Computer-Vision-Anwendungen mit Visualisierungen verbessern

Jede Minute entstehen riesige Datenmengen – an Flughäfen und Bahnhöfen ebenso wie in Einkaufszentren. Mit der zunehmenden Verbreitung von KI werden viele dieser Daten inzwischen analysiert und ausgewertet. Doch die Ergebnisse von KI-Modellen machen es manchmal schwer, Muster zu erkennen oder Trends auf einen Blick zu verstehen. Hier hilft die Datenvisualisierung: Sie wandelt komplexe Ausgaben in klare, leicht verständliche Erkenntnisse um.

Das gilt besonders für Anwendungen im Bereich Computer Vision. Computer Vision ist ein Teilgebiet der künstlichen Intelligenz (AI), das Maschinen dabei hilft, visuelle Informationen aus der Umgebung, etwa Bilder und Videos, zu interpretieren und zu verstehen. Während Modelle für visuelle KI wie Ultralytics YOLO11 solche visuellen Daten analysieren können, um Informationen zu gewinnen, bringt die Datenvisualisierung diese Informationen in ein leicht verständliches Format.

Einfach gesagt, schlägt die Datenvisualisierung mithilfe aussagekräftiger analytischer Diagramme eine Brücke zwischen Rohdaten und echtem Verständnis. Das ist wichtig, denn Maschinen sollen nicht nur Aufgaben erledigen – sie sollen uns auch etwas vermitteln.

Genau dieser Bedarf an anschaulicher Vermittlung lässt die Datenvisualisierung immer wichtiger werden. Bis 2030 soll der Markt ein Volumen von $18,36 Milliarden erreichen. Zuvor haben wir untersucht, wie Computer Vision wertvolle Geschäftserkenntnisse liefern kann. Heute gehen wir einen Schritt weiter und zeigen dir, wie du mit dem Ultralytics-Paket klare, aussagekräftige analytische Diagramme für Computer-Vision-Anwendungen erstellst.

Abb. 1. Beispiel für eine Datenvisualisierung auf Grundlage der Ergebnisse von YOLO11.

Ein Überblick über die Datenvisualisierung in Computer-Vision-Anwendungen#

Bei der Datenvisualisierung in Computer-Vision-Anwendungen werden die Ergebnisse von Computer-Vision-Aufgaben, etwa Objekterkennung und Objektverfolgung, in leicht verständliche Diagramme oder Dashboards umgewandelt. Diese Visualisierungen helfen dabei, Muster und Trends zu erkennen, insbesondere bei der Arbeit mit großen Mengen an Videomaterial.

Anstatt beispielsweise stundenlang Überwachungsvideos manuell durchzusehen, kann ein einfaches Liniendiagramm mit der Anzahl der im Zeitverlauf erkannten Autos oder Personen Spitzenzeiten oder ungewöhnlich ruhige Zeiträume schnell sichtbar machen.

Hier sind einige wichtige Gründe, warum Datenvisualisierung nützlich ist:

• Vereinfacht komplexe Daten: Tausende von Objekterkennungen können überwältigend sein, aber Visualisierungen wie Balken- oder Kreisdiagramme erleichtern den Überblick. So lässt sich beispielsweise leichter erkennen, welche Objekte am häufigsten vorkommen.
• Zeigt Trends: Linien- und Balkendiagramme helfen dabei, Muster im Zeitverlauf zu erkennen, etwa wann und wo das Fußgängeraufkommen zunimmt.
• Spart Zeit: Statt jedes einzelne Videobild durchzusehen, können Diagramme wichtige Details schnell hervorheben, etwa plötzliche Spitzen bei der Fahrzeugaktivität oder ungewöhnliche Objekte in gesperrten Bereichen.
• Verbessert die Kommunikation: Visualisierungen erleichtern es, Erkenntnisse mit einem nicht technischen Publikum zu teilen, sodass alle die Ergebnisse besser verstehen.

Verschiedene Arten von Datenvisualisierungen#

Verschiedene Arten von Analysegraphen können Ergebnisse aus Computer Vision in klare, leicht verständliche Visualisierungen umwandeln. Angenommen, du arbeitest an einer Computer-Vision-Anwendung, die Personen und Fahrzeuge in Überwachungsvideos erkennt. In diesem Fall eignet sich ein Liniendiagramm hervorragend, um zu zeigen, wie sich die Anzahl der Erkennungen im Zeitverlauf verändert, beispielsweise um die Spitzen des Fußgängeraufkommens im Tagesverlauf nachzuverfolgen.

