Eine ausführliche Anleitung zur Objekterkennung im Jahr 2025

Viele Branchen integrieren in rasantem Tempo Lösungen für künstliche Intelligenz (KI) in ihre Abläufe. Unter den vielen heute verfügbaren KI-Technologien ist Computer Vision eine der beliebtesten. Computer Vision ist ein Zweig der KI, der Computern hilft, den Inhalt von Bildern und Videos zu sehen und zu verstehen, genau wie Menschen. Sie ermöglicht es Maschinen, Objekte zu erkennen, Muster zu identifizieren und zu verstehen, was sie sehen. 

Der globale Marktwert von Computer Vision wird bis 2032 auf 175,72 Milliarden Dollar geschätzt. Computer Vision umfasst verschiedene Aufgaben, die es Vision-KI-Systemen ermöglichen, visuelle Daten zu analysieren und zu interpretieren. Eine der am weitesten verbreiteten und wichtigsten Aufgaben von Computer Vision ist die Objekterkennung. 

Die Objekterkennung konzentriert sich auf die Lokalisierung und Klassifizierung von Objekten in visuellen Daten. Zeigt man einem Computer beispielsweise das Bild einer Kuh, kann er die Kuh detect und einen Begrenzungsrahmen um sie ziehen. Diese Fähigkeit ist in realen Anwendungen wie der Tierüberwachung, selbstfahrenden Autos und der Überwachung nützlich. 

Wie kann also eine Objekterkennung durchgeführt werden? Eine Möglichkeit ist die Verwendung von Computer-Vision-Modellen. Ein Beispiel, Ultralytics YOLO11 ist ein Computer-Vision-Modell, das Computer-Vision-Aufgaben wie die Objekterkennung unterstützt. 

In diesem Leitfaden werden wir uns mit der Objekterkennung und ihrer Funktionsweise befassen. Wir werden auch einige reale Anwendungen der Objekterkennung und Ultralytics YOLO11 besprechen.

‍

Was ist Objekterkennung? 

Objekterkennung ist eine Computer-Vision-Aufgabe, die Objekte in Bildern oder Videos identifiziert und lokalisiert. Sie beantwortet zwei Schlüsselfragen: 'Welche Objekte befinden sich im Bild?' und 'Wo befinden sie sich?'

Man kann sich die Objekterkennung als einen Prozess vorstellen, der zwei wichtige Schritte umfasst. Der erste, die Objektklassifizierung, ermöglicht es dem System, Objekte zu erkennen und zu beschriften, z. B. eine Katze, ein Auto oder eine Person auf der Grundlage gelernter Muster zu identifizieren. Im zweiten Schritt, der Lokalisierung, wird die Position des Objekts bestimmt, indem ein Begrenzungsrahmen (Bounding Box) um das Objekt gezogen wird, der angibt, wo es im Bild erscheint. Zusammen ermöglichen diese Schritte Maschinen, Objekte in einer Szene detect und zu verstehen.

Das Besondere an der Objekterkennung ist ihre Fähigkeit, Objekte zu erkennen und ihre Position genau zu bestimmen. Andere Computer-Vision-Aufgaben konzentrieren sich auf andere Ziele.

Die Bildklassifizierung weist beispielsweise einem gesamten Bild eine Bezeichnung zu. Die Bildsegmentierung hingegen bietet ein Pixel-genaues Verständnis verschiedener Elemente. Die Objekterkennung kombiniert Erkennung mit Lokalisierung. Dies macht sie besonders nützlich für Aufgaben wie das Zählen mehrerer Objekte in Echtzeit.

‍

Objekterkennung vs. Objekterkennung

Wenn man sich mit verschiedenen Begriffen der Computer Vision auseinandersetzt, könnte man meinen, Objekterkennung und Objektdetektion seien austauschbar – aber sie dienen unterschiedlichen Zwecken. Ein gutes Beispiel, um den Unterschied zu verstehen, ist die Betrachtung von Gesichtserkennung und Gesichtsdetektion.

Die Gesichtserkennung ist eine Art der Objekterkennung. Sie identifiziert das Vorhandensein eines Gesichts in einem Bild und markiert seine Position mithilfe eines Begrenzungsrahmens. Sie beantwortet die Frage: "Wo ist das Gesicht im Bild?" Diese Technologie wird häufig in Smartphone-Kameras eingesetzt, die automatisch auf Gesichter fokussieren, oder in Sicherheitskameras, die die Anwesenheit einer Person detect .

