Computer-Vision-Anwendungen mit Visualisierungen verbessern

Jede Minute entstehen riesige Datenmengen, von Flughafenterminals und Bahnhöfen bis hin zu Einkaufszentren. Da KI immer häufiger eingesetzt wird, wird ein Großteil dieser Daten nun analysiert und ausgewertet. Manchmal machen es die Ergebnisse dieser KI-Modelle jedoch schwierig, auf einen Blick Muster zu erkennen oder Trends zu verstehen. Hier hilft Datenvisualisierung: Sie verwandelt komplexe Ausgaben in klare, leicht verständliche Erkenntnisse.

Dies gilt besonders für Computer-Vision-Anwendungen. Computer Vision ist ein Teilbereich der künstlichen Intelligenz (KI), der Maschinen hilft, visuelle Informationen aus der Umgebung, wie Bilder und Videos, zu interpretieren und zu verstehen. Während Vision-KI-Modelle, wie Ultralytics YOLO11, dabei helfen können, solche visuellen Daten zu analysieren, um Informationen zu gewinnen, hilft die Datenvisualisierung dabei, diese Informationen in ein leicht verständliches Format zu bringen.

Einfach ausgedrückt: Datenvisualisierung schließt die Lücke zwischen Rohdaten und echtem Verständnis durch aussagekräftige analytische Diagramme. In der heutigen datengesteuerten Welt ist das entscheidend, denn es reicht nicht aus, dass Maschinen nur Aufgaben ausführen – wir müssen sie dazu bringen, eine Geschichte zu erzählen.

Genau dieser Bedarf an Storytelling ist der Grund, warum Datenvisualisierung auf dem Vormarsch ist; der Markt soll bis 2030 $18,36 Milliarden erreichen. Wir haben bereits untersucht, wie Computer Vision wertvolle geschäftliche Erkenntnisse liefern kann. Heute gehen wir einen Schritt weiter und zeigen dir, wie du mit dem Ultralytics-Paket klare, aufschlussreiche analytische Diagramme für Computer-Vision-Anwendungen erstellst. Fangen wir an!

Abb. 1. Ein Beispiel für die Visualisierung von Daten basierend auf YOLO11-Ausgaben.

Link to this sectionEin Überblick über Datenvisualisierung in Computer-Vision-Anwendungen#

Bei der Datenvisualisierung in Computer-Vision-Anwendungen werden die Ergebnisse von Computer-Vision-Aufgaben, wie Objekterkennung und -verfolgung, in leicht verständliche Diagramme oder Dashboards umgewandelt. Diese Visualisierungen helfen dabei, Muster und Trends zu identifizieren, besonders wenn man mit großen Mengen an Videomaterial arbeitet.

Anstatt beispielsweise stundenlanges Überwachungsvideo manuell durchzusehen, kann ein einfaches Liniendiagramm, das die Anzahl der erkannten Autos oder Personen im Zeitverlauf zeigt, schnell Stoßzeiten oder ungewöhnlich ruhige Perioden hervorheben.

Hier sind einige wichtige Gründe, warum Datenvisualisierung nützlich ist:

• Vereinfacht komplexe Daten: Tausende von Objekterkennungen können überwältigend sein, aber Visualisierungen wie Balken- oder Kreisdiagramme machen es einfacher, den Überblick zu behalten, zum Beispiel welche Objekte am häufigsten vorkommen.

• Enthüllt Trends: Linien- und Balkendiagramme helfen dabei, Muster im Zeitverlauf zu erkennen, wie zum Beispiel, wann und wo der Fußgängerverkehr tendenziell zunimmt.

• Spart Zeit: Anstatt jeden Videoframe durchzugehen, können Diagramme schnell wichtige Details hervorheben, wie plötzliche Spitzen bei der Fahrzeugaktivität oder ungewöhnliche Objektvorkommen in gesperrten Zonen.

• Verbessert die Kommunikation: Grafiken erleichtern es, Erkenntnisse mit nicht-technischem Publikum zu teilen und helfen jedem, die Ergebnisse klarer zu verstehen.

