOLO im Vergleich#

Eine weitere von Ultralytics YOLO11 unterstützte Computer-Vision-Aufgabe, die eng mit der Objektverfolgung verbunden ist, ist die Objekterkennung. Sehen wir uns den Unterschied zwischen diesen beiden Aufgaben an.

Bei der Objekterkennung werden relevante Objekte innerhalb eines einzelnen Bildes oder Videoframes identifiziert und lokalisiert. Ein selbstfahrendes Auto nutzt die Objekterkennung beispielsweise, um ein Stoppschild oder einen Fußgänger in einem einzelnen Frame zu erkennen, der von den integrierten Kameras aufgenommen wurde. Sie beantwortet die Frage: „Was ist in 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 für Bewegungen im Laufe der Zeit hinzufügt. Der entscheidende Unterschied zwischen beiden liegt im Umgang mit Zeit und Bewegung. Die Objekterkennung behandelt jeden Frame als unabhängige Momentaufnahme, während die Objektverfolgung die Zusammenhänge zwischen den Frames herstellt und anhand vergangener Daten die zukünftige Position eines Objekts vorhersagt.

Durch die Kombination beider Verfahren lassen sich leistungsfähige Vision-AI-Systeme entwickeln, die eine Verfolgung in Echtzeit in dynamischen Umgebungen ermöglichen. Ein automatisiertes Sicherheitssystem kann beispielsweise Personen erkennen, die einen Bereich betreten, und ihre Bewegung kontinuierlich verfolgen.

Echtzeit-Objektverfolgung mit Ultralytics YOLO-Modellen#

Nachdem wir den Unterschied zwischen Objekterkennung und Objektverfolgung behandelt haben, sehen wir uns nun an, wie Ultralytics YOLO-Modelle wie YOLO11 die Objektverfolgung in Echtzeit unterstützen.

YOLO-Modelle sind zwar selbst keine Verfolgungsalgorithmen, spielen aber eine wichtige Rolle, indem sie Objekte in jedem Videoframe erkennen. Sobald Objekte erkannt wurden, werden Verfolgungsalgorithmen benötigt, um ihnen eindeutige IDs zuzuweisen. So kann das System ihre Bewegung von Frame zu Frame verfolgen.

Um diesem Bedarf gerecht zu werden, integriert das Ultralytics Python-Paket die Objekterkennung nahtlos mit beliebten Verfolgungsalgorithmen wie BoT-SORT und ByteTrack. Diese Integration ermöglicht es dir, Erkennung und Verfolgung mit minimalem Einrichtungsaufwand gemeinsam auszuführen.

Wenn du YOLO-Modelle zur Objektverfolgung einsetzt, kannst du je nach den Anforderungen deiner Anwendung den passenden Verfolgungsalgorithmus auswählen. BoT-SORT eignet sich beispielsweise dank der Verwendung von Bewegungsprognosen und Deep Learning gut für die Verfolgung unvorhersehbar bewegter Objekte. ByteTrack hingegen erzielt besonders in dicht besetzten Szenen gute Ergebnisse und gewährleistet eine zuverlässige Verfolgung, selbst wenn Objekte unscharf oder teilweise verdeckt sind.

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

Wie hängt das Training benutzerdefinierter YOLO-Modelle mit der Objektverfolgung zusammen?#

Benutzerdefiniertes Training bezeichnet die Feinabstimmung eines vortrainierten Objekterkennungsmodells wie Ultralytics YOLO11 auf einem bestimmten Datensatz, damit es Objekte erkennen kann, die in Standarddatensätzen nicht enthalten sind. Das ist besonders wichtig, wenn dein Verfolgungssystem benutzerdefinierte oder ungewöhnliche Objekte verfolgen muss.

Verfolgungssysteme sind zunächst auf das Erkennungsmodell angewiesen, um das Objekt zu erkennen. Wenn ein YOLO-Modell einen bestimmten Gegenstand – etwa eine bestimmte Maschinenart oder Tierart – nicht erkennen kann, kann der Verfolgungsalgorithmus ihm nicht folgen.