Balkendiagramme sind hilfreich, wenn du die Anzahl der erkannten Objekte verschiedener Typen vergleichen möchtest, etwa um zu sehen, ob im Video mehr Autos, Fahrräder oder Fußgänger vorkommen. Kreisdiagramme zeigen dagegen, welchen prozentualen Anteil jeder Objekttyp an allen Erkennungen ausmacht. Jedes Diagramm hat seinen eigenen Zweck und hilft dabei, komplexe Computer-Vision-Daten leichter zu interpretieren und weiterzugeben.

Abb. 2. Beispiele für Analysegraphen.

Analysegraphen erstellen, um Erkenntnisse aus Computer Vision zu gewinnen#

Nachdem wir uns angesehen haben, was Datenvisualisierung ist und warum verschiedene Arten von Analysegraphen wichtig sind, schauen wir uns genauer an, wie du die Ultralytics-Analytics-Lösung verwendest, um die Vorhersagen deines Computer-Vision-Modells zu visualisieren. Bevor wir die einzelnen Schritte durchgehen, werfen wir einen Blick auf die Tools und Einrichtungsoptionen für das Training und die Verwendung des Ultralytics-Pakets und von Modellen wie YOLO11.

Mit dem Ultralytics-Python-Paket kannst du ganz einfach Modelle trainieren, Objekte erkennen, Vorhersagen ausführen und Ergebnisse visualisieren. Für den Einstieg benötigst du eine Programmierumgebung. Hier sind drei einfache Möglichkeiten:

• Befehlszeilenschnittstelle (CLI): Dies ist ein einfaches, rein textbasiertes Werkzeug, in das du Befehle eingeben kannst, um deinen Code auszuführen. Es hat keine grafische Oberfläche. Stattdessen gibst du Anweisungen in ein Terminal oder eine Eingabeaufforderung ein.
• Jupyter Notebooks: Dies ist eine interaktive Programmierumgebung, in der du kleine Codeabschnitte (sogenannte „Zellen“) einzeln schreiben, ausführen und testen kannst. Die Ergebnisse werden direkt unter jeder Zelle angezeigt, sodass du die einzelnen Schritte leicht nachvollziehen kannst. Die Umgebung eignet sich besonders gut zum Lernen und Experimentieren.
• Google Colab: Diese kostenlose, cloudbasierte Variante von Jupyter Notebooks läuft in deinem Webbrowser. Du musst nichts auf deinem Computer einrichten und erhältst Zugriff auf kostenlose GPUs für eine schnellere Verarbeitung.

Diese Tools eignen sich hervorragend für einen schnellen Einstieg. Du kannst Ultralytics aber auch in integrierte Entwicklungsumgebungen (IDEs) wie Visual Studio Code (VS Code) oder in Produktionspipelines integrieren. Weitere Möglichkeiten findest du in der offiziellen Ultralytics-Dokumentation.

Schritt 1: Umgebung einrichten#

Sobald du deine bevorzugte Umgebung ausgewählt hast, musst du sie als Nächstes für Vorhersagen und die Visualisierung der Ergebnisse einrichten. Je nachdem, womit du am besten zurechtkommst, kannst du eine der oben genannten Umgebungen verwenden.

Wenn du mit Google Colab arbeitest, beachte, dass standardmäßig eine CPU verwendet wird, was die Leistung beeinträchtigen kann. Um die Verarbeitung zu beschleunigen, wechsle über das Menü „Runtime“ zu „Change runtime type“ und stelle den Hardwarebeschleuniger auf GPU ein (idealerweise auf eine T4).

Um deine Umgebung vorzubereiten, musst du das Ultralytics-Python-Paket mit dem unten angegebenen Befehl installieren. Bei notebookbasierten Tools wie Colab oder Jupyter musst du dem Befehl ein Ausrufezeichen (!) voranstellen.

pip install ultralytics

Schritt 2: Videodatei herunterladen#

Als Nächstes benötigen wir ein Video, mit dem wir arbeiten können. Du kannst ganz einfach eines von einer kostenlosen Stock-Mediathek wie Pexels herunterladen. Achte darauf, ein Video mit Objekten auszuwählen, die Ultralytics YOLO11 erkennen kann. Da das Modell mit dem COCO-Datensatz vortrainiert wurde, erkennt es häufig vorkommende Objekte wie Personen, Autos und Fahrräder.

Für dieses Tutorial verwenden wir ein Video zur Gepäckabfertigung in einem geschäftigen Flughafenterminal. Du kannst dasselbe Video verwenden oder ein anderes auswählen, das zu deinem Projekt passt.

