So verwendest du Ultralytics YOLO11 für die Objekterkennung mit OBB

Das jährliche hybride Event von Ultralytics, YOLO Vision 2024 (YV24), konzentrierte sich auf die neuesten Durchbrüche in KI und Computer Vision. Es war die perfekte Gelegenheit, unser neuestes Modell, Ultralytics YOLO11, vorzustellen. Das Modell unterstützt dieselben Computer-Vision-Aufgaben wie Ultralytics YOLOv8, sodass der Umstieg auf das neue Modell für Benutzer mühelos ist.

Angenommen, du hast YOLOv8 zur Erkennung von Objekten mit gedrehten Begrenzungsrahmen (OBB) verwendet, um Objekte aus verschiedenen Winkeln zu erkennen. Jetzt kannst du mit wenigen geringfügigen Änderungen an deinem Code zu YOLO11 wechseln und von Verbesserungen in YOLO11 profitieren, die von höherer Genauigkeit und Effizienz bis hin zu schnellerer Verarbeitung reichen. Falls du bisher noch keine Modelle wie YOLO11 verwendet hast, ist die OBB-Erkennung ein hervorragendes Beispiel dafür, wie YOLO11 eingesetzt werden kann, um in verschiedensten Branchen praktische Lösungen bereitzustellen, die eine echte Wirkung erzielen.

In diesem Artikel sehen wir uns an, was die Erkennung von Objekten mit OBB ist, wo sie eingesetzt werden kann und wie du mit Ultralytics YOLO11 OBB erkennen kannst. Außerdem zeigen wir, wie die neuen Funktionen von YOLO11 diese Prozesse verbessern können und wie du Inferenzen ausführst und eigene Modelle trainierst, um die OBB-Erkennungsfunktionen optimal zu nutzen.

Zu den Funktionen der nächsten Generation von Ultralytics YOLO11 gehören Aufgaben wie die Erkennung von Objekten mit OBB#

Die OBB-Erkennung geht bei der herkömmlichen Objekterkennung einen Schritt weiter, indem sie Objekte aus verschiedenen Winkeln erkennt. Im Gegensatz zu regulären Begrenzungsrahmen, die an den Bildachsen ausgerichtet bleiben, drehen sich OBBs entsprechend der Ausrichtung des Objekts. Die OBB-Erkennung kann zur Analyse von Luft- oder Satellitenbildern verwendet werden, auf denen Objekte nicht immer gerade ausgerichtet sind. In Branchen wie Stadtplanung, Energieversorgung und Verkehr kann die Fähigkeit, schräge Objekte wie Gebäude, Fahrzeuge oder Infrastruktur präzise zu erkennen, die Grundlage für Computer-Vision-Anwendungen mit greifbaren Vorteilen bilden.

Abb. 1. Vergleich von normalen und gedrehten Begrenzungsrahmen.

YOLO11 unterstützt die OBB-Erkennung und wurde mit dem DOTA-v1.0-Datensatz trainiert, um Objekte wie Flugzeuge, Schiffe und Lagertanks aus verschiedenen Perspektiven zu erkennen. YOLO11 ist in mehreren Modellvarianten verfügbar, darunter YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) und YOLO11x-obb (Extra Large). Jedes Modell hat eine andere Größe und bietet ein unterschiedliches Verhältnis von Geschwindigkeit, Genauigkeit und Rechenleistung. Benutzer können das Modell auswählen, das für ihre Anwendung das passende Gleichgewicht zwischen Geschwindigkeit und Genauigkeit bietet.

Anwendungsfälle für Ultralytics YOLO11, die der Erkennung eine neue Perspektive verleihen#

Die Objekterkennungsfunktionen von Ultralytics YOLO11, insbesondere die Unterstützung für gedrehte Begrenzungsrahmen, ermöglichen eine höhere Präzision in verschiedenen Branchen. Im Folgenden sehen wir uns einige Beispiele dafür an, wie YOLO11 und die OBB-Erkennung in realen Situationen eingesetzt werden können, um Prozesse in unterschiedlichen Bereichen effizienter, genauer und einfacher zu verwalten.

Stadtplanung und Infrastrukturüberwachung mit Ultralytics YOLO11#

Wenn du schon einmal das Design und die Struktur einer Stadt bewundert hast, ist das der detaillierten Arbeit der Stadtplanung und Infrastrukturüberwachung zu verdanken. Ein wichtiger Bestandteil der Infrastrukturüberwachung ist die Identifizierung und Verwaltung bedeutender Strukturen wie Lagertanks, Pipelines und Industrieanlagen. Ultralytics YOLO11 kann Stadtplanern dabei helfen, Luftbilder zu analysieren und diese wichtigen Komponenten schnell und präzise zu erkennen.

