Das Management von Verkehrsvorfällen mit Ultralytics YOLO26 automatisieren

Kleinere Verkehrsvorfälle beeinträchtigen täglich den Verkehrsfluss und können schnell größere Folgen nach sich ziehen. Ein liegen gebliebenes Fahrzeug oder Trümmer auf einer Autobahn können beispielsweise leicht zu langen Verzögerungen, unsicherem Verkehrsfluss und Folgeunfällen führen.

Für Einsatzkräfte wie die Feuerwehr bedeutet das eine ständige Belastung. Jede Minute, die für die Beurteilung eines Vorfalls vor Ort benötigt wird, kann die Gefährdung durch vorbeifahrende Fahrzeuge erhöhen und die Sicherheit auf der Straße beeinträchtigen.

Die öffentliche Verkehrssicherheit und die Sicherheit der Einsatzkräfte sind in solchen Situationen entscheidend. Verkehrsbehörden, öffentliche Bauämter und Katastrophenschutzsysteme, die auf manuelle Überwachung angewiesen sind, können in Stoßzeiten oder bei Vorfällen mit Gefahrstoffen an ihre Grenzen stoßen.

Viele Teams für das Management von Verkehrsvorfällen (TIM) setzen inzwischen auf Computer Vision, um Straßenverhältnisse zu analysieren und Vorfälle frühzeitig zu erkennen. Computer Vision ist ein Teilgebiet der künstlichen Intelligenz (AI), das Maschinen ermöglicht, visuelle Daten aus Kameras und Videos zu erfassen und zu interpretieren.

Bildverarbeitungssysteme können Straßen überwachen, Unfälle erkennen und visuelle Informationen in Echtzeit bereitstellen. Diese frühzeitige Übersicht kann Rettungsdienste (EMS), Strafverfolgungsbehörden und Verkehrsteams dabei helfen, die Lage vor Ort einzuschätzen und schneller zu reagieren.

Möglich werden diese Funktionen durch trainierte Bildverarbeitungsmodelle wie Ultralytics YOLO26. Indem diese Modelle verwertbare Erkenntnisse automatisch aus Live-Videostreams gewinnen, verringern sie den Bedarf an manueller Überwachung und ermöglichen schnellere, fundiertere Entscheidungen. Das führt zu einem früheren Erkennen von Vorfällen und einer besseren Koordination bei Noteinsätzen.

Abb. 1: Beispiel für die Unfallerkennung in Echtzeit mit YOLO (Quelle)

In diesem Artikel zeigen wir, wie KI für Computer Vision das Management von Verkehrsunfällen verändert und wie Computer-Vision-Modelle wie Ultralytics YOLO26 Einsatzkräften helfen können, Vorfälle schneller zu erkennen und zu beheben.

Häufige Herausforderungen beim Management von Vorfällen im Straßenverkehr#

Hier sind einige der wichtigsten Herausforderungen, mit denen Teams für das Management von Verkehrsvorfällen vor Ort konfrontiert sind:

• Begrenzte Echtzeitübersicht: Einsatzkräfte im Verkehrsvorfallmanagement (TIM) erhalten oft nur unvollständige Informationen aus Anrufen, Kameras oder von Verkehrsteilnehmenden. Ohne ein klares Bild der Situation vor Ort sind frühe Entscheidungen zu Fahrbahnsperrungen, Verkehrslenkung oder komplexen Straßensituationen schwierig.
• Sicherheit der Einsatzkräfte: Wenn Einsatzfahrzeuge im fließenden Verkehr halten oder unterwegs sind, sind Ersthelfer, darunter Feuerwehrleute und Rettungskräfte, schnell fahrenden Fahrzeugen ausgesetzt. Das erhöht die Sicherheitsrisiken erheblich, insbesondere wenn die Vorschriften zum Spurwechsel nicht beachtet werden oder Gefahrstoffe im Spiel sind.
• Herausforderungen bei der Verkehrslenkung: Nach einem Verkehrsunfall kann sich der Verkehrsfluss ohne schnelle und zeitnahe Koordination rasch verschlechtern. Es kommt zu Staus, Fahrende treffen plötzliche Entscheidungen und unsichere Bedingungen breiten sich im gesamten Verkehrssystem aus. Das beeinträchtigt die öffentliche Sicherheit und die Verkehrssicherheit insgesamt.
• Folgeunfälle: Schlechte Sicht, plötzliches Abbremsen und unklare oder verspätete Fahrbahnsperrungen können zu Folgeunfällen führen. Wenn Verkehrsteilnehmende nicht rechtzeitig gewarnt werden können, wissen sie möglicherweise nichts von Gefahren voraus und es steigt das Risiko weiterer Vorfälle.

