Wie berechnet man Entfernungen mit Computer-Vision-Modellen?

Wenn du eine Straße überquerst und ein Auto auf dich zukommen siehst, kannst du sofort ungefähr einschätzen, wie weit es entfernt ist. Dieses schnelle, beinahe instinktive Urteil verdankst du deinem räumlichen Verständnis der Umgebung. Auf dieser Grundlage kannst du entscheiden, ob du schneller gehen, anhalten oder weitergehen solltest.

Ebenso ist Computer Vision ein Teilgebiet der künstlichen Intelligenz (AI), das es Maschinen ermöglicht, durch die Interpretation visueller Daten ein Verständnis ihrer Umgebung zu entwickeln. So wie du die Nähe eines Autos einschätzen kannst, um schnelle Entscheidungen zu treffen, können Computer-Vision-Modelle Bilder und Videos analysieren und Maschinen dabei helfen, die Welt um sie herum wahrzunehmen und darauf zu reagieren.

Ultralytics YOLO11 ist beispielsweise ein Computer-Vision-Modell, das Objekte in Bildern und Videos in Echtzeit erkennen und verfolgen kann. Einfach gesagt verarbeitet YOLO11 das gesamte Bild auf einmal statt in einzelnen Teilen, wodurch es schneller und effizienter ist. Außerdem kann es Computer-Vision-Aufgaben wie Instanzsegmentierung, Posenschätzung und Bildklassifizierung bearbeiten.

Die Fähigkeiten von Ultralytics YOLO11 können insbesondere dazu genutzt werden, den Abstand zwischen Objekten zu berechnen. Das ist in vielen Bereichen wie Fertigung, Einzelhandel und Menschenmengenmanagement hilfreich und kann Sicherheit und Effizienz verbessern.

In diesem Artikel untersuchen wir, wie Ultralytics YOLO11 für die Entfernungsberechnung in Computer-Vision-Anwendungen eingesetzt werden kann, warum sie wichtig ist und welche Auswirkungen sie auf verschiedene Branchen hat.

Abb. 1 Ein Beispiel für die Verwendung von YOLO zur Berechnung der Landestrecke eines Flugzeugs.

Ein Überblick über die Entfernungsberechnung in Computer Vision#

Bei der Entfernungsberechnung in Computer Vision werden die Pixel zwischen zwei Objekten in einem Bild erkannt, lokalisiert und vermessen. Pixel sind die einzelnen Einheiten, aus denen ein digitales Bild besteht, wobei jeder Pixel einen einzelnen Punkt mit einem bestimmten Farb- oder Intensitätswert darstellt.

Um Pixelmessungen in reale Entfernungen umzurechnen, ist die Kalibrierung entscheidend. Du kannst sie dir wie die Verwendung eines Lineals vorstellen: Zuerst misst du etwas und nutzt diese Messung anschließend, um die Größe anderer Objekte zu bestimmen. Durch den Bezug auf Objekte mit bekannten Abmessungen stellt die Kalibrierung eine Verbindung zwischen den Pixeln und den tatsächlichen physischen Entfernungen her.

Sehen wir uns ein Beispiel an, um zu verstehen, wie das funktioniert. Im folgenden Bild dient die Münze als Referenzobjekt, und ihre Größe (0,9 Zoll mal 1,0 Zoll) ist bekannt. Indem wir die Pixelmessungen der anderen Objekte mit der Größe der Münze vergleichen, können wir ihre reale Größe berechnen.

Abb. 2 Eine Münze kann als Referenz zur Messung der realen Größe anderer Objekte verwendet werden.

Die Entfernungsberechnung erfolgt jedoch in einer zweidimensionalen (2D) Ebene, das heißt, sie misst nur die horizontalen und vertikalen Abstände zwischen Objekten. Das unterscheidet sie von der Tiefenschätzung, bei der die Entfernung von Objekten im dreidimensionalen Raum einschließlich ihres Abstands zur Kamera gemessen wird.

Während Tiefenkameras die tatsächliche Tiefe messen und detailliertere räumliche Informationen liefern können, reicht in vielen Fällen eine einfache kalibrierte Entfernung aus. So funktioniert die Kenntnis des Abstands zwischen Objekten in einer 2D-Ebene gut für Aufgaben wie Objektverfolgung oder Schlangenmanagement, sodass in diesen Situationen keine Tiefenschätzung erforderlich ist.

