15. April 2025
Erfahren Sie, wie Computer-Vision-Tracking-Systeme funktionieren, entdecken Sie beliebte Modelle, die Objektverfolgung unterstützen, wie YOLO11, und entdecken Sie ihre realen Anwendungen.
Roboter, die elektrische Teile montieren können, Systeme, die rasende Autos erfassen, und intelligente Einzelhandelslösungen, die verfolgen, wie Kunden einkaufen - all diese Innovationen basieren auf Computer Vision. Es ist ein Zweig der künstlichen Intelligenz (KI), der Maschinen hilft, Bilder und Videos zu analysieren und zu verstehen.
Zum Beispiel muss ein Roboter verschiedene Teile erkennen und verfolgen, um sie korrekt zusammenzusetzen. Ebenso kann ein Verkehrssystem Computer Vision verwenden, um Autos zu erkennen, Nummernschilder zu lesen und herauszufinden, wann jemand zu schnell fährt. In Geschäften kann Vision AI unterdessen helfen, zu verfolgen, was Kunden betrachten oder aufnehmen, und sogar den Lagerbestand im Auge behalten.
Solche Anwendungen werden von Computer-Vision-Modellen wie Ultralytics YOLO11 angetrieben, die eine breite Palette visueller Aufgaben unterstützen. Viele dieser Aufgaben konzentrieren sich auf das Sammeln von Erkenntnissen aus einem einzelnen Bild, aber eine besonders interessante Aufgabe, das Objekt-Tracking, kann verwendet werden, um die Bewegung von Objekten über eine Reihe von Bildern oder Videoframes zu verfolgen.
In diesem Leitfaden werden wir uns genauer ansehen, wie Objekt-Tracking funktioniert, und Beispiele aus der Praxis untersuchen, wie es eingesetzt wird. Wir werden auch erörtern, wie Vision AI-Modelle wie Ultralytics YOLO11 das Objekt-Tracking unterstützen. Fangen wir an!
Objektverfolgung ist eine Computer-Vision-Aufgabe, die verwendet wird, um die Bewegung von Objekten in Videobildern zu verfolgen. Dies hilft Systemen zu überwachen und zu verstehen, wie sich Dinge im Laufe der Zeit verändern. Das ist sehr ähnlich wie die natürliche Fähigkeit des Menschen, eine sich bewegende Person oder ein Objekt mit den Augen zu verfolgen, wie zum Beispiel beim Beobachten eines Tennisspiels, bei dem die Augen dem Ball folgen, während er sich auf dem Spielfeld 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 Computer-Vision-Aufgabe, die von YOLO11 unterstützt wird und eng mit der Objektverfolgung verwandt 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.
Durch die Kombination von beidem können wir leistungsstarke Vision-KI-Systeme entwickeln, die in der Lage sind, Objekte in dynamischen Umgebungen in Echtzeit zu verfolgen. Beispielsweise kann ein automatisiertes Sicherheitssystem Personen erkennen, die einen Raum betreten, und kontinuierlich ihre Bewegung im gesamten Bild verfolgen.
Nachdem wir nun den Unterschied zwischen Objekterkennung und -verfolgung behandelt haben, wollen wir uns ansehen, wie Ultralytics YOLO-Modelle, wie YOLO11, die Echtzeit-Objektverfolgung unterstützen.
YOLO-Modelle sind zwar keine Tracking-Algorithmen selbst, spielen aber eine wesentliche Rolle, indem sie Objekte in jedem Videobild erkennen. Sobald Objekte erkannt wurden, werden Tracking-Algorithmen benötigt, um ihnen eindeutige IDs zuzuweisen, sodass das System ihre Bewegung von Bild zu Bild verfolgen kann.
Um diesem Bedarf gerecht zu werden, integriert das Ultralytics Python-Paket die Objekterkennung nahtlos mit beliebten Tracking-Algorithmen wie BoT-SORT und ByteTrack. Diese Integration ermöglicht es Benutzern, Erkennung und Verfolgung zusammen mit minimalem Aufwand auszuführen.
Wenn Sie YOLO-Modelle für die Objektverfolgung verwenden, können Sie auswählen, welcher Tracking-Algorithmus basierend auf den Anforderungen Ihrer Anwendung angewendet werden soll. Beispielsweise ist BoT-SORT eine gute Option, um Objekte zu verfolgen, die sich unvorhersehbar bewegen, dank der Verwendung von Bewegungsvorhersage und Deep Learning. ByteTrack hingegen schneidet besonders gut in überfüllten Szenen ab und sorgt für eine zuverlässige Verfolgung, selbst wenn Objekte verschwommen oder teilweise verdeckt sind.
Benutzerdefiniertes Training ist der Prozess der Feinabstimmung eines vortrainierten Objekterkennungsmodells, wie YOLO11, auf einem bestimmten Datensatz, sodass es Objekte erkennen kann, die nicht in Standarddatensätzen enthalten sind. Dies ist besonders wichtig, wenn Ihr Tracking-System benutzerdefinierte oder ungewöhnliche Objekte verfolgen muss.
Tracking-Systeme sind darauf angewiesen, dass das Erkennungsmodell das Objekt zuerst erkennt. Wenn ein YOLO-Modell einen bestimmten Gegenstand nicht erkennen kann, z. B. eine bestimmte Art von Maschine oder eine Wildtierart, kann der Tracking-Algorithmus ihn nicht verfolgen.
Deshalb ist das benutzerdefinierte Training so wichtig: Es stellt sicher, dass das Erkennungsmodell die Objekte, die Sie verfolgen möchten, genau identifizieren kann.
Es ist auch 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 verwenden lediglich die Ausgabe des YOLO-Modells, um die erkannten Objekte über die Bilder 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.
Mithilfe eines Modells wie Ultralytics YOLO11 können Objekte erkannt und über Video-Frames hinweg verfolgt werden. Durch die Analyse, wie weit sich ein Objekt über einen bestimmten Zeitraum bewegt, kann das System seine Geschwindigkeit schätzen.
Fertigungsprozesse können schnelllebig und hochkomplex sein, was es schwierig macht, jedes produzierte Teil manuell zu verfolgen. Die Objektverfolgung bietet eine gute Lösung für die Automatisierung der Überwachung von Produkten, während diese sich durch die einzelnen Produktionsschritte bewegen. Sie kann Fabriken dabei helfen, ein hohes Maß an Genauigkeit und Effizienz aufrechtzuerhalten, ohne die Prozesse 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-KI-Modellen wie YOLO11 und Tracking-Algorithmen wie BoT-SORT und ByteTrack ist die Objektverfolgung schneller, intelligenter und zugänglicher für verschiedene Branchen geworden. Während sich die Technologie der Objektverfolgung weiterentwickelt, trägt sie dazu bei, dass Systeme intelligenter, effizienter und reaktionsfähiger werden, Frame für Frame.
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.