Abb. 3. Ein Bild aus dem Eingabevideo zeigt die Gepäckabfertigung in einem Flughafenterminal.

Schritt 3: Pakete importieren#

Als Nächstes können wir die benötigten Bibliotheken importieren und das Eingabevideo laden.

Wir beginnen mit dem Import von OpenCV (cv2), einer weit verbreiteten Bibliothek für die Arbeit mit Bildern und Videos im Bereich Computer Vision. Außerdem importieren wir die Ultralytics-Bibliothek, mit der wir Objekte im Video erkennen und Analysen erstellen können.

Anschließend versuchen wir, die Videodatei zu öffnen, indem wir ihren Pfad angeben. Ersetze „path/to/video.mp4“ durch den tatsächlichen Speicherort der heruntergeladenen Videodatei.

Außerdem enthält der folgende Codeausschnitt eine einfache Prüfung, um sicherzustellen, dass das Video korrekt geladen wird. Wenn der Pfad falsch oder die Datei beschädigt ist, wird das Programm angehalten und die Fehlermeldung „Error reading video file.“ angezeigt.

import cv2
from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

Schritt 4: Video-Writer vorbereiten#

Anschließend richten wir einen Video-Writer ein, um die Ausgabe zu speichern. Wenn wir die Analysen ausführen, erstellt dieser Teil des Codes eine neue Videodatei, in der die aktualisierten Graphen aus jedem Bild des Originalvideos aufgezeichnet werden.

Im folgenden Codeausschnitt lesen wir zunächst wichtige Eigenschaften des Eingabevideos aus: Breite, Höhe und Bilder pro Sekunde (fps). Diese Werte werden direkt aus dem Video übernommen und in Ganzzahlen umgewandelt, damit sie das richtige Format zum Schreiben der Ausgabe haben.

Als Nächstes verwenden wir die Funktion cv2.VideoWriter, um eine neue Videodatei mit dem Namen „analytics_output.avi“ zu erstellen (du kannst den Namen bei Bedarf ändern). Das Video wird im MJPG-Format gespeichert, einem gängigen Videokompressionsverfahren. Die Ausgabeauflösung wird unabhängig von der Größe des Originalvideos auf 1280×720 Pixel festgelegt.

w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter(
    "analytics_output.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1280, 720),
)

Schritt 5: Ultralytics-Analytics-Lösung einrichten#

Richten wir jetzt die Analyselösung von Ultralytics ein, um Diagramme aus dem Video zu erstellen. Du kannst auswählen, wie die Daten dargestellt werden – etwa als Linien-, Kreis-, Flächen- oder Balkendiagramm – und welches YOLO-Modell du verwenden möchtest. In diesem Beispiel nutzen wir das kompakte Modell YOLO11n („yolo11n.pt“) und stellen die Ergebnisse als Flächendiagramm dar.

analytics = solutions.Analytics(
    show=True,
    analytics_type="area",
    model="yolo11n.pt",
)

Schritt 6: Eingabevideo verarbeiten#

Im letzten Teil des Codes wird eine Schleife ausgeführt, die das Video Bild für Bild verarbeitet. Jedes Bild wird an das Analysetool übergeben, das den Graphen in Echtzeit aktualisiert. Anschließend wird der aktualisierte Graph in das Ausgabevideo geschrieben. Wenn ein Bild nicht gelesen werden kann, wird die Schleife beendet. Nachdem alle Bilder verarbeitet wurden, wird das Video gespeichert und alle geöffneten Fenster werden geschlossen.

frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if success:
        frame_count += 1
        results = analytics(im0, frame_count)
        out.write(results.plot_im)
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Schritt 7: Alles zusammenführen#

Führen wir zum Schluss alles zusammen. Mit nur wenigen zusätzlichen Codezeilen können wir zwei Ausgabevideos erstellen: eines mit den Ergebnissen der Ultralytics YOLO11-Objekterkennung samt Begrenzungsrahmen und Beschriftungen und ein weiteres mit den Echtzeit-Analysegraphen.

Dazu richten wir zwei VideoWriter-Instanzen ein – eine zum Speichern des Vorhersagevideos und eine für die Analysen. Diese Codeversion umfasst sowohl die Objektverfolgung als auch die Diagrammerstellung. So kannst du die Erkennungsergebnisse zusammen mit den visuellen Erkenntnissen sehen.