Deshalb ist benutzerdefiniertes Training unverzichtbar: Es stellt sicher, dass das Erkennungsmodell die von dir zu verfolgenden Objekte präzise identifizieren kann.

Wichtig ist außerdem, dass bei diesem Prozess nur das Erkennungsmodell feinabgestimmt wird. Die Verfolgungsalgorithmen wie BoT-SORT oder ByteTrack werden nicht benutzerdefiniert trainiert, sondern nutzen lediglich die Ausgabe des YOLO-Modells, um die erkannten Objekte über die Frames hinweg zu verfolgen.

Anwendungen der Objektverfolgung mit Ultralytics YOLO#

Nachdem wir nun besser verstehen, was Objektverfolgung ist und wie sie funktioniert, sehen wir uns einige praktische Anwendungsfälle an, in denen diese Technologie Wirkung zeigt.

Echtzeitverfolgung mit Ultralytics YOLO zur Geschwindigkeitsschätzung#

Durch Computer Vision ermöglichte Systeme zur Geschwindigkeitsschätzung basieren auf Aufgaben wie Objekterkennung und Objektverfolgung. Diese Systeme berechnen, wie schnell sich ein Objekt bewegt – unabhängig davon, ob es sich um ein Fahrzeug, einen Radfahrer oder eine Person handelt. Diese Informationen sind für zahlreiche Anwendungen von der Verkehrssteuerung über die Sicherheitsüberwachung bis hin zur industriellen Automatisierung von entscheidender Bedeutung.

Mit einem Modell wie Ultralytics YOLO11 können Objekte über Videoframes hinweg erkannt und verfolgt werden. Durch die Analyse der Strecke, die ein Objekt innerhalb eines bestimmten Zeitraums zurücklegt, kann das System seine Geschwindigkeit schätzen.

Abb. 3 Nutzung der Objektverfolgung von YOLO11 zur Geschwindigkeitsschätzung.

Objektverfolgung in der Fertigung#

Fertigungsprozesse können schnell und hochkomplex sein, sodass es schwierig ist, jedes hergestellte Produkt manuell zu verfolgen. Objektverfolgung bietet eine gute Lösung für die automatisierte Überwachung von Produkten, während sie die einzelnen Produktionsphasen durchlaufen. Sie kann Fabriken dabei helfen, ein hohes Maß an Genauigkeit und Effizienz aufrechtzuerhalten, ohne den Ablauf zu verlangsamen.

Von der Zählung von Produkten auf einem Förderband über die Erkennung von Mängeln bis hin zur Überprüfung einer korrekten Montage schafft Objektverfolgung Transparenz und Kontrolle bei Aufgaben, die andernfalls zeitaufwendig oder fehleranfällig wären. Diese Technologie ist besonders in Branchen mit hohem Durchsatz wie der Lebensmittelverarbeitung, der Elektronikindustrie und der Verpackungsindustrie von großer Bedeutung, wo Geschwindigkeit und Präzision entscheidend sind.

Abb. 4 Ein Beispiel für die Verfolgung und Zählung von Lebensmitteln an einer Montagelinie mit Ultralytics YOLO11.

Ein Überblick über Objektverfolgung in der Einzelhandelsanalyse#

Tag für Tag betreten unzählige Kunden Einzelhandelsgeschäfte und verlassen sie wieder. Ihr Verhalten zu verstehen, ist entscheidend für die Verbesserung sowohl des Kundenerlebnisses als auch der Geschäftsergebnisse. Objektverfolgung ermöglicht es Einzelhändlern, Kundenströme zu überwachen, die Verweildauer zu messen und Bewegungsmuster zu analysieren – ohne invasive oder manuelle Methoden.

Indem Unternehmen Personen beim Betreten, Verlassen und Bewegen im Geschäft verfolgen, können sie Erkenntnisse über Stoßzeiten, beliebte Bereiche und sogar die Länge von Warteschlangen gewinnen. Diese Erkenntnisse können Entscheidungen über Personaleinsatz, Ladengestaltung und Platzierung von Waren beeinflussen und letztlich zu effizienteren Abläufen und höheren Umsätzen führen.

