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 Teilbereich der Künstlichen Intelligenz (KI), der es Maschinen ermöglicht, ein Verständnis für ihre Umgebung zu entwickeln, indem sie visuelle Daten interpretieren. Genau 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, ihre Umwelt wahrzunehmen und darauf zu reagieren.

Zum Beispiel ist Ultralytics YOLO11 ein Computer-Vision-Modell, das Objekte in Bildern und Videos in Echtzeit erkennen und verfolgen kann. Vereinfacht gesagt betrachtet YOLO11 das gesamte Bild auf einmal und nicht nur in Teilen, was es schneller und effizienter macht. Es kann auch Aufgaben der Computer Vision wie Instanzsegmentierung, Pose-Schätzung und Bildklassifizierung übernehmen.

Insbesondere die Fähigkeiten von YOLO11 können genutzt werden, um zu berechnen, wie weit Objekte voneinander entfernt sind. Dies ist in vielen Bereichen wie Fertigung, Einzelhandel und Crowd-Management nützlich, um die Sicherheit und Effizienz zu verbessern.

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

Abb. 1. Ein Beispiel für den Einsatz von YOLO zur Berechnung der Landedistanz eines Flugzeugs.

Link to this sectionEin 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 umzurechnen, ist eine Kalibrierung entscheidend. Du kannst dir das wie das Verwenden eines Lineals vorstellen, um etwas zu messen und diese Messung dann zu nutzen, um die Größe anderer Objekte zu verstehen. Durch den Bezug auf Objekte mit bekannten Größen stellt die Kalibrierung eine Verbindung zwischen Pixeln und 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.

Abb. 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 Tiefenkameras eine echte Tiefe messen und detailliertere räumliche Informationen liefern können, reicht in vielen Fällen eine einfache kalibrierte Entfernung aus. Zum Beispiel funktioniert die Kenntnis über die Abstände von Objekten in einer 2D-Ebene gut für Aufgaben wie die Objektverfolgung oder das Warteschlangenmanagement, sodass in diesen Situationen keine Tiefenschätzung erforderlich ist.

Link to this sectionVerständnis der Funktionsweise der Entfernungsberechnung mit YOLO11#

Gehen wir als Nächstes durch, wie man die Entfernung zwischen zwei Objekten mithilfe der Unterstützung von YOLO11 für Objekterkennung und Tracking berechnet. Hier ist eine Übersicht:

• Objekte erkennen und verfolgen: YOLO11 kann verwendet werden, um Objekte zu erkennen, indem sie in einem Frame identifiziert und ihre Bewegung über Frames in einem Video hinweg verfolgt werden. Es weist jedem Objekt eine eindeutige Track-ID zu, was es dem System ermöglicht, deren Position und Bewegung während des gesamten Videos zu überwachen.
• Begrenzungsrahmen: Begrenzungsrahmen (BBox) werden um die erkannten Objekte basierend auf den Objekterkennungsergebnissen von YOLO11 gezeichnet, welche deren Standort im Bild definieren.
• Objekte auswählen: Es können zwei Objekte ausgewählt werden, auf die man sich konzentrieren möchte, und YOLO11 aktualisiert die Begrenzungsrahmen 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.

Link to this sectionDie Auswirkungen der Entfernungsabschätzung durch YOLO#

Wenn man bedenkt, dass die Berechnung von Entfernungen mit 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 Entfernungsabschätzungen zu gelangen, sind sie genau genug, um in vielen praktischen Situationen zu helfen. Die Entfernungsabschätzung von YOLO11 ist besonders nützlich in dynamischen Umgebungen, wie Lagern, in denen sich Objekte ständig in Bewegung befinden und Echtzeitanpassungen notwendig 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. Dies hilft Lagerleitern sicherzustellen, dass Pakete korrekt beabstandet sind, was Kollisionen verhindert und einen reibungslosen Ablauf gewährleistet.

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. Erkennen von Paketen mit YOLO11 und Berechnung des Abstands zwischen ihnen.

Link to this sectionEntfernungsberechnung in Computer-Vision-Anwendungen#

Verschiedene Computer-Vision-Anwendungen können von der Berechnung der Entfernung zwischen Objekten mit YOLO11 profitieren. In der Einzelhandelsanalyse hilft es zum Beispiel dabei, das Warteschlangenmanagement durch die Verfolgung von Kundenpositionen in Echtzeit zu verbessern. Dies ermöglicht es Unternehmen, Ressourcen besser zuzuweisen, Wartezeiten zu reduzieren und ein reibungsloseres Einkaufserlebnis zu schaffen. Durch die dynamische Anpassung des Personaleinsatzes und die Steuerung des Kundenstroms können Geschäfte Überfüllungen verhindern und die Nutzung des Raums optimieren.

Ähnlich hilft die Entfernungsabschätzung im Verkehrsmanagement dabei, den Fahrzeugabstand zu überwachen und Verkehrsmuster zu analysieren. Dies kann genutzt werden, um gefährliche Verhaltensweisen wie dichtes Auffahren zu erkennen und Ampelsignale 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.

Abb. 5. Vision-gestützte Entfernungsberechnung kann zur Verkehrsüberwachung eingesetzt werden.

Eine weitere einzigartige Verwendung dieser Technologie entstand während der COVID-19-Pandemie, als sie half, die soziale Distanzierung zu fördern. Sie stellte sicher, dass Menschen in öffentlichen Räumen, Geschäften und Krankenhäusern einen sicheren Abstand einhielten, was das Risiko der Virusverbreitung verringerte.

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.

Link to this sectionVor- 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.
• Datenschutzbedenken: Die Nutzung von Computer Vision zur Verfolgung von Objekten oder Personen kann Datenschutzfragen aufwerfen, insbesondere in öffentlichen Räumen oder sensiblen Umgebungen, in denen personenbezogene Daten involviert 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.

Link to this sectionWichtige Erkenntnisse#

Die Berechnung der Entfernung zwischen Objekten mit YOLO11 ist eine zuverlässige Lösung, die bei der Entscheidungsfindung unterstützen kann. Sie ist besonders nützlich in dynamischen Umgebungen wie Lagern, Einzelhandel und Verkehrsmanagement, in denen die Überwachung der Objektnähe die Effizienz und Sicherheit verbessern kann.

YOLO11 ermöglicht es, Aufgaben zu automatisieren, die normalerweise manuelle Anstrengung erfordern würden. Obwohl es einige Herausforderungen gibt, wie Empfindlichkeit gegenüber Umgebungsfaktoren und Datenschutzbedenken, machen die Vorteile, wie Automatisierung, Skalierbarkeit und einfache Integration, die Technologie wirkungsvoll. Da Computer Vision weiter verbessert wird, insbesondere in Bereichen wie der Entfernungsberechnung, werden wir wahrscheinlich eine echte Veränderung in der Art und Weise erleben, wie Maschinen mit ihrer Umgebung interagieren und diese verstehen.

Werde Teil unserer Community! Erkunde unser GitHub-Repository, um mehr über Vision-KI zu erfahren. Wenn du Interesse daran hast, Computer Vision zu nutzen, schau dir unsere Lizenzoptionen an. Erfahre, wie Computer Vision im Gesundheitswesen die Effizienz verbessert, und sieh dir die Auswirkungen von KI in der Landwirtschaft an, indem du unsere Lösungsseiten besuchst!