Die Erkennung von Objekten mit gedrehten Begrenzungsrahmen ist hier besonders hilfreich, da sie die Erkennung von Objekten aus verschiedenen Blickwinkeln ermöglicht, was bei Luftaufnahmen häufig vorkommt. Präzision ist hier entscheidend, um Industriegebiete zu überwachen, Umweltauswirkungen zu steuern und die ordnungsgemäße Instandhaltung der Infrastruktur sicherzustellen. OBB macht den Erkennungsprozess zuverlässiger und hilft Planern, fundierte Entscheidungen über das Wachstum, die Sicherheit und die Nachhaltigkeit der Stadt zu treffen. Mit Ultralytics YOLO11 können Planer die Infrastruktur überwachen und verwalten, die für einen reibungslosen Betrieb von Städten sorgt.

Abb. 2. Erkennung von Lagertanks in Luftaufnahmen mit Ultralytics YOLO11.

Inspektion von Solarmodulen mit Drohnen, Ultralytics YOLO11 und Edge AI#

Da erneuerbare Energien und Innovationen wie Solarparks immer beliebter werden, gewinnen regelmäßige Inspektionen an Bedeutung. Solarmodule müssen überprüft werden, um sicherzustellen, dass sie effizient funktionieren. Mit der Zeit können Dinge wie Risse, Schmutzablagerungen oder eine falsche Ausrichtung ihre Leistung beeinträchtigen. Regelmäßige Inspektionen helfen, diese Probleme frühzeitig zu erkennen, damit Wartungsarbeiten durchgeführt werden können und die Module zuverlässig funktionieren.

Solarmodule können beispielsweise mit Drohnen, die mit Edge AI ausgestattet sind, und Ultralytics YOLO11 auf Schäden untersucht werden. Die Analyse von Bildern direkt am Gerät sorgt für mehr Präzision und Effizienz im Inspektionsprozess. Aufgrund der Bewegung und Perspektive der Drohne können die Überwachungsaufnahmen Solarmodule häufig aus verschiedenen Winkeln zeigen. In solchen Fällen kann die OBB-Erkennung von YOLO11 Drohnen dabei helfen, Solarmodule präzise zu identifizieren.

Ultralytics YOLO11 liefert Erkenntnisse für das Flottenmanagement#

Häfen und Anlegestellen fertigen jede Woche Hunderte von Schiffen ab, und die Verwaltung einer so großen Flotte kann eine Herausforderung sein. Noch schwieriger wird es beim Analysieren von Schiffen in Luftbildern, da die Schiffe häufig aus unterschiedlichen Winkeln erscheinen. Hier kommt die Unterstützung von Ultralytics YOLO11 für die OBB-Erkennung ins Spiel.

Die OBB-Erkennung ermöglicht es dem Modell, Schiffe aus verschiedenen Winkeln präziser zu erkennen als mit standardmäßigen rechteckigen Begrenzungsrahmen. Durch den Einsatz von Ultralytics YOLO11 mit OBB können Schifffahrtsunternehmen den Standort und Zustand ihrer Flotte leichter bestimmen und wichtige Details wie Flottenbewegungen und Logistik der Lieferkette verfolgen. Solche bildverarbeitungsbasierten Lösungen helfen, Routen zu optimieren, Verzögerungen zu reduzieren und das Flottenmanagement auf Schifffahrtsrouten insgesamt zu verbessern.

Abb. 3. Erkennung von Schiffen und Häfen aus einem Winkel mit Ultralytics YOLO11.

Ultralytics YOLO11 für KI-Entwickler: Erkennung gedrehter Begrenzungsrahmen#

Wenn du als KI-Entwickler YOLO11 für die OBB-Erkennung einsetzen möchtest, gibt es zwei einfache Möglichkeiten für den Einstieg. Wenn du gerne mit Code arbeitest, ist das Ultralytics-Python-Paket eine gute Wahl. Wenn du eine benutzerfreundliche Lösung ohne Code mit Möglichkeiten zum Training in der Cloud bevorzugst, ist Ultralytics HUB die dafür entwickelte interne Plattform. Weitere Informationen findest du in unserem Leitfaden zum Trainieren und Bereitstellen von Ultralytics YOLO11 mit Ultralytics HUB.

Nachdem wir nun Beispiele dafür gesehen haben, wo die OBB-Unterstützung von YOLO11 eingesetzt werden kann, sehen wir uns das Ultralytics-Python-Paket an und schauen, wie du damit Inferenzen ausführen und eigene Modelle trainieren kannst.

