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, fast instinktive Urteil beruht auf deinem räumlichen Verständnis der Umgebung. Anhand dieser Einschätzung kannst du entscheiden, ob du schneller gehen, stehen bleiben oder weitergehen solltest.

Ähnlich ermöglicht Computer Vision, ein Teilgebiet der künstlichen Intelligenz (AI), Maschinen ein Verständnis ihrer Umgebung zu entwickeln, indem sie visuelle Daten interpretieren. So wie du die Entfernung eines Autos einschätzen kannst, um schnell Entscheidungen zu treffen, können Computer-Vision-Modelle Bilder und Videos analysieren und Maschinen dabei helfen, ihre Umwelt 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 ausgedrückt betrachtet YOLO11 das gesamte Bild auf einmal statt es in Teile aufzuteilen, wodurch es schneller und effizienter ist. Außerdem kann es Computer-Vision-Aufgaben wie Instanzsegmentierung, Posenschätzung und Bildklassifizierung ausführen.

Insbesondere lassen sich die Fähigkeiten von Ultralytics YOLO11 nutzen, um den Abstand zwischen Objekten zu berechnen. Das ist in vielen Bereichen wie der Fertigung, dem Einzelhandel und dem Crowd-Management hilfreich und kann die Sicherheit und Effizienz verbessern.

In diesem Artikel erklären wir, wie Ultralytics YOLO11 für die Abstandsberechnung in Computer-Vision-Anwendungen eingesetzt werden kann, warum das wichtig ist und welche Auswirkungen es in verschiedenen Branchen hat.

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

Ein Überblick über die Abstandsberechnung in Computer Vision#

Bei der Abstandsberechnung in Computer Vision werden die Pixel zwischen zwei Objekten in einem Bild erkannt, lokalisiert und gemessen. Pixel sind die einzelnen Einheiten eines digitalen Bildes. Jedes Pixel stellt einen einzelnen Punkt mit einem bestimmten Farb- oder Helligkeitswert dar.

Um Pixelmessungen in reale Entfernungen umzurechnen, ist die Kalibrierung entscheidend. Du kannst dir das so vorstellen, als würdest du etwas mit einem Lineal messen und das Ergebnis anschließend verwenden, um die Größe anderer Objekte zu bestimmen. Durch den Vergleich mit Objekten bekannter Größe stellt die Kalibrierung eine Verbindung zwischen Pixeln und tatsächlichen physischen Entfernungen her.

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

Abb. 2. Eine Münze kann als Referenz dienen, um die tatsächliche Größe anderer Objekte zu messen.

Die Abstandsberechnung erfolgt jedoch in einer zweidimensionalen (2D) Ebene. Das bedeutet, dass nur die horizontalen und vertikalen Abstände zwischen Objekten gemessen werden. Das unterscheidet sie von der Tiefenschätzung, bei der Entfernungen von Objekten im dreidimensionalen Raum gemessen werden, einschließlich ihres Abstands zur Kamera.

Tiefenkameras können zwar die tatsächliche Tiefe messen und detailliertere räumliche Informationen liefern, in vielen Fällen reicht jedoch eine einfache, kalibrierte Abstandsangabe aus. Für Aufgaben wie das Verfolgen von Objekten oder das Verwalten von Warteschlangen genügt es beispielsweise, die Abstände zwischen Objekten in einer 2D-Ebene zu kennen. In solchen Fällen ist keine Tiefenschätzung erforderlich.

So funktioniert die Abstandsberechnung mit Ultralytics YOLO11#

Sehen wir uns nun an, wie du mit der Unterstützung von Ultralytics YOLO11 für Objekterkennung und Tracking den Abstand zwischen zwei Objekten berechnen kannst. Die einzelnen Schritte:

