Wie berechnet man Distanz mithilfe von Computer-Vision-Modellen?

Wenn du die Straße überquerst und ein Auto auf dich zukommen siehst, kannst du sofort sagen, wie weit es ungefähr entfernt ist. Diese schnelle, fast instinktive Einschätzung ist deinem räumlichen Verständnis deiner Umgebung zu verdanken. Auf Basis dieses Gefühls kannst du entscheiden, ob du schneller gehst, anhältst oder weiterläufst.

Ähnlich ist computer vision ein Zweig der künstlichen Intelligenz (KI), der es Maschinen ermöglicht, ein Verständnis ihrer Umgebung zu entwickeln, indem sie visuelle Daten interpretieren. Genau wie du die Nähe eines Autos einschätzen kannst, um schnell Entscheidungen zu treffen, können computer vision-Modelle Bilder und Videos analysieren, sodass Maschinen die Welt um sie herum wahrnehmen und darauf reagieren können.

Zum Beispiel ist Ultralytics YOLO11 ein computer vision-Modell, das Objekte in Bildern und Videos in Echtzeit erkennen und verfolgen kann. Einfach ausgedrückt funktioniert YOLO11, indem es sich das gesamte Bild auf einmal ansieht statt in Teilen, was es schneller und effizienter macht. Es kann auch computer vision-Aufgaben wie Instanzsegmentierung, Pose Estimation und Bildklassifizierung bewältigen.

Insbesondere lassen sich die Funktionen von Ultralytics YOLO11 nutzen, um den Abstand zwischen Objekten zu berechnen, was in vielen Bereichen wie Fertigung, Einzelhandel und Crowd-Management nützlich ist und zur Verbesserung von Sicherheit und Effizienz beiträgt.

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

Fig 1. Ein Beispiel für die Verwendung von YOLO zur Berechnung der Landedestanz eines Flugzeugs.

Ein Überblick über die Entfernungsberechnung in der Computer Vision#

Die Entfernungsberechnung in der Computer Vision beinhaltet das Erkennen, Lokalisieren und Messen der Pixel zwischen zwei Objekten in einem Bild. Pixel sind die kleinsten Einheiten, aus denen ein digitales Bild besteht, wobei jeder Punkt einen spezifischen Farb- oder Intensitätswert repräsentiert.

Um Pixelmessungen in reale Entfernungen umzuwandeln, ist calibration der Schlüssel. Du kannst dir das so vorstellen, als würdest du ein Lineal verwenden, um etwas zu messen, und diese Messung dann nutzen, um die Größe anderer Objekte zu verstehen. Durch die Referenzierung von Objekten bekannter Größe stellt die Kalibrierung eine Verbindung zwischen den Pixeln und den tatsächlichen physischen Entfernungen her.

Schauen wir uns ein Beispiel an, um zu sehen, wie das funktioniert. Im Bild unten ist die Münze das Referenzobjekt, und ihre Größe (0,9 Zoll mal 1,0 Zoll) ist bekannt. Durch den Vergleich der Pixelmessungen der anderen Objekte mit der Größe der Münze können wir deren reale Größe berechnen.

Fig 2. Eine Münze kann als Referenz verwendet werden, um die reale Größe anderer Objekte zu messen.

Die Entfernungsberechnung erfolgt jedoch in einer zweidimensionalen (2D) Ebene, was bedeutet, dass sie nur die horizontalen und vertikalen Abstände zwischen Objekten misst. Dies unterscheidet sich von der Tiefenschätzung, die den Abstand von Objekten im dreidimensionalen Raum misst, einschließlich deren Entfernung von der Kamera.

Während depth cameras die wahre Tiefe messen und detailliertere räumliche Informationen liefern können, reicht in vielen Fällen eine einfache kalibrierte Entfernung aus. Beispielsweise funktioniert das Wissen darüber, wie weit Objekte in einer 2D-Ebene voneinander entfernt sind, gut für Aufgaben wie die Objektverfolgung oder das Warteschlangenmanagement, sodass eine Tiefenschätzung in diesen Situationen nicht erforderlich ist.

