So verwendest du Ultralytics YOLO11 zur OBB-Objekterkennung

Ultralytics' jährliche hybride Veranstaltung, YOLO Vision 2024 (YV24), drehte sich um die neuesten Durchbrüche in den Bereichen KI und Computer Vision. Dort stellten wir auch unser damals neuestes Modell Ultralytics YOLO11 vor, das inzwischen durch Ultralytics YOLO26 abgelöst wurde. Das Modell unterstützt dieselben Computer-Vision-Aufgaben wie Ultralytics YOLOv8, sodass Nutzer leicht auf das neue Modell umsteigen können.

Angenommen, du hast YOLOv8 für die Objekterkennung mit orientierten Begrenzungsrahmen (OBB) verwendet, um Objekte aus verschiedenen Blickwinkeln zu erkennen. Jetzt kannst du mit wenigen kleinen Änderungen an deinem Code zu YOLO11 wechseln und von den Verbesserungen von YOLO11 profitieren, darunter höhere Genauigkeit und Effizienz sowie eine schnellere Verarbeitung. Falls du noch keine Modelle wie YOLO11 verwendet hast: Die OBB-Erkennung ist ein gutes Beispiel dafür, wie sich YOLO11 in vielen Branchen einsetzen lässt und praktische Lösungen mit spürbarer Wirkung bietet.

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

Zu den Funktionen der neuen Generation von Ultralytics YOLO11 gehören Aufgaben wie die OBB-Objekterkennung#

Die OBB-Objekterkennung geht einen Schritt über die herkömmliche Objekterkennung hinaus, indem sie Objekte in verschiedenen Winkeln erkennt. Anders als herkömmliche Begrenzungsrahmen, die an den Bildachsen ausgerichtet bleiben, werden OBBs gedreht, damit sie der Ausrichtung des Objekts entsprechen. OBB-Objekterkennung eignet sich für die Analyse von Luft- oder Satellitenbildern, auf denen Objekte nicht immer gerade ausgerichtet sind. In Bereichen wie Stadtplanung, Energie und Verkehr kann die präzise Erkennung schräg abgebildeter Objekte wie Gebäude, Fahrzeuge oder Infrastruktur die Grundlage für Computer-Vision-Anwendungen mit konkretem Nutzen bilden.

Abb. 1. Vergleich normaler und orientierter Begrenzungsrahmen.

YOLO11 unterstützt die OBB-Erkennung und wurde mit dem DOTA-v1.0-Datensatz trainiert, um Flugzeuge, Schiffe und Lagertanks aus verschiedenen Perspektiven zu erkennen. YOLO11 ist in mehreren Modellvarianten erhältlich, die unterschiedlichen Anforderungen gerecht werden: YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) und YOLO11x-obb (Extra Large). Die Modelle unterscheiden sich in ihrer Größe sowie in Geschwindigkeit, Genauigkeit und Rechenleistung. Nutzer können das Modell auswählen, das für ihre Anwendung das passende Verhältnis zwischen Geschwindigkeit und Genauigkeit bietet.

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

Die Objekterkennungsfunktionen von Ultralytics YOLO11, insbesondere die Unterstützung orientierter Begrenzungsrahmen, sorgen in vielen Branchen für mehr Präzision. Als Nächstes sehen wir uns einige Beispiele dafür an, wie YOLO11 und die OBB-Erkennung in der Praxis Abläufe in verschiedenen Bereichen effizienter, genauer und einfacher gestalten können.

Stadtplanung und Überwachung der Infrastruktur mit Ultralytics YOLO11#

Wenn du schon einmal das Design und den Aufbau einer Stadt bewundert hast, ist das der detaillierten Arbeit in der Stadtplanung und Infrastrukturüberwachung zu verdanken. Zu den vielen Aufgaben der Infrastrukturüberwachung gehört es, wichtige Strukturen wie Lagertanks, Pipelines und Industrieanlagen zu erkennen und zu verwalten. Ultralytics YOLO11 kann Stadtplanern helfen, Luftbilder zu analysieren und diese wichtigen Elemente schnell und präzise zu erkennen.