Die Gesichtserkennung hingegen ist eine Form der Objekterkennung. Sie detect nicht nur ein Gesicht, sondern identifiziert, um wessen Gesicht es sich handelt, indem sie einzigartige Merkmale analysiert und mit einer Datenbank vergleicht. Sie beantwortet die Frage: "Wer ist diese Person?" Diese Technologie steckt hinter der Entsperrung Ihres Telefons mit Face ID oder den Sicherheitssystemen an Flughäfen, die Identitäten überprüfen.

Einfach ausgedrückt: Objekterkennung findet und lokalisiert Objekte, während Objekterkennung sie klassifiziert und identifiziert. 

‍

Viele Modelle zur Objekterkennung, wie YOLO11, sind für die Erkennung von Gesichtern konzipiert, nicht aber für die Gesichtserkennung. YOLO11 kann das Vorhandensein eines Gesichts in einem Bild effizient identifizieren und eine Bounding Box um das Gesicht zeichnen, was es für Anwendungen wie Überwachungssysteme, die Überwachung von Menschenmengen und die automatische Kennzeichnung von Fotos nützlich macht. Allerdings kann es nicht feststellen, wessen Gesicht es ist. YOLO11 kann mit speziell für die Gesichtserkennung trainierten Modellen wie Facenet oder DeepFace integriert werden, um sowohl die Erkennung als auch die Identifizierung in einem einzigen System zu ermöglichen.

Verstehen, wie Objekterkennung funktioniert

Bevor wir erörtern, wie Objekterkennung funktioniert, wollen wir uns zunächst genauer ansehen, wie ein Computer ein Bild analysiert. Anstatt ein Bild so zu sehen, wie wir es tun, zerlegt ein Computer es in ein Raster aus winzigen Quadraten, die als Pixel bezeichnet werden. Jedes Pixel enthält Farb- und Helligkeitsinformationen, die Computer verarbeiten können, um visuelle Daten zu interpretieren.

Um diesen Pixeln einen Sinn zu geben, gruppieren Algorithmen sie auf der Grundlage von Form, Farbe und ihrer Nähe zueinander in sinnvolle Regionen. Modelle zur Objekterkennung, wie YOLO11, können Muster oder Merkmale in diesen Pixelgruppen erkennen. 

Beispielsweise sieht ein selbstfahrendes Auto einen Fußgänger nicht so, wie wir es tun – es erkennt Formen und Muster, die mit den Merkmalen eines Fußgängers übereinstimmen. Diese Modelle basieren auf umfangreichem Training mit beschrifteten Bilddatensätzen, wodurch sie die charakteristischen Merkmale von Objekten wie Autos, Verkehrsschildern und Personen erlernen können.

Ein typisches Objekterkennungsmodell besteht aus drei Hauptteilen: Backbone, Neck und Head. Der Backbone extrahiert wichtige Merkmale aus einem Bild. Der Neck verarbeitet und verfeinert diese Merkmale, während der Head für die Vorhersage von Objektstandorten und deren Klassifizierung verantwortlich ist.

Verfeinerung von Erkennungen und Präsentation von Ergebnissen

Sobald die ersten Erkennungen vorgenommen wurden, werden Nachbearbeitungstechniken angewendet, um die Genauigkeit zu verbessern und redundante Vorhersagen herauszufiltern. Zum Beispiel werden überlappende Begrenzungsrahmen entfernt, um sicherzustellen, dass nur die relevantesten Erkennungen beibehalten werden. Außerdem werden jedem erkannten Objekt Konfidenzwerte (numerische Werte, die angeben, wie sicher sich das Modell ist, dass ein erkanntes Objekt zu einer bestimmten Klasse gehört) zugewiesen, um die Sicherheit des Modells bei seinen Vorhersagen anzugeben.

Schließlich wird die Ausgabe mit Begrenzungsrahmen um erkannte Objekte herum dargestellt, zusammen mit ihren vorhergesagten Klassenbezeichnungen und Konfidenzwerten. Diese Ergebnisse können dann für reale Anwendungen verwendet werden.

Beliebte Objekterkennungsmodelle 

Heutzutage gibt es viele Computer-Vision-Modelle, und einige der beliebtesten sind die YOLO Ultralytics . Sie sind für ihre Geschwindigkeit, Genauigkeit und Vielseitigkeit bekannt. Im Laufe der Jahre sind diese Modelle schneller und präziser geworden und können ein breiteres Spektrum an Aufgaben bewältigen. Die Veröffentlichung von Ultralytics YOLOv5 erleichterte den Einsatz von Frameworks wie PyTorch und ermöglichte es mehr Menschen, fortschrittliche Vision AI zu nutzen, ohne dass sie über tiefgreifende technische Kenntnisse verfügen müssen.