Verstehen, wie die Abstandsbestimmung mit Ultralytics YOLO11 funktioniert#

Als Nächstes gehen wir Schritt für Schritt durch, wie sich der Abstand zwischen zwei Objekten mithilfe der Unterstützung von Ultralytics YOLO11 für object detection und Tracking berechnen lässt. Hier ist eine Übersicht:

• Objekte erkennen und verfolgen: Ultralytics YOLO11 kann verwendet werden, um Objekte zu erkennen, indem sie in einem Frame identifiziert und ihre Bewegung über Frames hinweg in einem Video verfolgt wird. Es weist jedem Objekt eine eindeutige Track-ID zu, sodass das System deren Position und Bewegung im gesamten Video überwachen kann.
• Bounding Boxes: Bounding Boxes werden basierend auf den Objektergebnissen von Ultralytics YOLO11 um die erkannten Objekte gezeichnet, wodurch deren Position im Bild definiert wird.
• Objekte auswählen: Es können zwei Objekte ausgewählt werden, auf die man sich konzentrieren möchte, und Ultralytics YOLO11 aktualisiert die Bounding Boxes in Echtzeit, während sich die Objekte bewegen.
• Schwerpunktberechnung: Die Schwerpunkte (die Mittelpunkte der Begrenzungsrahmen der beiden Objekte) werden basierend auf den Koordinaten der Ecken der Begrenzungsrahmen berechnet und repräsentieren die Positionen der Objekte.
• Entfernungsberechnung: Die Schwerpunkte der beiden Objekte können dann verwendet werden, um den euklidischen Abstand zwischen ihnen zu berechnen. Der euklidische Abstand ist der geradlinige Abstand zwischen zwei Punkten in einer 2D-Ebene, der unter Verwendung der Differenzen in sowohl horizontaler als auch vertikaler Richtung berechnet wird. Dies liefert den Abstand zwischen den beiden Objekten in Pixeln.

Es ist wichtig zu bedenken, dass die mit dieser Methode berechneten Entfernungen nur Schätzungen sind, da sie auf 2D-Pixelmessungen basieren.

Abb. 3. Verwendung von Ultralytics YOLO, um eine Person zu erkennen und Distanzen zu berechnen.

Die Auswirkungen der Entfernungsabschätzung durch YOLO#

Unter Berücksichtigung der Tatsache, dass die Entfernungsberechnung mit Ultralytics YOLO11 eine Schätzung ist, fragst du dich vielleicht: Wo kann das eingesetzt werden und welchen Unterschied macht es?

Da Kalibrierungen verwendet werden, um zu diesen Entfernungsschätzungen zu gelangen, sind sie genau genug, um in vielen praktischen Situationen zu helfen. Die Entfernungsschätzung von Ultralytics YOLO11 ist besonders nützlich in dynamischen Umgebungen wie Lagern, in denen sich Objekte ständig in Bewegung befinden und Echtzeitanpassungen erforderlich sind, um den reibungslosen Ablauf zu gewährleisten.

Ein interessantes Beispiel ist die Verwendung von YOLO11 zum track packages auf einem Förderband und zur Schätzung des Abstands zwischen ihnen in Echtzeit. Dies hilft Lagerleitern sicherzustellen, dass Pakete richtig positioniert sind, um Kollisionen zu verhindern und einen reibungslosen Ablauf zu gewährleisten.

In solchen Fällen ist eine exakte Entfernung nicht immer notwendig. Typischerweise wird ein Bereich oder ein Schwellenwert für den optimalen Abstand festgelegt, sodass eine Schätzung für diese Art von Anwendungen gut funktioniert.

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

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 es beispielsweise, das queue management zu verbessern, indem Kundenpositionen in Echtzeit verfolgt werden. Dies ermöglicht es Unternehmen, Ressourcen besser zuzuweisen, Wartezeiten zu verkürzen und ein reibungsloseres Einkaufserlebnis zu schaffen. Durch die dynamische Anpassung der Personalstärke und die Steuerung des Kundenstroms können Geschäfte Überfüllungen verhindern und die Raumnutzung optimieren.

Ähnlich hilft im traffic management die Entfernungsschätzung dabei, den Fahrzeugabstand zu überwachen und Verkehrsmuster zu analysieren. Dies kann verwendet werden, um gefährliches Verhalten wie das Auffahren zu erkennen und Ampeln anzupassen, um den Verkehrsfluss aufrechtzuerhalten. Es kann dazu beitragen, Straßen sicherer zu machen, indem potenzielle Probleme identifiziert und das gesamte Verkehrsmanagement in Echtzeit verbessert wird.