Computer Vision für das Management von Verkehrsvorfällen einsetzen#

Die meisten Systeme für das Management von Verkehrsvorfällen bestehen bereits aus einem Netzwerk von Geräten, die an Autobahnen und städtischen Straßen eingesetzt werden. Kameras an Ampeln, CCTV-Systeme und tragbare Kameras an Masten, Anhängern oder Einsatzfahrzeugen sind inzwischen weit verbreitet.

Computer Vision lässt sich leicht in diese Systeme integrieren, da sie die bestehende Kamera-Infrastruktur nutzt und Videostreams direkt verarbeitet, um verwertbare Erkenntnisse zu gewinnen. Videostreams von Verkehrskameras können mit Straßensensoren, etwa für Geschwindigkeit und Verkehrsaufkommen, kombiniert werden, um ein vollständigeres Bild der Verkehrslage zu erhalten.

Insbesondere lassen sich Bildverarbeitungsmodelle wie Ultralytics YOLO26 für die Verarbeitung von Videostreams einsetzen. YOLO26 unterstützt verschiedene zentrale Computer-Vision-Aufgaben, mit denen sich Vorfälle erkennen, Straßenverhältnisse interpretieren und verwertbare Erkenntnisse für den Verkehrsbetrieb gewinnen lassen.

Abb. 2: Überwachung und Analyse des Verkehrs mit Ultralytics-YOLO-Modellen (Quelle)

Hier findest du einen kurzen Überblick über einige Bildverarbeitungsaufgaben, mit denen sich Verkehrsvorfälle überwachen und bewältigen lassen:

• Objekterkennung: Diese Aufgabe erkennt und lokalisiert wichtige Objekte in jedem Videobild, etwa Fahrzeuge, Einsatzfahrzeuge, Trümmer sowie angehaltene oder liegen gebliebene Fahrzeuge. Das erleichtert die frühzeitige Erkennung von Vorfällen und die Einschätzung der Lage.
• Objektverfolgung: Damit lassen sich Fahrzeuge oder andere Objekte verfolgen, während sie sich im Laufe der Zeit durch eine Szene bewegen. So können Veränderungen im Verkehrsfluss leichter erkannt werden.
• Instanzsegmentierung: Mit diesem Ansatz lässt sich die genaue Form eines Objekts abgrenzen. Im Verkehrsvorfallmanagement (TIM) kann diese Aufgabe dazu dienen, blockierte Fahrspuren zu erkennen und so die Planung von Sperrungen und die Verkehrslenkung zu unterstützen.

Wie Ultralytics YOLO26 das Management von Verkehrsvorfällen verbessern kann#

Ultralytics YOLO-Modelle wie YOLO26 sind sofort als vortrainierte Modelle verfügbar. Das bedeutet, dass sie bereits auf umfangreichen, weit verbreiteten Datensätzen wie dem COCO-Datensatz trainiert wurden.

Dank dieses Vortrainings kann Ultralytics YOLO26 sofort häufige Objekte aus der realen Welt wie Autos, Fahrräder, Fußgänger, Motorräder und andere Alltagsgegenstände erkennen. Das schafft eine starke Grundlage für das Verständnis von Verkehrsszenen und ermöglicht es Teams, umfassendere Anwendungen wie Fahrzeugzählung, Verkehrsflussanalysen und Geschwindigkeitsschätzungen zu entwickeln, ohne ein Modell von Grund auf neu zu trainieren.

Abb. 3. Fahrzeuge mit YOLO erkennen und verfolgen, um ihre Geschwindigkeit zu schätzen (Quelle: Ultralytics)

Für spezifischere Anwendungen im Verkehrsmanagement lassen sich diese vortrainierten Modelle einfach mit gelabelten, domänenspezifischen Bild- und Videodaten anpassen, um bestimmte interessante Objekte zu erkennen, wie beim Straßenverkehrserkennungsmodell auf der Ultralytics Platform.

Ein Modell kann beispielsweise darauf trainiert werden, rote Feuerwehrautos in Aufnahmen von Straßenkameras zuverlässig zu erkennen. So können Verkehrsteams Einsatzsituationen schneller identifizieren. Die daraus gewonnenen Erkenntnisse aus Videos lassen sich auch für die Ausbildung von Einsatzkräften nutzen: Teams können reale Vorfälle nachbesprechen und sich besser auf ähnliche Situationen in der Zukunft vorbereiten.

Wichtige Anwendungen von Computer-Vision-KI beim Management von Verkehrsvorfällen#

Im Folgenden zeigen wir anhand von Beispielen, wie Computer Vision in realen Systemen für das Management von Verkehrsvorfällen eingesetzt werden kann.

Erkennung von Vorfällen und Hindernissen#

Eine der größten Herausforderungen beim Management von Verkehrsvorfällen besteht darin, Vorfälle und Hindernisse auf der Straße so früh wie möglich zu erkennen, damit Teams den Verkehr schnell und sicher wieder freigeben können. Früher stützte sich die Erkennung stark auf Meldungen von Fahrenden, Streifenfahrzeuge oder Mitarbeitende, die Kameraübertragungen manuell überwachten.