• Objekte erkennen und verfolgen: Ultralytics YOLO11 kann Objekte erkennen, indem es sie in einem Frame identifiziert, und ihre Bewegung über mehrere Videoframes hinweg verfolgen. Jedem Objekt wird eine eindeutige Tracking-ID zugewiesen, sodass das System dessen Position und Bewegung während des gesamten Videos überwachen kann.
• Begrenzungsrahmen: Auf Grundlage der Objekterkennungsergebnisse von Ultralytics YOLO11 werden Begrenzungsrahmen um die erkannten Objekte gezeichnet. Sie geben deren Position im Bild an.
• Objekte auswählen: Du kannst zwei Objekte für die Analyse auswählen. Ultralytics YOLO11 aktualisiert die Begrenzungsrahmen in Echtzeit, während sich die Objekte bewegen.
• Schwerpunktberechnung: Die Schwerpunkte – also die Mittelpunkte der Begrenzungsrahmen der beiden Objekte – werden anhand der Koordinaten der Ecken der Begrenzungsrahmen berechnet und geben die Positionen der Objekte an.
• Abstandsberechnung: Anschließend lassen sich anhand der Schwerpunkte der beiden Objekte ihre euklidische Distanz berechnen. Die euklidische Distanz ist die geradlinige Entfernung zwischen zwei Punkten in einer 2D-Ebene. Sie wird anhand der Unterschiede in horizontaler und vertikaler Richtung berechnet. Das Ergebnis ist der Abstand zwischen den beiden Objekten in Pixeln.

Beachte, dass die mit dieser Methode berechneten Abstände lediglich Schätzwerte sind, da sie auf 2D-Pixelmessungen beruhen.

Abb. 3. Eine Person mit Ultralytics YOLO erkennen und Abstände berechnen.

Die Auswirkungen der Abstandsschätzung mit YOLO#

Da die Abstandsberechnung mit Ultralytics YOLO11 nur einen Schätzwert liefert, fragst du dich vielleicht: Wo lässt sie sich einsetzen und welchen Unterschied kann sie machen?

Da diese Abstandsschätzungen mithilfe von Kalibrierungen ermittelt werden, sind sie für viele praktische Situationen genau genug. Die Abstandsschätzung mit Ultralytics YOLO11 ist besonders in dynamischen Umgebungen wie Lagerhäusern hilfreich, wo sich Objekte ständig bewegen und Anpassungen in Echtzeit nötig sind, damit alles reibungslos läuft.

Ein interessantes Beispiel ist der Einsatz von YOLO11, um Pakete zu verfolgen und den Abstand zwischen ihnen auf einem Förderband in Echtzeit zu schätzen. So können Lagerverantwortliche sicherstellen, dass die Pakete den richtigen Abstand zueinander haben, wodurch Zusammenstöße verhindert werden und alles reibungslos läuft.

In solchen Fällen ist eine exakte Entfernung nicht immer nötig. Üblicherweise wird ein Bereich oder Schwellenwert für den optimalen Abstand festgelegt, sodass ein Schätzwert für solche Anwendungen ausreicht.

Abb. 4. Pakete mit Ultralytics YOLO11 erkennen und den Abstand zwischen ihnen berechnen.

Abstandsberechnung in Computer-Vision-Anwendungen#

Viele Computer-Vision-Anwendungen können von der Berechnung des Abstands zwischen Objekten mit Ultralytics YOLO11 profitieren. In der Einzelhandelsanalyse hilft sie beispielsweise, das Warteschlangenmanagement zu verbessern, indem Kundenpositionen in Echtzeit verfolgt werden. So können Unternehmen Ressourcen besser einteilen, Wartezeiten verkürzen und für ein angenehmeres Einkaufserlebnis sorgen. Durch die dynamische Anpassung der Personalstärke und die Steuerung des Kundenflusses können Geschäfte eine Überfüllung vermeiden und ihre Flächen optimal nutzen.

Auch im Verkehrsmanagement hilft die Abstandsschätzung dabei, die Abstände zwischen Fahrzeugen zu überwachen und Verkehrsmuster zu analysieren. Damit lassen sich gefährliche Verhaltensweisen wie dichtes Auffahren erkennen und Ampelschaltungen so anpassen, dass der Verkehr reibungslos fließt. Durch das Erkennen möglicher Probleme und eine bessere Verkehrssteuerung in Echtzeit kann sie dazu beitragen, Straßen sicherer zu machen.

Abb. 5. Die bildverarbeitungsgestützte Abstandsberechnung kann zur Verkehrsüberwachung eingesetzt werden.