Die Objekterkennung mit orientierten Begrenzungsrahmen ist hier besonders nützlich, da sie Objekte aus verschiedenen Blickwinkeln erkennen kann, wie es bei Luftbildern oft erforderlich ist. Präzision ist entscheidend, um Industriegebiete im Blick zu behalten, Umweltauswirkungen zu steuern und die ordnungsgemäße Instandhaltung der Infrastruktur sicherzustellen. OBB macht die Erkennung 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 Städte am Laufen hält.

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

Solarmodule mit Drohnen, Ultralytics YOLO11 und Edge AI inspizieren#

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

Solarmodule lassen sich beispielsweise mit Drohnen mit integrierter Edge-KI und Ultralytics YOLO11 auf Schäden überprüfen. Die Analyse von Bildern direkt am Rand des Netzwerks erhöht die Präzision und Effizienz der Inspektion. Durch die Bewegung und Perspektive der Drohne werden Solarmodule im Videomaterial oft aus verschiedenen Blickwinkeln aufgenommen. In solchen Fällen hilft die OBB-Erkennung von YOLO11 den Drohnen, Solarmodule präzise zu erkennen.

Ultralytics YOLO11 liefert Erkenntnisse für das Flottenmanagement#

Häfen und Ankerplätze fertigen jede Woche Hunderte von Schiffen ab, und eine so große Flotte zu verwalten, kann eine Herausforderung sein. Noch schwieriger wird es, wenn man Schiffe in Luftbildern analysiert, da sie oft aus unterschiedlichen Winkeln zu sehen sind. Hier ist die OBB-Unterstützung von Ultralytics YOLO11 besonders nützlich.

Mit der OBB-Erkennung kann das Modell Schiffe aus verschiedenen Winkeln präziser erkennen als mit herkömmlichen rechteckigen Rahmen. Durch den Einsatz von Ultralytics YOLO11 mit OBB können Reedereien den Standort und Zustand ihrer Flotte leichter ermitteln und wichtige Details wie Flottenbewegungen und Lieferkettenabläufe nachverfolgen. Solche Lösungen mit Vision-Technologie helfen, Routen zu optimieren, Verzögerungen zu reduzieren und das Flottenmanagement auf Schifffahrtsrouten insgesamt zu verbessern.

Abb. 3. Erkennung von Schiffen und Häfen aus schräger Perspektive mit Ultralytics YOLO11.

Ultralytics YOLO11 für KI-Entwickler: Orientierte Begrenzungsrahmen erkennen#

Wenn du als KI-Entwickler YOLO11 für die OBB-Erkennung nutzen möchtest, gibt es zwei einfache Möglichkeiten für den Einstieg. Wenn du gern mit Code arbeitest, ist das Ultralytics-Python-Paket eine gute Wahl. Wenn du eine benutzerfreundliche Lösung ohne Programmierung und mit Cloud-Training bevorzugst, ist Ultralytics HUB (jetzt Ultralytics Platform) genau dafür konzipiert. Weitere Informationen findest du in unserer Anleitung zum Trainieren und Bereitstellen von Ultralytics YOLO11 mit Ultralytics HUB.

Nachdem wir Beispiele dafür gesehen haben, wo sich die OBB-Unterstützung von YOLO11 einsetzen lässt, sehen wir uns nun das Ultralytics-Python-Paket an und erfahren, wie du damit Inferenzen ausführst und eigene Modelle trainierst.

Inferenz mit Ultralytics YOLO11 ausführen#

Um YOLO11 mit Python zu verwenden, musst du zuerst das Ultralytics-Paket installieren. Je nach Vorliebe 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, findest du hilfreiche Tipps zur Fehlerbehebung in unserem Leitfaden zu häufigen Problemen.