Link to this sectionVerschiedene Arten der Datenvisualisierung#

Verschiedene Arten von analytischen Diagrammen können Computer-Vision-Ergebnisse in klare, leicht verständliche Grafiken verwandeln. Nehmen wir an, 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 Laufe der Zeit ändert, etwa um Spitzen im Fußgängerverkehr über den Tag hinweg nachzuverfolgen.

Ähnlich hilfreich sind Balkendiagramme, wenn du die Anzahl verschiedener erkannter Objekttypen vergleichen möchtest, um beispielsweise zu sehen, ob mehr Autos, Fahrräder oder Fußgänger im Video erscheinen. Kreisdiagramme hingegen zeigen, wie viel Prozent jeder Objekttyp an den Gesamterkennungen ausmacht. Jedes Diagramm hat seinen eigenen Nutzen und trägt dazu bei, komplexe Computer-Vision-Daten einfacher zu interpretieren und zu teilen.

Abb. 2. Beispiele für analytische Diagramme.

Link to this sectionErstellung analytischer Diagramme, um Computer-Vision-Erkenntnisse zu gewinnen#

Nachdem wir nun erforscht haben, was Datenvisualisierung ist und warum verschiedene Arten von analytischen Diagrammen wichtig sind, schauen wir uns genauer an, wie du die Ultralytics Analytics-Lösung nutzt, um die Ergebnisse deiner Computer-Vision-Modellvorhersagen zu visualisieren. Bevor wir den Schritt-für-Schritt-Prozess durchgehen, werfen wir einen Blick auf die Werkzeuge und Einrichtungsoptionen für das Training und die Nutzung des Ultralytics-Pakets sowie von Modellen wie YOLO11.

Das Ultralytics Python-Paket macht es einfach, Modelle zu trainieren, Objekte zu erkennen, Vorhersagen auszuführen und Ergebnisse zu visualisieren. Um damit zu starten, benötigst du eine Codierungsumgebung. Hier sind drei einfache Optionen:

• Command-Line Interface (CLI): Dies ist ein einfaches, textbasiertes Tool, in das du Befehle eingibst, um deinen Code auszuführen. Es hat keine grafische Oberfläche; du interagierst damit, indem du Anweisungen in ein Terminal oder eine Eingabeaufforderung tippst.

• Jupyter Notebooks: Dies ist eine interaktive Codierungsumgebung, in der du kleine Code-Blöcke („Zellen“) nacheinander schreiben, ausführen und testen kannst. Die Ergebnisse werden direkt unter jeder Zelle angezeigt, was es einfach macht, Schritt für Schritt zu verstehen, was passiert. Es ist besonders nützlich zum Lernen und Experimentieren.

• Google Colab: Diese Option ist eine kostenlose, cloudbasierte Version von Jupyter Notebooks, die in deinem Webbrowser läuft. Sie erfordert keine Einrichtung auf deinem Computer und gibt dir Zugriff auf kostenlose GPUs für eine schnellere Verarbeitung.

Diese Werkzeuge eignen sich hervorragend für den schnellen Einstieg, aber Benutzer können Ultralytics auch in Integrated Development Environments (IDEs) wie Visual Studio Code (VS Code) oder in Produktionspipelines integrieren. Für weitere Optionen erkunde die offizielle Ultralytics-Dokumentation.

Link to this sectionSchritt 1: Einrichtung der Umgebung#

Sobald du deine bevorzugte Umgebung gewählt hast, ist der nächste Schritt die Einrichtung für das Ausführen von Vorhersagen und das Visualisieren der Ergebnisse. Du kannst jede der oben genannten Umgebungen verwenden, je nachdem, womit du dich am wohlsten fühlst.

Wenn du in Google Colab arbeitest, beachte, dass es standardmäßig eine CPU verwendet, was die Leistung verlangsamen kann. Um die Dinge zu beschleunigen, wechsle zu einer GPU, indem du im „Runtime“-Menü „Change runtime type“ auswählst und den Hardware-Beschleuniger auf GPU (idealerweise eine T4) setzt.