So funktioniert die Entfernungsberechnung mit Ultralytics YOLO11#

Als Nächstes gehen wir Schritt für Schritt durch, wie du mithilfe der Unterstützung von Ultralytics YOLO11 für Objekterkennung und Objektverfolgung die Entfernung zwischen zwei Objekten berechnen kannst. Hier ist eine Übersicht:

• Objekte erkennen und verfolgen: Ultralytics YOLO11 kann Objekte erkennen, indem es sie in einem Einzelbild identifiziert und ihre Bewegung über mehrere Bilder eines Videos hinweg verfolgt. Jedem Objekt wird eine eindeutige Track-ID zugewiesen, sodass das System seine Position und Bewegung während des gesamten Videos überwachen kann.
• Begrenzungsrahmen: Um die erkannten Objekte werden auf Grundlage der Objekterkennungsergebnisse von Ultralytics YOLO11 Begrenzungsrahmen gezeichnet, die ihre Position im Bild festlegen.
• Objekte auswählen: Du kannst zwei Objekte auswählen, auf die du dich konzentrieren möchtest. Ultralytics YOLO11 aktualisiert die Begrenzungsrahmen, während sich die Objekte in Echtzeit bewegen.
• Schwerpunktberechnung: Die Schwerpunkte, also die Mittelpunkte der Begrenzungsrahmen der beiden Objekte, werden anhand der Koordinaten der Ecken der Begrenzungsrahmen berechnet und repräsentieren die Positionen der Objekte.
• Entfernungsberechnung: Anschließend können die Schwerpunkte der beiden Objekte verwendet werden, um die euklidische Entfernung zwischen ihnen zu berechnen. Die euklidische Entfernung ist der direkte Abstand zwischen zwei Punkten in einer 2D-Ebene und wird anhand der Unterschiede in horizontaler und vertikaler Richtung berechnet. Dadurch erhältst du die Entfernung zwischen den beiden Objekten in Pixeln.

Beachte, dass die mit dieser Methode berechneten Entfernungen nur Schätzungen sind, da sie auf 2D-Pixelmessungen basieren.

Abb. 3. Verwendung von Ultralytics YOLO zur Erkennung einer Person und Berechnung von Entfernungen.

Die Auswirkungen der Entfernungsschätzung mit YOLO#

Da die Entfernungsberechnung mit Ultralytics YOLO11 eine Schätzung ist, fragst du dich vielleicht: Wo kann sie eingesetzt werden und welchen Unterschied kann sie machen?

Da für diese Entfernungsschätzungen Kalibrierungen verwendet werden, sind sie genau genug, um in vielen praktischen Situationen hilfreich zu sein. Die Entfernungsschätzung von Ultralytics YOLO11 ist besonders in dynamischen Umgebungen wie Lagerhäusern nützlich, in denen sich Objekte ständig bewegen und Anpassungen in Echtzeit erforderlich sind, damit alles reibungslos läuft.

Ein interessantes Beispiel ist die Verwendung von YOLO11, um Pakete auf einem Förderband zu verfolgen und den Abstand zwischen ihnen in Echtzeit zu schätzen. So können Lagerverantwortliche sicherstellen, dass die Pakete den richtigen Abstand zueinander haben, Kollisionen verhindern und einen reibungslosen Ablauf gewährleisten.

In solchen Fällen ist eine exakte Entfernung nicht immer erforderlich. Normalerweise wird ein Bereich oder Schwellenwert für den optimalen Abstand festgelegt, sodass eine Schätzung für diese Art von Anwendung gut ausreicht.

Abb. 4. Erkennung von Paketen mit Ultralytics YOLO11 und Berechnung des Abstands zwischen ihnen.

Entfernungsberechnung in Computer-Vision-Anwendungen#

Verschiedene Computer-Vision-Anwendungen können davon profitieren, den Abstand zwischen Objekten mit Ultralytics YOLO11 zu berechnen. In der Einzelhandelsanalyse hilft dies beispielsweise, das Schlangenmanagement durch die Echtzeitverfolgung von Kundenpositionen zu verbessern. Dadurch können Unternehmen Ressourcen besser zuweisen, Wartezeiten verkürzen und ein angenehmeres Einkaufserlebnis schaffen. Durch die dynamische Anpassung der Personalbesetzung und die Steuerung des Kundenstroms können Geschäfte eine Überfüllung verhindern und die Nutzung ihrer Flächen optimieren.

Auch im Verkehrsmanagement hilft die Entfernungsschätzung dabei, Fahrzeugabstände zu überwachen und Verkehrsmuster zu analysieren. Damit lassen sich gefährliche Verhaltensweisen wie dichtes Auffahren erkennen und Ampelschaltungen anpassen, damit der Verkehr reibungslos fließt. So können potenzielle Probleme erkannt und das Verkehrsmanagement insgesamt in Echtzeit verbessert werden, wodurch Straßen sicherer werden.

