Computer-Vision-Anwendungen mit Visualisierungen verbessern

Jede Minute entstehen riesige Datenmengen – von Flughafenterminals und Bahnhöfen bis hin zu Einkaufszentren. Mit der zunehmenden Verbreitung von KI werden viele dieser Daten inzwischen analysiert und aufgeschlüsselt. Doch manchmal erschweren die Ergebnisse dieser KI-Modelle das Erkennen von Mustern oder das schnelle Erfassen von Entwicklungen. Hier hilft die Datenvisualisierung: Sie verwandelt komplexe Ausgaben in klare, leicht verständliche Erkenntnisse.

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

Kurz gesagt schließt die Datenvisualisierung mithilfe aussagekräftiger Analyse-Diagramme die Lücke zwischen Rohdaten und echtem Verständnis. In der heutigen datengetriebenen Welt ist das entscheidend, denn es reicht nicht aus, dass Maschinen lediglich Aufgaben ausführen – sie müssen uns die Ergebnisse auch verständlich vermitteln.

Dieses Bedürfnis nach verständlicher Vermittlung ist genau der Grund, warum die Datenvisualisierung immer wichtiger wird. Der Markt soll bis 2030 ein Volumen von $18.36 billion erreichen. Zuvor haben wir untersucht, wie Computer Vision wertvolle Geschäftserkenntnisse liefern kann. Heute gehen wir einen Schritt weiter und zeigen, wie du mit dem Ultralytics-Paket klare, aussagekräftige Analyse-Diagramme für Computer-Vision-Anwendungen erzeugst. Legen wir los!

Abb. 1. Beispiel für die Visualisierung von Daten auf Grundlage der Ausgaben von YOLO11.

Überblick über die Datenvisualisierung in Computer-Vision-Anwendungen#

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

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

Hier sind einige wichtige Gründe, warum Datenvisualisierung nützlich ist:

• Vereinfacht komplexe Daten: Tausende Objekterkennungen können überwältigend sein, doch Visualisierungen wie Balken- oder Kreisdiagramme erleichtern den Überblick, etwa darüber, welche Objekte am häufigsten vorkommen.

• Macht Entwicklungen sichtbar: Linien- und Balkendiagramme helfen dabei, zeitliche Muster zu erkennen, beispielsweise wann und wo das Fußgängeraufkommen tendenziell zunimmt.

• Spart Zeit: Anstatt jedes Videobild zu prüfen, können Diagramme wichtige Details schnell hervorheben, etwa plötzliche Spitzen bei der Fahrzeugaktivität oder ungewöhnliche Objekte in gesperrten Bereichen.

• Verbessert die Kommunikation: Visualisierungen erleichtern das Teilen von Erkenntnissen mit nichttechnischen Zielgruppen und helfen allen, die Ergebnisse besser zu verstehen.

Verschiedene Arten der Datenvisualisierung#

Verschiedene Arten von Analyse-Diagrammen können Computer-Vision-Ergebnisse in klare, leicht verständliche Visualisierungen verwandeln. Angenommen, du arbeitest an einer Computer-Vision-Anwendung, die Personen und Fahrzeuge in Überwachungsaufnahmen erkennt. In diesem Fall eignet sich ein Liniendiagramm hervorragend, um zu zeigen, wie sich die Anzahl der Erkennungen im Zeitverlauf verändert, beispielsweise um Spitzen beim Fußgängeraufkommen im Tagesverlauf zu verfolgen.

Balkendiagramme sind dagegen hilfreich, wenn du die Anzahl verschiedener erkannter Objekttypen vergleichen möchtest, etwa um zu sehen, ob im Video mehr Autos, Fahrräder oder Fußgänger vorkommen. Kreisdiagramme zeigen hingegen, welchen prozentualen Anteil die einzelnen Objekttypen an allen Erkennungen haben. Jedes Diagramm erfüllt einen eigenen Zweck und erleichtert die Interpretation und Weitergabe komplexer Computer-Vision-Daten.

Abb. 2. Beispiele für Analyse-Diagramme.