Aufbauend auf dieser Grundlage, Ultralytics YOLOv8 neue Funktionen wie Instanzsegmentierung, Posenschätzung und Bildklassifizierung eingeführt. Jetzt geht YOLO11 noch einen Schritt weiter und verbessert die Leistung bei verschiedenen Aufgaben. Mit 22% weniger Parametern als YOLOv8m erreicht YOLO11m eine höhere durchschnittliche GenauigkeitmAP) auf dem COCO . Einfach ausgedrückt: YOLO11 kann Objekte mit höherer Präzision erkennen und verbraucht dabei weniger Ressourcen, was es schneller und zuverlässiger macht.

Ob Sie ein KI-Experte sind oder gerade erst anfangen, YOLO11 bietet eine leistungsstarke und dennoch benutzerfreundliche Lösung für Computer-Vision-Anwendungen.

Benutzerdefiniertes Training eines Modells für Objekterkennung

Das Training von Vision AI-Modellen beinhaltet, Computern zu helfen, Bilder und Videos zu erkennen und zu verstehen. Das Training kann jedoch ein zeitaufwendiger Prozess sein. Anstatt von Grund auf neu zu beginnen, beschleunigt Transfer Learning die Dinge, indem vortrainierte Modelle verwendet werden, die bereits gängige Muster erkennen.

YOLO11 wurde zum Beispiel bereits auf dem COCO trainiert, der eine Vielzahl von Alltagsgegenständen enthält. Dieses vortrainierte Modell kann individuell weiter trainiert werden, um bestimmte Objekte detect , die im ursprünglichen Datensatz nicht enthalten sind. 

Um YOLO11 individuell zu trainieren, benötigen Sie einen beschrifteten Datensatz mit Bildern der Objekte, die Sie detect möchten. Wenn Sie beispielsweise ein Modell zur Erkennung verschiedener Obstsorten in einem Lebensmittelladen erstellen möchten, würden Sie einen Datensatz mit beschrifteten Bildern von Äpfeln, Bananen, Orangen usw. erstellen. Sobald der Datensatz vorbereitet ist, kann YOLO11 trainiert werden, indem Parameter wie Stapelgröße, Lernrate und Epochen angepasst werden, um die Leistung zu optimieren.

Mit diesem Ansatz können Unternehmen YOLO11 darauf trainieren, alles detect , von defekten Teilen in der Fertigung bis hin zu Wildtierarten in Naturschutzprojekten, und das Modell genau auf ihre Bedürfnisse zuschneiden.

Anwendungsbereiche der Objekterkennung

Als Nächstes wollen wir uns einige Anwendungsfälle der Objekterkennung in der Praxis ansehen und wie sie verschiedene Branchen verändert.

Gefahrenerkennung für autonomes Fahren

Selbstfahrende Autos verwenden Computer-Vision-Aufgaben wie die Objekterkennung, um sicher zu navigieren und Hindernisse zu vermeiden. Diese Technologie hilft ihnen, Fußgänger, andere Fahrzeuge, Schlaglöcher und Straßengefahren zu erkennen, wodurch sie ihre Umgebung besser verstehen können. Sie können schnelle Entscheidungen treffen und sich sicher durch den Verkehr bewegen, indem sie ihre Umgebung ständig analysieren.

‍

Medizinische Bildanalyse im Gesundheitswesen

Mit bildgebenden Verfahren wie Röntgen, MRT, CT und Ultraschall werden sehr detaillierte Bilder des menschlichen Körpers erstellt, um die Diagnose und Behandlung von Krankheiten zu erleichtern. Diese Scans erzeugen große Datenmengen, die Ärzte, wie Radiologen und Pathologen, sorgfältig analysieren müssen, um Krankheiten detect . Die detaillierte Überprüfung jedes einzelnen Bildes kann jedoch sehr zeitaufwändig sein, und menschliche Experten können aufgrund von Müdigkeit oder Zeitmangel manchmal Details übersehen.

Objekterkennungsmodelle wie YOLO11 können helfen, indem sie wichtige Merkmale in medizinischen Scans, wie z. B. Organe, Tumore oder Anomalien, automatisch und mit hoher Genauigkeit identifizieren. Individuell trainierte Modelle können problematische Bereiche mit Bounding Boxes hervorheben und Ärzten helfen, sich schneller auf potenzielle Probleme zu konzentrieren. Dies reduziert die Arbeitsbelastung, verbessert die Effizienz und liefert schnelle Erkenntnisse.