Abb. 5 Die bildgestützte Entfernungsberechnung kann zur Überwachung des Verkehrs eingesetzt werden.

Eine weitere besondere Anwendung dieser Technologie entstand während der COVID-19-Pandemie, als sie dabei half, Abstand zu halten. Sie stellte sicher, dass Menschen in öffentlichen Bereichen, Geschäften und Krankenhäusern einen sicheren Abstand einhielten, und verringerte so das Risiko einer Virusübertragung.

Durch die Echtzeitüberwachung von Abständen konnten Warnungen ausgegeben werden, wenn sich Personen zu nahe kamen. Dadurch konnten Unternehmen und Gesundheitsdienstleister schneller reagieren und eine sicherere Umgebung für alle aufrechterhalten.

Vor- und Nachteile der Entfernungsberechnung in Computer Vision#

Nachdem wir einige Anwendungen der Entfernungsberechnung mit Computer Vision besprochen haben, sehen wir uns nun die damit verbundenen Vorteile genauer an:

• Automatisierung: Vision AI kann Aufgaben zur Entfernungsberechnung automatisieren, die sonst eine manuelle Verfolgung erfordern würden. Dadurch werden menschliche Fehler und Arbeitskosten reduziert und gleichzeitig die Produktivität gesteigert.
• Ressourcenoptimierung: Wenn der ungefähre Abstand und die Nähe von Objekten bekannt sind, können Ressourcen wie Personal oder Maschinen effizienter eingesetzt, Verschwendung reduziert und Arbeitsabläufe verbessert werden.
• Geringe Komplexität der Einrichtung: Nach der Einrichtung sind bildgestützte Systeme zur Entfernungsberechnung vergleichsweise wartungsarm und erfordern weniger menschliche Eingriffe als andere Systeme, die auf manueller Eingabe oder komplexen Maschinen basieren.

Trotz dieser Vorteile gibt es einige Einschränkungen, die du bei der Implementierung solcher Systeme beachten solltest. Hier ist ein kurzer Überblick über wichtige Faktoren bei der Entfernungsberechnung mit Computer Vision:

• Empfindlichkeit gegenüber Umgebungsfaktoren: Die Genauigkeit der Entfernungsberechnung kann durch Lichtverhältnisse, Schatten, Reflexionen oder Hindernisse beeinträchtigt werden, was zu möglichen Fehlern oder Inkonsistenzen führt.
• Datenschutzbedenken: Der Einsatz von Computer Vision zur Verfolgung von Objekten oder Personen kann Datenschutzprobleme aufwerfen, insbesondere an öffentlichen Orten oder in sensiblen Umgebungen, in denen personenbezogene Daten betroffen sein können.
• Komplexität bei Szenarien mit mehreren Objekten: In Umgebungen mit zahlreichen beweglichen Objekten kann die gleichzeitige, genaue Berechnung der Abstände zwischen mehreren Objekten zu Verwechslungen führen, insbesondere wenn die Objekte nahe beieinander liegen oder sich überschneiden.

Wichtige Erkenntnisse#

Die Berechnung des Abstands zwischen Objekten mit Ultralytics YOLO11 ist eine zuverlässige Lösung, die Entscheidungsprozesse unterstützen kann. Sie ist besonders in dynamischen Umgebungen wie Lagerhäusern, im Einzelhandel und im Verkehrsmanagement nützlich, wo die Überwachung der Objektnähe Effizienz und Sicherheit verbessern kann.

Ultralytics YOLO11 ermöglicht die Automatisierung von Aufgaben, die normalerweise manuellen Aufwand erfordern würden. Zwar gibt es Herausforderungen wie die Empfindlichkeit gegenüber Umgebungsfaktoren und Datenschutzbedenken, doch Vorteile wie Automatisierung, Skalierbarkeit und einfache Integration machen die Technologie wirkungsvoll. Mit den fortlaufenden Verbesserungen von Computer Vision, insbesondere in Bereichen wie der Entfernungsberechnung, ist wahrscheinlich, dass sich die Art und Weise, wie Maschinen mit ihrer Umgebung interagieren und sie verstehen, grundlegend verändern wird.

Werde Teil unserer Community! Besuche unser GitHub-Repository, um mehr über Vision AI zu erfahren. Wenn du Computer Vision einsetzen möchtest, informiere dich über unsere Lizenzoptionen. Erfahre, wie Computer Vision im Gesundheitswesen die Effizienz verbessert, und entdecke die Auswirkungen von AI in der Landwirtschaft auf unseren Lösungsseiten!