Eine weitere besondere Anwendung dieser Technologie kam während der COVID-19-Pandemie zum Einsatz, als sie dazu beitrug, den Sicherheitsabstand zu fördern. Sie stellte sicher, dass Menschen in öffentlichen Bereichen, Geschäften und Krankenhäusern einen sicheren Abstand einhielten und verringerte so das Risiko einer Virusverbreitung.

Durch die Verfolgung der Abstände in Echtzeit konnten Warnmeldungen ausgegeben werden, wenn Personen einander zu nahe kamen. Dadurch konnten Unternehmen und Gesundheitsdienstleister schneller reagieren und eine sicherere Umgebung für alle schaffen.

Vor- und Nachteile der Abstandsberechnung in Computer Vision#

Nachdem wir einige Anwendungen der Abstandsberechnung mit Computer Vision besprochen haben, werfen wir nun einen genaueren Blick auf die damit verbundenen Vorteile:

• Automatisierung: Vision AI kann Aufgaben zur Abstandsberechnung automatisieren, für die sonst eine manuelle Verfolgung erforderlich wäre. Das verringert menschliche Fehler und Arbeitskosten und steigert zugleich die Produktivität.
• Optimierung von Ressourcen: Wenn die ungefähren Abstände und die Nähe von Objekten bekannt sind, lassen sich Ressourcen wie Personal oder Maschinen optimal einsetzen. Das verringert Verschwendung und verbessert Arbeitsabläufe.
• Geringer Einrichtungsaufwand: Einmal eingerichtet, sind bildverarbeitungsgestützte Systeme zur Abstandsberechnung relativ wartungsarm und benötigen weniger menschliches Eingreifen als andere Systeme, die auf manuelle Eingaben oder komplexe Maschinen angewiesen sind.

Trotz dieser Vorteile gibt es bei der Einführung solcher Systeme auch einige Einschränkungen zu beachten. Hier ein kurzer Überblick über wichtige Faktoren bei der Abstandsberechnung mit Computer Vision:

• Empfindlichkeit gegenüber Umgebungsfaktoren: Die Genauigkeit der Abstandsberechnung kann durch Lichtverhältnisse, Schatten, Reflexionen oder Hindernisse beeinträchtigt werden, was zu möglichen Fehlern oder Ungenauigkeiten führt.
• Datenschutzbedenken: Der Einsatz von Computer Vision zur Verfolgung von Objekten oder Personen kann Datenschutzfragen aufwerfen, insbesondere in öffentlichen Räumen oder sensiblen Umgebungen, in denen personenbezogene Daten betroffen sein könnten.
• Komplexität bei mehreren Objekten: In Umgebungen mit zahlreichen beweglichen Objekten kann die gleichzeitige, präzise Berechnung der Abstände zwischen mehreren Objekten verwirrend werden, insbesondere wenn sie dicht beieinanderliegen oder sich überschneiden.

Die wichtigsten Erkenntnisse#

Die Berechnung der Abstände zwischen Objekten mit Ultralytics YOLO11 ist eine zuverlässige Lösung, die fundierte Entscheidungen unterstützen kann. Sie ist besonders in dynamischen Umgebungen wie Lagerhäusern, im Einzelhandel und im Verkehrsmanagement hilfreich, wo die Überwachung der Nähe von Objekten Effizienz und Sicherheit verbessern kann.

Mit Ultralytics YOLO11 lassen sich Aufgaben automatisieren, die normalerweise manuelle Arbeit erfordern würden. Trotz einiger Herausforderungen, etwa der Empfindlichkeit gegenüber Umgebungsfaktoren und Datenschutzbedenken, bietet die Technologie wichtige Vorteile wie Automatisierung, Skalierbarkeit und einfache Integration. Mit den Fortschritten bei Computer Vision, insbesondere bei der Abstandsberechnung, dürfte sich die Art und Weise, wie Maschinen ihre Umgebung wahrnehmen, verstehen und mit ihr interagieren, deutlich verändern.

Tausche dich in unserer Community aus! Entdecke unser GitHub-Repository, um mehr über Vision AI zu erfahren. Wenn du Computer Vision nutzen möchtest, sieh dir unsere Lizenzoptionen an. Erfahre, wie Computer Vision im Gesundheitswesen die Effizienz verbessert, und entdecke auf unseren Lösungsseiten die Auswirkungen von AI in der Landwirtschaft!