Fig 5. Auf Vision basierende Entfernungsberechnung kann zur Verkehrsüberwachung verwendet werden.

Eine weitere einzigartige Anwendung dieser Technologie ergab sich während der COVID-19 pandemic, als sie dazu beitrug, soziale Distanzierung zu fördern. Sie stellte sicher, dass Menschen in öffentlichen Räumen, Geschäften und Krankenhäusern einen Sicherheitsabstand einhielten, wodurch das Risiko der Viruserbreitung verringert wurde.

Durch die Verfolgung von Abständen in Echtzeit konnten Warnungen gesendet werden, wenn Personen zu nah beieinander standen, was es Unternehmen und Gesundheitsdienstleistern erleichterte, schnell zu reagieren und eine sicherere Umgebung für alle aufrechtzuerhalten.

Vor- und Nachteile der Entfernungsberechnung in der Computer Vision#

Nachdem wir einige Anwendungen der Entfernungsberechnung mittels Computer Vision besprochen haben, folgt hier ein genauerer Blick auf die damit verbundenen Vorteile:

• Automatisierung: Vision-KI kann Entfernungsberechnungsaufgaben automatisieren, die ansonsten manuelle Nachverfolgung erfordern würden, wodurch menschliche Fehler und Arbeitskosten reduziert sowie die Produktivität gesteigert werden.
• Ressourcenoptimierung: Durch die Kenntnis der ungefähren Abstände und Nähe von Objekten können Ressourcen (wie Personal oder Maschinen) optimiert werden, was Verschwendung reduziert und Arbeitsabläufe verbessert.
• Minimale Einrichtungs-Komplexität: Einmal eingerichtet, sind vision-gestützte Entfernungsberechnungssysteme relativ wartungsarm und erfordern weniger menschliches Eingreifen im Vergleich zu anderen Systemen, die auf manuelle Eingabe oder komplexe Maschinen angewiesen sind.

Trotz dieser Vorteile gibt es auch einige Einschränkungen, die bei der Implementierung solcher Systeme zu beachten sind. Hier ist ein kurzer Einblick in Schlüsselfaktoren, die bei der Entfernungsberechnung mit Computer Vision zu berücksichtigen sind:

• Empfindlichkeit gegenüber Umgebungsfaktoren: Die Genauigkeit der Entfernungsberechnung kann durch Lichtverhältnisse, Schatten, Reflexionen oder Hindernisse beeinträchtigt werden, was zu potenziellen Fehlern oder Inkonsistenzen führen kann.
• Privacy concerns: Die Verwendung von computer vision zur Verfolgung von Objekten oder Personen kann Datenschutzprobleme aufwerfen, insbesondere in öffentlichen Räumen oder sensiblen Umgebungen, in denen personenbezogene Daten betroffen sein könnten.
• Komplexität in Multi-Objekt-Szenarien: In Umgebungen mit zahlreichen sich bewegenden Objekten kann die genaue gleichzeitige Berechnung von Abständen zwischen mehreren Objekten zu Verwirrung führen, insbesondere wenn diese nah beieinander liegen oder sich überschneiden.

Wichtige Erkenntnisse#

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

Ultralytics YOLO11 ermöglicht es, Aufgaben zu automatisieren, die normalerweise manuellen Aufwand erfordern würden. Zwar gibt es einige Herausforderungen wie die Anfälligkeit für Umwelteinflüsse und Datenschutzbedenken, aber die Vorteile wie Automatisierung, Skalierbarkeit und einfache Integration machen es wirkungsvoll. Da sich Computer Vision weiter verbessert, insbesondere in Bereichen wie der Entfernungsberechnung, werden wir voraussichtlich eine echte Veränderung in der Art und Weise erleben, wie Maschinen mit ihrer Umgebung interagieren und sie verstehen.

Werde Teil unserer community! Erkunde unser GitHub repository, um mehr über Vision-KI zu erfahren. Wenn du daran interessiert bist, computer vision zu nutzen, schau dir unsere licensing options an. Erfahre, wie computer vision in healthcare die Effizienz verbessert, und sieh dir die Auswirkungen von AI in agriculture an, indem du unsere Lösungsseiten besuchst!