Analyse-Diagramme für Erkenntnisse aus Computer Vision erzeugen#

Nachdem wir untersucht haben, was Datenvisualisierung ist und warum verschiedene Arten von Analyse-Diagrammen wichtig sind, sehen wir uns nun genauer an, wie du die Ultralytics-Analytics-Lösung verwenden kannst, um die Ergebnisse der Vorhersagen deines Computer-Vision-Modells zu visualisieren. Bevor wir den Ablauf Schritt für Schritt durchgehen, werfen wir einen Blick auf die Werkzeuge und Einrichtungsoptionen zum Trainieren und Verwenden des Ultralytics-Pakets sowie von Modellen wie YOLO11.

Mit dem Ultralytics-Python-Paket kannst du Modelle trainieren, Objekte erkennen, Vorhersagen ausführen und Ergebnisse visualisieren. Dafür benötigst du zunächst eine Programmierumgebung. Hier sind drei einfache Optionen:

• Befehlszeilenschnittstelle (CLI): Dies ist ein einfaches, rein textbasiertes Werkzeug, in das du Befehle zur Ausführung deines Codes eingeben kannst. Es verfügt über 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. Besonders nützlich ist diese Umgebung zum Lernen und Experimentieren.

• Google Colab: Diese Option ist eine kostenlose, cloudbasierte Version von Jupyter Notebooks, die in deinem Webbrowser ausgeführt wird. Du musst auf deinem Computer nichts einrichten und erhältst Zugriff auf kostenlose GPUs für eine schnellere Verarbeitung.

Diese Werkzeuge 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 Optionen findest du in der offiziellen Ultralytics-Dokumentation.

Schritt 1: Umgebung einrichten#

Sobald du deine bevorzugte Umgebung ausgewählt hast, besteht der nächste Schritt darin, sie für die Ausführung von Vorhersagen und die Visualisierung der Ergebnisse einzurichten. Du kannst jede der oben genannten Umgebungen verwenden – je nachdem, mit welcher du dich am wohlsten fühlst.

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

Um deine Umgebung vorzubereiten, musst du das Ultralytics-Python-Paket mit dem unten angegebenen Befehl installieren. Bei werkzeuggestützten Notebooks wie Colab oder Jupyter setzt du vor den Befehl ein Ausrufezeichen (!).

pip install ultralytics

Schritt 2: Eine Videodatei herunterladen#

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

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

Abb. 3. Ein Einzelbild aus dem Eingabevideo mit 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 in Computer-Vision-Anwendungen. Außerdem importieren wir die Ultralytics-Bibliothek, mit der wir Objekte erkennen und Analysen erzeugen können.

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

Der unten stehende Codeausschnitt enthält außerdem eine einfache Prüfung, die sicherstellt, dass das Video korrekt geladen wird. Wenn der Pfad falsch ist oder die Datei beschädigt wurde, bricht das Programm ab und zeigt die Fehlermeldung „Error reading video file.“ an:

import cv2
from ultralytics import solutions

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

Schritt 4: Den Videoschreiber vorbereiten#

Anschließend richten wir einen Videoschreiber ein, um die Ausgabe zu speichern. Wenn wir die Analyse ausführen, erstellt dieser Teil des Codes eine neue Videodatei, in der die für jedes Einzelbild des Originalvideos erzeugten aktualisierten Diagramme aufgezeichnet werden.

Im folgenden Codeausschnitt extrahieren wir zunächst wichtige Eigenschaften des Eingabevideos – seine Breite, Höhe und Bilder pro Sekunde (fps). Diese Werte werden direkt aus dem Video übernommen und in Ganzzahlen umgewandelt, damit sie zum Schreiben der Ausgabe im richtigen Format vorliegen.

Anschließend verwenden wir die Funktion cv2.VideoWriter, um eine neue Videodatei mit dem Namen „analytics_output.avi“ zu erstellen (du kannst sie bei Bedarf umbenennen). Das Video wird im MJPG-Format gespeichert, einer gängigen Methode zur Videokomprimierung. 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: Die Ultralytics-Analytics-Lösung einrichten#

Nun richten wir die Ultralytics-Analytics-Lösung ein, um Diagramme aus dem Video zu erzeugen. Du kannst auswählen, wie die Daten dargestellt werden sollen, etwa als Linien-, Kreis-, Flächen- oder Balkendiagramm, und welches YOLO-Modell verwendet werden soll. In diesem Beispiel nutzen wir das kompakte Modell „yolo11n.pt“ und stellen die Ergebnisse als Flächendiagramm dar.