‍

Erhöhung der Sicherheit durch Personen- und Anomalieerkennung

Die Objektverfolgung ist eine von YOLO11 unterstützte Bildverarbeitungsaufgabe, die Echtzeitüberwachung und Sicherheitsverbesserungen ermöglicht. Sie baut auf der Objekterkennung auf, indem sie Objekte identifiziert und ihre Bewegung kontinuierlich über Frames hinweg verfolgt. Diese Technologie wird häufig in Überwachungssystemen eingesetzt, um die Sicherheit in verschiedenen Umgebungen zu verbessern.

In Schulen und Kindertagesstätten zum Beispiel kann die Objektverfolgung dabei helfen, Kinder zu überwachen und zu verhindern, dass sie sich verlaufen. In Sicherheitsanwendungen spielt es eine Schlüsselrolle bei der Erkennung von Eindringlingen in gesperrten Bereichen, bei der Überwachung von Menschenmengen auf Überfüllung oder verdächtiges Verhalten und bei der Versendung von Echtzeitwarnungen, wenn unerlaubte Aktivitäten festgestellt werden. Durch die track von Objekten, während sie sich bewegen, verbessern YOLO11 Ortungssysteme die Sicherheit, automatisieren die Überwachung und ermöglichen eine schnellere Reaktion auf potenzielle Bedrohungen.

Vor- und Nachteile der Objekterkennung

Hier sind einige der wichtigsten Vorteile, die Objekterkennung in verschiedenen Branchen mit sich bringen kann:

• Automatisierung: Objekterkennung kann dazu beitragen, den Bedarf an menschlicher Überwachung bei Aufgaben wie der Überwachung von CCTV-Aufnahmen zu reduzieren.
  ‍
• Funktioniert mit anderen KI-Modellen: Es kann mit Gesichtserkennung, Handlungserkennung und Tracking-Systemen integriert werden, um die Genauigkeit und Funktionalität zu verbessern.
  ‍
• Verarbeitung in Echtzeit: Viele Modelle zur Objekterkennung, wie YOLO11, sind schnell und effizient und daher ideal für Echtzeitanwendungen, die sofortige Ergebnisse erfordern. 

Während diese Vorteile verdeutlichen, wie sich Objekterkennung auf verschiedene Anwendungsfälle auswirkt, ist es auch wichtig, die Herausforderungen zu berücksichtigen, die mit ihrer Implementierung verbunden sind. Hier sind einige der wichtigsten Herausforderungen:

• Datenschutz: Die Verwendung von visuellen Daten, insbesondere in sensiblen Bereichen wie Überwachung oder Gesundheitswesen, kann Datenschutz- und Sicherheitsbedenken aufwerfen.

• Verdeckungen: Okklusion bei der Objekterkennung tritt auf, wenn Objekte teilweise blockiert oder verdeckt sind, so dass es für das Modell schwierig ist, sie genau detect und classify .

• Rechenintensiv: Hochleistungsmodelle benötigen oft leistungsstarke GPUs (Graphics Processing Units) für die Verarbeitung, was die Echtzeitbereitstellung kostspielig macht.

Wesentliche Erkenntnisse

Die Objekterkennung ist ein bahnbrechendes Werkzeug der Computer Vision, mit dem Maschinen Objekte in Bildern und Videos detect und lokalisieren können. Sie wird in Bereichen von selbstfahrenden Autos bis hin zum Gesundheitswesen eingesetzt und macht Aufgaben einfacher, sicherer und effizienter. Mit neueren Modellen wie YOLO11 können Unternehmen auf einfache Weise benutzerdefinierte Objekterkennungsmodelle erstellen, um spezielle Computer-Vision-Anwendungen zu entwickeln. 

Obwohl es einige Herausforderungen gibt, wie z. B. Datenschutzbedenken und Objekte, die nicht sichtbar sind, ist Objekterkennung eine zuverlässige Technologie. Ihre Fähigkeit, Aufgaben zu automatisieren, visuelle Daten in Echtzeit zu verarbeiten und sich in andere Vision-AI-Tools zu integrieren, macht sie zu einem wesentlichen Bestandteil modernster Innovationen.

Wenn Sie mehr erfahren möchten, besuchen Sie unser GitHub-Repository und beteiligen Sie sich an unserer Community. Entdecken Sie Innovationen in Bereichen wie KI in selbstfahrenden Autos und Computer Vision in der Landwirtschaft auf unseren Lösungsseiten. Informieren Sie sich über unsere yolo und erwecken Sie Ihre Vision-KI-Projekte zum Leben. 🚀