Abb. 5. Nutzung der Objektverfolgungsfunktionen von Ultralytics YOLO11 zur Überwachung von Personen beim Betreten und Verlassen eines Geschäfts.

Vor- und Nachteile der Objektverfolgung#

Von Einzelhandelsgeschäften bis zu Fabrikhallen wird Objektverfolgung in den verschiedensten Branchen eingesetzt, um Faktoren wie Effizienz, Sicherheit und das Gesamterlebnis zu verbessern. Hier sind einige der wichtigsten Vorteile, die Objektverfolgung verschiedenen Branchen bieten kann:

• Ermöglicht Echtzeitwarnungen: Systeme mit integrierter Objektverfolgung können so konfiguriert werden, dass sie automatisch Warnungen auslösen, wenn etwas Ungewöhnliches erkannt wird, etwa wenn eine Person einen gesperrten Bereich betritt oder eine Lieferung zu lange an einem Ort abgestellt bleibt.
• Lässt sich in andere Systeme integrieren: Daten aus der Objektverfolgung können mit anderen Technologien wie Gesichtserkennung, Wärmebildkameras oder Bestandssystemen kombiniert werden, um noch aussagekräftigere Erkenntnisse zu gewinnen.
• Langfristig kosteneffizient: Auch wenn die Ersteinrichtung Investitionen erfordern kann, verringert die automatisierte Verfolgung den Bedarf an manueller Arbeit, senkt die Fehlerquote und reduziert mit der Zeit die Betriebskosten.

Diese Vorteile zeigen, wie sich Objektverfolgung positiv auf verschiedene Anwendungsfälle auswirkt. Gleichzeitig ist es wichtig, die mit ihrer Implementierung verbundenen Herausforderungen zu berücksichtigen. Sehen wir uns einige Einschränkungen der Objektverfolgung genauer an:

• Schwierig in dicht besetzten Umgebungen: In belebten Umgebungen wie Konzerten, Einkaufszentren oder auf Straßen können Verfolgungssysteme Schwierigkeiten haben, nahe beieinander befindliche Personen oder Objekte zu unterscheiden. Das kann zu Verwechslungen oder ungenauen Ergebnissen führen.

• Empfindlich gegenüber Umgebungsbedingungen: Schlechte Lichtverhältnisse, Nebel, schnelle Bewegungen oder Kameraverwacklungen können die Fähigkeit des Systems beeinträchtigen, Objekte präzise zu verfolgen, insbesondere im Freien oder in unkontrollierten Umgebungen.

• Datenschutzrechtliche und rechtliche Bedenken: Der unsachgemäße Umgang mit personenbezogenen Daten, fehlende Einwilligung der Nutzer oder Überwachung im öffentlichen Raum können ethische Fragen aufwerfen und zu Verstößen gegen Datenschutzgesetze führen.

Wichtige Erkenntnisse#

Objektverfolgung ist eine Computer-Vision-Aufgabe, mit der Maschinen die Bewegung von Objekten im Laufe der Zeit verfolgen können. Sie wird in zahlreichen realen Szenarien eingesetzt – von der Schätzung der Fahrzeuggeschwindigkeit und der Zählung von Produkten an einer Montagelinie bis hin zur Analyse von Spielerbewegungen im Sport.

Mit Vision-AI-Modellen wie Ultralytics YOLO11 und Verfolgungsalgorithmen wie BoT-SORT und ByteTrack ist Objektverfolgung in verschiedenen Branchen schneller, intelligenter und zugänglicher geworden. Mit der Weiterentwicklung der Objektverfolgungstechnologie werden Systeme immer intelligenter, effizienter und reaktionsfähiger – Frame für Frame.

Möchtest du mehr über maschinelles Sehen und KI erfahren? Entdecke unser GitHub-Repository, tausche dich mit unserer Community aus und sieh dir unsere Lizenzoptionen an, um dein Projekt für maschinelles Sehen zu starten. Wenn du Innovationen wie KI in der Fertigung und maschinelles Sehen in der Automobilindustrie erkundest, besuche unsere Lösungsseiten und erfahre mehr.