Diese Methoden kommen zwar noch immer zum Einsatz, können jedoch zu verspäteter Kenntnis oder übersehenen Details führen, insbesondere auf stark befahrenen Autobahnen oder bei schlechter Sicht. Computer-Vision-KI verbessert den Ablauf, indem sie Straßen mit Modellen wie Ultralytics YOLO26 kontinuierlich und in Echtzeit überwacht.

Die Objektverkennungs- und Verfolgungsfunktionen von Ultralytics YOLO26 können beispielsweise dazu genutzt werden, ein Fahrzeug zu erkennen, das auf einer befahrenen Spur angehalten hat, und festzustellen, ob sich der Verkehr dahinter verlangsamt oder zurückstaut.

Wird eine solche ungewöhnliche Aktivität erkannt, kann das System Verkehrsteams frühzeitig alarmieren. So bleibt den Einsatzkräften mehr Zeit, die Verkehrslenkung zu planen, Verkehrsteilnehmende zu warnen und eine wirksame Reaktion zu koordinieren. Eine frühere Erkennung ermöglicht außerdem eine schnellere Räumung, verringert Staus und senkt das Risiko von Folgeunfällen.

Fahrende und Straßen durch proaktive Überwachung besser schützen#

Beim Management von Verkehrsvorfällen geht es nicht nur darum, nach einem Problem zu reagieren. Dazu gehört auch, Probleme auf der Straße frühzeitig zu erkennen, bevor sie zu Unfällen führen.

Mit Computer Vision können Behörden wie die Federal Highway Administration (FHWA) und das Verkehrsministerium Straßen kontinuierlich überwachen und Probleme wie beschädigte Fahrbahnen, Trümmer oder andere Gefahren erkennen.

Abb. 4: Beispiele für beschädigte Straßen (Quelle)

Mit Verfahren wie der Instanzsegmentierung können Bildverarbeitungsmodelle wie Ultralytics YOLO26 Risse, Schlaglöcher oder beschädigte Fahrbahnabschnitte in Straßenaufnahmen präzise abgrenzen. So lassen sich Größe und Lage des Schadens besser bestimmen, statt lediglich festzustellen, dass ein Problem vorliegt.

Werden solche Probleme früh erkannt, kann schneller gehandelt werden – etwa indem Wartungsarbeiten geplant, Maßnahmen zur Verkehrslenkung angepasst oder Fahrende gewarnt werden. Dieser proaktive Ansatz macht Straßen sicherer, senkt das Unfallrisiko und verbessert die täglichen Fahrbedingungen für alle.

Vor- und Nachteile von Computer-Vision-KI beim Management von Verkehrsvorfällen#

Hier sind einige wichtige Vorteile, die Computer-Vision-KI für das Management von Verkehrsvorfällen und die Sicherheit auf Straßen bietet:

• Datenbasierte Entscheidungsfindung: Daten zu Vorfällen und Erkenntnisse aus Videos unterstützen die Leistungskontrolle, die Berichterstattung, die langfristige Planung der Verkehrssicherheit und Schulungsprogramme für das Verkehrsvorfallmanagement (TIM).
• Konsequente Reaktion auf Vorfälle: Im Gegensatz zur Überwachung durch Menschen arbeitet Computer-Vision-KI kontinuierlich und ermüdungsfrei und ermöglicht so eine gleichmäßigere Abdeckung.

Trotz dieser Vorteile gibt es auch Einschränkungen, die du berücksichtigen solltest. Hier sind einige Faktoren, die du beachten solltest:

• Laufende Wartung: Modelle müssen möglicherweise regelmäßig neu trainiert werden, um sich an Änderungen der Verkehrsmuster, der Infrastruktur oder der Kamerakonfigurationen anzupassen.
• Kosten: Auch wenn die Kosten mit der Zeit sinken können, sind die anfänglichen Investitionen in Hardware, Software und Training möglicherweise erheblich.

Die wichtigsten Erkenntnisse#

Das Management von Verkehrsvorfällen funktioniert am besten, wenn Teams Probleme früh erkennen und in Echtzeit verstehen, was auf der Straße geschieht. Computer-Vision-KI macht das möglich, indem sie alltägliche Aufnahmen von Verkehrskameras in nützliche Erkenntnisse umwandelt, die schnellere Reaktionen und sicherere Entscheidungen unterstützen. Mit Bedacht eingesetzt, kann sie Straßen für Fahrende sicherer machen und das Risiko für die Menschen verringern, die täglich dort arbeiten.

Möchtest du Computer-Vision-KI in deine Projekte integrieren? Werde Teil unserer aktiven Community und erfahre mehr über Computer-Vision-KI in der Fertigung und Computer Vision in der Robotik. In unserem GitHub-Repository erfährst du mehr. Sieh dir unsere Lizenzoptionen an, um loszulegen!