Hier findest du den vollständigen Code sowie Beispiele für die Vorhersage- und Analyseausgaben.

import cv2
from ultralytics import YOLO, solutions

# Modell und Video laden
model = YOLO('yolo11n.pt')
cap = cv2.VideoCapture('path/to/video.mp4')
assert cap.isOpened(), "Error opening video"

# Eigenschaften abrufen
w, h = int(cap.get(3)), int(cap.get(4))
fps = cap.get(5)
analytics_res = (1280, 720)

# Writer für Vorhersage- und Analysevideos
out_pred = cv2.VideoWriter('output_predictions.avi', cv2.VideoWriter_fourcc(*'MJPG'), fps, (w, h))
out_ana = cv2.VideoWriter('output_analytics.avi', cv2.VideoWriter_fourcc(*'MJPG'), fps, analytics_res)

# Analytics einrichten
analytics = solutions.Analytics(show=True, analytics_type="area", model='yolo11n.pt')

# Bilder verarbeiten
frame_count = 0
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    frame_count += 1
    pred_frame = model.track(frame, persist=True)[0].plot()
    out_pred.write(pred_frame)
    resized = cv2.resize(pred_frame, analytics_res)
    out_ana.write(analytics(resized, frame_count).plot_im)

cap.release(), out_pred.release(), out_ana.release(), cv2.destroyAllWindows()

Wenn der obige Code erfolgreich ausgeführt wird, erstellt er zwei Ausgabevideos. Die Datei „output_predictions.avi“ zeigt die Ergebnisse der Objekterkennung mit Begrenzungsrahmen und Beschriftungen, während „output_analytics.avi“ die Echtzeit-Analysegraphen auf Grundlage der Erkennungen anzeigt.

Abb. 4. Ein Bild aus der Datei „output_predictions.avi“.

Hier siehst du ein Bild aus der Analyseausgabe auf Grundlage der Vorhersagen. Mithilfe des Flächendiagramms können wir Erkenntnisse über Schwankungen der Kofferanzahl im Zeitverlauf gewinnen. Ein Ausschlag etwa bei Bild 268 deutet beispielsweise auf eine Bewegung oder Aktivität von Koffern in diesem Teil des Videos hin.

Abb. 5. Ultralytics YOLO11-Vorhersagen als Flächendiagramm visualisiert.

Diagramme in realen Computer-Vision-Anwendungen nutzen#

Hier sind einige reale Computer-Vision-Anwendungen, in denen Datenvisualisierung einen spürbaren Unterschied macht:

• Gesundheitswesen: Computer-Vision-Systeme können die Aktivitäten von Patienten, die Bewegungen des Personals und die Nutzung von Geräten in Echtzeit überwachen. Dabei entstehen große Mengen visueller Daten, deren Visualisierung Muster aufdecken kann, etwa Zeiten mit besonders hoher Patientenauslastung oder Verzögerungen bei der Reaktion.
• Einzelhandel und E-Commerce: Visuelle KI kann dazu eingesetzt werden, Kundenbewegungen, die Verweildauer vor Regalen und Interaktionen mit Produkten nachzuverfolgen. Visuelle Analysen wie Balken- oder Kreisdiagramme können zeigen, welche Bereiche oder Produkte im Geschäft die meiste Aufmerksamkeit erhalten. So können Einzelhändler die Produktplatzierung optimieren und die Conversion-Rate verbessern.
• Fertigung: Mit Computer-Vision-Modellen ausgestattete Kameras können Fertigungsstraßen auf Fehler, Sicherheitsverstöße oder den Zustand der Anlagen überwachen. Datenvisualisierungen können Trends bei den häufigsten Fehlertypen zeigen oder Zeiträume mit den höchsten Fehlerquoten hervorheben. Das ermöglicht schnellere Entscheidungen und vorbeugende Wartung.

Die wichtigsten Erkenntnisse#

Mit dem Ultralytics-Paket kannst du Videomaterial ganz einfach in klare, aussagekräftige Graphen umwandeln, die zeigen, was passiert – etwa wie viele Personen oder Objekte im Zeitverlauf zu sehen sind. Statt stundenlang Videos manuell durchzusehen, kannst du visuelle Zusammenfassungen erstellen, die wichtige Muster und Trends hervorheben und es dir erleichtern, schnell zu handeln. Ob in Krankenhäusern, Einzelhandelsgeschäften oder Fertigungsbetrieben: Diese Graphen verwandeln komplexe KI-Ergebnisse in Erkenntnisse, die alle verstehen und nutzen können.

Möchtest du mehr über KI erfahren? Sieh dir unser GitHub-Repository an, tausche dich mit unserer Community aus und entdecke unsere Lizenzoptionen, um dein Computer-Vision-Projekt zu starten. Auf unseren Lösungsseiten erfährst du mehr über Innovationen wie KI in der Fertigung und Computer Vision in der Logistik.