Um deine Umgebung vorzubereiten, musst du das Ultralytics Python-Paket mit dem unten genannten Befehl installieren. Achte in Notebook-basierten Tools wie Colab oder Jupyter darauf, ein Ausrufezeichen (!) vor den Befehl zu setzen.

pip install ultralytics

Link to this sectionSchritt 2: Herunterladen einer Videodatei#

Als Nächstes benötigen wir ein Video, mit dem wir arbeiten können. Du kannst ganz einfach eines von einer kostenlosen Stock-Website wie Pexels herunterladen. Achte darauf, ein Video zu wählen, das Objekte enthält, die YOLO11 erkennen kann. Da das Modell auf dem COCO-Datensatz vortrainiert ist, kann es gängige Objekte wie Personen, Autos und Fahrräder erkennen.

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

Abb. 3. Ein Frame aus dem Eingabevideo, das die Gepäckabfertigung in einem Flughafenterminal zeigt.

Link to this sectionSchritt 3: Pakete importieren#

Als Nächstes können wir die notwendigen 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 in der Computer Vision. Wir importieren auch die Ultralytics-Bibliothek, die uns hilft, Objekterkennung durchzuführen und Analysen aus dem Video zu generieren.

Dann versuchen wir, die Videodatei durch Angabe ihres Pfades zu öffnen. Ersetze „path/to/video.mp4“ durch den tatsächlichen Speicherort deiner heruntergeladenen Videodatei.

Außerdem enthält der unten stehende Codeausschnitt eine einfache Prüfung, um sicherzustellen, dass das Video korrekt geladen wird. Wenn der Pfad falsch ist oder die Datei beschädigt ist, hält das Programm an und zeigt eine Fehlermeldung: „Error reading video file.“

import cv2
from ultralytics import solutions

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

Link to this sectionSchritt 4: Den Video-Writer vorbereiten#

Dann richten wir einen Video-Writer ein, um die Ausgabe zu speichern. Wenn wir die Analysen ausführen, erstellt dieser Teil des Codes eine neue Videodatei, die die aktualisierten Diagramme aufzeichnet, welche aus jedem Frame des ursprünglichen Videos generiert wurden.

Im Codeausschnitt unten extrahieren wir zuerst wichtige Eigenschaften des Eingabevideos – dessen Breite, Höhe und Bilder pro Sekunde (fps). Diese Werte werden direkt aus dem Video übernommen und in Ganzzahlen umgewandelt, um sicherzustellen, dass sie das korrekte Format für das Schreiben der Ausgabe haben.

Als Nächstes verwenden wir die cv2.VideoWriter-Funktion, um eine neue Videodatei mit dem Namen „analytics_output.avi“ zu erstellen (du kannst sie nach Bedarf umbenennen). Das Video wird im MJPG-Format gespeichert, einer gängigen Videokomprimierungsmethode. Die Ausgabeauflösung ist unabhängig von der Größe des Originalvideos auf 1280x720 Pixel eingestellt.

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),
)

Link to this sectionSchritt 5: Einrichtung der Ultralytics Analytics-Lösung#

Jetzt richten wir die Ultralytics Analytics-Lösung ein, um Diagramme aus dem Video zu generieren. Du kannst wählen, wie die Daten angezeigt werden sollen, z. B. als Linien-, Kreis-, Flächen- oder Balkendiagramm, und welches YOLO-Modell verwendet werden soll. In diesem Beispiel verwenden wir das leichtgewichtige „yolo11n.pt“-Modell und zeigen die Ergebnisse als Flächendiagramm an.

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

Link to this sectionSchritt 6: Verarbeitung des Eingabevideos#

Der letzte Teil des Codes führt eine Schleife aus, die das Video Frame für Frame verarbeitet. Jeder Frame wird an das Analysetool übergeben, das das Diagramm in Echtzeit aktualisiert. Das aktualisierte Diagramm wird dann in das Ausgabevideo geschrieben. Wenn ein Frame nicht gelesen werden kann, stoppt die Schleife. Nachdem alle Frames verarbeitet wurden, wird das Video gespeichert und alle offenen 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()

Link to this sectionSchritt 7: Alles zusammenfügen#

Lass uns zum Schluss alles zusammenfügen. Mit nur wenigen zusätzlichen Codezeilen können wir zwei Ausgabevideos generieren: eines mit den YOLO11-Ergebnissen zur Objekterkennung mit Begrenzungsrahmen und Beschriftungen, und ein weiteres, das die Echtzeit-Analysediagramme zeigt.