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

Schritt 6: Das Eingabevideo verarbeiten#

Der letzte Teil des Codes führt eine Schleife aus, die das Video Einzelbild für Einzelbild verarbeitet. Jedes Einzelbild wird an das Analysewerkzeug übergeben, das das Diagramm in Echtzeit aktualisiert. Das aktualisierte Diagramm wird anschließend in das Ausgabevideo geschrieben. Wenn ein Einzelbild nicht gelesen werden kann, endet die Schleife. Nachdem alle Einzelbilder 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 nun alles zusammen. Mit nur wenigen zusätzlichen Codezeilen können wir zwei Ausgabevideos erzeugen: eines mit den Objekterkennungsergebnissen von Ultralytics YOLO11, einschließlich Begrenzungsrahmen und Beschriftungen, und ein weiteres mit den Analyse-Diagrammen in Echtzeit.

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

Hier ist der vollständige Code zusammen mit Beispielen für die Vorhersage- und 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()

Bei erfolgreicher Ausführung des obigen Codes werden zwei Ausgabevideos erzeugt. Die Datei „output_predictions.avi“ zeigt die Objekterkennungsergebnisse mit Begrenzungsrahmen und Beschriftungen, während „output_analytics.avi“ die Analyse-Diagramme in Echtzeit auf Grundlage der Erkennungen darstellt.

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

Hier siehst du ein Einzelbild aus der Analyseausgabe auf Grundlage der Vorhersagen. Mithilfe des Flächendiagramms können wir Erkenntnisse wie Schwankungen bei der Anzahl der Koffer im Zeitverlauf gewinnen, beispielsweise einen Anstieg um Einzelbild 268, der auf eine Bewegung oder Aktivität von Koffern in diesem Teil des Videos hinweist.

Abb. 5. Als Flächendiagramm visualisierte Vorhersagen von Ultralytics YOLO11.

Diagramme in realen Computer-Vision-Anwendungen verwenden#

Hier sind einige reale Computer-Vision-Anwendungen, bei denen die Datenvisualisierung eine wichtige Wirkung entfaltet:

• 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, die durch Visualisierung Muster sichtbar machen können – etwa Zeiten mit besonders vielen Patienten oder Verzögerungen bei der Reaktion.

• Einzelhandel und E-Commerce: Vision-KI kann eingesetzt werden, um Kundenbewegungen, die Verweildauer vor Regalen und Interaktionen mit Produkten zu verfolgen. Visuelle Analysen wie Balken- oder Kreisdiagramme können hervorheben, welche Bereiche eines Geschäfts oder welche Artikel die meiste Aufmerksamkeit erhalten. So können Händler die Produktplatzierung optimieren und die Conversion-Rate verbessern.

• Produktion: Kameras mit Computer-Vision-Modellen können Fertigungslinien auf Fehler, Sicherheitsverstöße oder den Zustand von Geräten überwachen. Die Datenvisualisierung kann Entwicklungen bei den häufigsten Fehlertypen zeigen oder Zeiträume mit den höchsten Fehlerquoten hervorheben. Dadurch werden schnellere Entscheidungen und eine vorbeugende Wartung ermöglicht.

Wichtige Erkenntnisse#

Mit dem Ultralytics-Paket kannst du Videomaterial ganz einfach in klare, aussagekräftige Diagramme umwandeln, die zeigen, was geschieht, etwa indem sie verfolgen, wie viele Personen oder Objekte im Zeitverlauf zu sehen sind. Statt stundenlang Videos manuell zu prüfen, kannst du visuelle Zusammenfassungen erzeugen, die wichtige Muster und Entwicklungen hervorheben und schnelles Handeln erleichtern. Ob in Krankenhäusern, Einzelhandelsgeschäften oder Produktionsstätten – diese Diagramme verwandeln komplexe KI-Ausgaben in Erkenntnisse, die jeder verstehen und nutzen kann.

Möchtest du mehr über AI erfahren? Sieh dir unser GitHub-Repository an, vernetze dich mit unserer Community und informiere dich über unsere Lizenzoptionen, um dein Computer-Vision-Projekt zu starten. Erfahre auf unseren Lösungsseiten mehr über Innovationen wie AI in der Fertigung und Computer Vision in der Logistikbranche.