Inferenz mit Ultralytics YOLO11 ausführen#

Um YOLO11 mit Python zu verwenden, musst du zunächst das Ultralytics-Paket installieren. Je nach deinen Vorlieben kannst du es mit pip, conda oder Docker installieren. Eine Schritt-für-Schritt-Anleitung findest du in unserem Ultralytics-Installationsleitfaden. Falls bei der Installation Probleme auftreten, bietet unser Leitfaden zu häufigen Problemen hilfreiche Tipps zur Fehlerbehebung.

Sobald du das Ultralytics-Paket installiert hast, ist die Arbeit mit YOLO11 ausgesprochen unkompliziert. Eine Inferenz bezeichnet den Prozess, bei dem ein trainiertes Modell verwendet wird, um Vorhersagen für neue Bilder zu treffen – etwa um Objekte mit OBB in Echtzeit zu erkennen. Dies unterscheidet sich vom Modelltraining, bei dem du dem Modell beibringst, neue Objekte zu erkennen oder seine Leistung bei bestimmten Aufgaben zu verbessern. Inferenzen werden verwendet, wenn du das Modell auf bisher unbekannte Daten anwenden möchtest.

Das folgende Beispiel zeigt dir, wie du ein Modell lädst und damit gedrehte Begrenzungsrahmen in einem Bild vorhersagst. Ausführlichere Beispiele und Tipps zur fortgeschrittenen Nutzung findest du in der offiziellen Ultralytics-Dokumentation, die bewährte Verfahren und weiterführende Anleitungen enthält.

Abb. 4. Ein Codeausschnitt zur Ausführung von Inferenzen mit Ultralytics YOLO11.

Benutzerdefiniertes Ultralytics-YOLO11-Modell trainieren#

Das Training eines Ultralytics-YOLO11-Modells ermöglicht es dir, seine Leistung für bestimmte Datensätze und Aufgaben wie die Erkennung von Objekten mit gedrehten Begrenzungsrahmen zu optimieren. Während vortrainierte Modelle wie YOLO11 für die allgemeine Objekterkennung verwendet werden können, ist das Training eines eigenen Modells unerlässlich, wenn das Modell einzigartige Objekte erkennen oder die Leistung optimieren soll.

Im folgenden Codeausschnitt zeigen wir die Schritte zum Trainieren eines Ultralytics-YOLO11-Modells für die OBB-Erkennung.

Zunächst wird das Modell mit vortrainierten, speziell für YOLO11-OBB vorgesehenen Gewichten (yolo11n-obb.pt) initialisiert. Anschließend wird eine Trainingsfunktion verwendet, um das Modell auf einem eigenen Datensatz zu trainieren, wobei Parameter wie die Konfigurationsdatei des Datensatzes, die Anzahl der Trainingszyklen, die Bildgröße für das Training und die Hardware, auf der das Training ausgeführt wird (z. B. CPU oder GPU) festgelegt werden. Nach dem Training wird die Leistung des Modells validiert, um Metriken wie Genauigkeit und Verlust zu überprüfen.

Mit dem trainierten Modell kannst du Inferenzen auf neuen Bildern ausführen, um Objekte mit OBB zu erkennen und zu visualisieren. Außerdem kann das trainierte Modell mithilfe der Exportfunktion in Formate wie ONNX für die Bereitstellung konvertiert werden.

Abb. 5. Ein Beispiel für das Training von Ultralytics YOLO11 zur Erkennung von Objekten mit OBB.

Der Weg zu weiteren KI-Fortschritten mit Ultralytics YOLO11#

Ultralytics YOLO11 hebt die Objekterkennung mit seiner Unterstützung für gedrehte Begrenzungsrahmen auf die nächste Stufe. Da YOLO11 Objekte aus verschiedenen Winkeln erkennen kann, lässt es sich in unterschiedlichen Branchen für vielfältige Anwendungen einsetzen. Es eignet sich beispielsweise ideal für Bereiche wie Stadtplanung, Energieversorgung und Schifffahrt, in denen Präzision bei Aufgaben wie der Inspektion von Solarmodulen oder der Flottenüberwachung entscheidend ist. Mit höherer Geschwindigkeit und verbesserter Genauigkeit kann YOLO11 KI-Entwicklern dabei helfen, Herausforderungen aus der realen Welt zu lösen.

Da KI zunehmend eingesetzt und in unseren Alltag integriert wird, werden Modelle wie Ultralytics YOLO11 die Zukunft von KI-Lösungen prägen.

Um mehr über das Potenzial von Vision AI zu erfahren, tritt unserer wachsenden Community bei und erkunde unser GitHub-Repository. Wir treiben Innovationen voran, indem wir Bereiche wie das Gesundheitswesen bis hin zu selbstfahrenden Autos neu gestalten.