Dazu richten wir zwei VideoWriter-Instanzen ein – eine zum Speichern des Vorhersagevideos und eine andere für die Analysen. Diese Version des Codes umfasst sowohl Objektverfolgung als auch Diagrammerstellung, sodass du die Erkennungsergebnisse neben den visuellen Erkenntnissen sehen kannst.

Hier ist der umfassende Code zusammen mit Beispielen sowohl für die Vorhersage- als auch für die Analyseausgaben.

import cv2
from ultralytics import YOLO, solutions

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

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

# Writers for prediction and analytics videos
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 setup
analytics = solutions.Analytics(show=True, analytics_type="area", model='yolo11n.pt')

# Process frames
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, werden zwei Ausgabevideos generiert. Die Datei „output_predictions.avi“ zeigt die Objekterkennungsergebnisse mit Begrenzungsrahmen und Beschriftungen, während „output_analytics.avi“ die Echtzeit-Analysediagramme basierend auf den Erkennungen anzeigt.

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

Hier ist ein Frame aus der Analyseausgabe basierend auf den Vorhersagen. Mithilfe des Flächendiagramms können wir Erkenntnisse gewinnen, wie z. B. Schwankungen in der Kofferanzahl über die Zeit, wie etwa eine Spitze um Frame 268, die auf Kofferbewegungen oder Aktivitäten in diesem Teil des Videos hindeutet.

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

Link to this sectionDiagramme in realen Computer-Vision-Anwendungen verwenden#

Hier sind einige reale Computer-Vision-Anwendungen, bei denen Datenvisualisierung eine bedeutende Wirkung hat:

• Gesundheitswesen: Computer-Vision-Systeme können Patientenaktivitäten, Personalbewegungen und Gerätenutzung in Echtzeit überwachen. Dies erzeugt große Mengen an visuellen Daten, die bei ihrer Visualisierung Muster offenbaren können – wie z. B. Spitzenzeiten bei der Patientenbelegung oder Verzögerungen bei der Reaktion.

• Einzelhandel und E-Commerce: Vision-KI kann verwendet werden, um Kundenbewegungen, Verweildauer vor Regalen und Produktinteraktionen zu verfolgen. Visuelle Analysen wie Balken- oder Kreisdiagramme können hervorheben, welche Ladenbereiche oder Artikel die meiste Aufmerksamkeit erhalten, was Einzelhändlern hilft, die Produktplatzierung zu optimieren und Konversionen zu verbessern.

• Fertigung: Kameras, die mit Computer-Vision-Modellen ausgestattet sind, können Montagelinien auf Defekte, Sicherheitsverletzungen oder den Gerätestatus überwachen. Datenvisualisierung kann Trends bei den häufigsten Defekttypen aufzeigen oder Zeiträume mit den höchsten Fehlerraten hervorheben, was eine schnellere Entscheidungsfindung und präventive Wartung ermöglicht.

Link to this sectionWichtige Erkenntnisse#

Mit dem Ultralytics-Paket kannst du Videomaterial ganz einfach in klare, aufschlussreiche Diagramme verwandeln, die zeigen, was vor sich geht, etwa wie viele Personen oder Objekte im Laufe der Zeit erscheinen. Anstatt stundenlanges Videomaterial manuell zu durchsuchen, kannst du visuelle Zusammenfassungen erstellen, die wichtige Muster und Trends hervorheben und so ein schnelles Handeln erleichtern. Ob in Krankenhäusern, Einzelhandelsgeschäften oder Fertigungsanlagen: Diese Diagramme verwandeln komplexe KI-Ausgaben in Erkenntnisse, die jeder verstehen und nutzen kann.

Möchtest du mehr über KI erfahren? Erkunde unser GitHub Repository, vernetze dich mit unserer Community und prüfe unsere Lizenzoptionen, um dein Computer Vision Projekt zu starten. Auf unseren Lösungsseiten findest du weitere Informationen zu Innovationen wie KI in der Fertigung und Computer Vision in der Logistikbranche.