Sobald du das Ultralytics-Paket installiert hast, ist die Arbeit mit YOLO11 unkompliziert. Eine Inferenz auszuführen bedeutet, ein trainiertes Modell zu verwenden, um Vorhersagen für neue Bilder zu erstellen, beispielsweise um Objekte mit OBB in Echtzeit zu erkennen. Das unterscheidet sich vom Modelltraining, bei dem du dem Modell beibringst, neue Objekte zu erkennen oder seine Leistung bei bestimmten Aufgaben zu verbessern. Inferenz kommt zum Einsatz, wenn du das Modell auf unbekannte Daten anwenden möchtest.

Das folgende Beispiel zeigt dir, wie du ein Modell lädst und damit orientierte Begrenzungsrahmen in einem Bild vorhersagst. Ausführlichere Beispiele und Tipps zur fortgeschrittenen Nutzung findest du in der offiziellen Ultralytics-Dokumentation mit bewährten Vorgehensweisen und weiteren Anleitungen.

Abb. 4: Ein Codebeispiel zur Ausführung von Inferenzen mit Ultralytics YOLO11.

Ein eigenes Ultralytics YOLO11-Modell trainieren#

Wenn du ein Ultralytics-YOLO11-Modell trainierst, kannst du seine Leistung für bestimmte Datensätze und Aufgaben wie die Objekterkennung mit orientierten Begrenzungsrahmen optimieren. Vortrainierte Modelle wie YOLO11 eignen sich zwar für die allgemeine Objekterkennung, doch ein benutzerdefiniertes Modell ist unverzichtbar, wenn das Modell einzigartige Objekte erkennen oder seine Leistung bei einem bestimmten Datensatz optimieren soll.

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

Zunächst wird das Modell mit vortrainierten, speziell für YOLO11 OBB entwickelten Gewichten initialisiert (yolo11n-obb.pt). Anschließend wird das Modell mit einer Trainingsfunktion auf einem benutzerdefinierten Datensatz trainiert. Dabei werden Parameter wie die Konfigurationsdatei des Datensatzes, die Anzahl der Trainingszyklen, die Bildgröße für das Training und die für das Training verwendete Hardware (z. B. CPU oder GPU) festgelegt. Nach dem Training wird die Modellleistung überprüft, um Metriken wie Präzision, Trefferquote und mittlere durchschnittliche Präzision (mAP) zu ermitteln.

Mit dem trainierten Modell kannst du Inferenzen für neue Bilder ausführen, um Objekte mit OBB zu erkennen und zu visualisieren. Außerdem lässt sich das trainierte Modell mithilfe der Exportfunktion in Formate wie ONNX umwandeln und bereitstellen.

Abb. 5. Beispiel für das Training von Ultralytics YOLO11 zur OBB-Objekterkennung.

Wie es mit den KI-Fortschritten von Ultralytics YOLO11 weitergeht#

Ultralytics YOLO11 erweitert die Objekterkennung um die Unterstützung orientierter Begrenzungsrahmen. Da YOLO11 Objekte aus verschiedenen Winkeln erkennen kann, eignet es sich für viele Anwendungen in unterschiedlichen Branchen. Besonders geeignet ist es etwa für Stadtplanung, Energie und Schifffahrt, wo Präzision bei Aufgaben wie der Inspektion von Solarmodulen oder der Flottenüberwachung entscheidend ist. Mit höherer Geschwindigkeit und verbesserter Genauigkeit kann YOLO11 KI-Entwicklern helfen, Herausforderungen in der Praxis zu bewältigen.

Mit der zunehmenden Verbreitung und Integration von KI in unseren Alltag werden Modelle wie Ultralytics YOLO11 die Zukunft von KI-Lösungen mitgestalten.

Um mehr über das Potenzial von Vision-KI zu erfahren, werde Teil unserer wachsenden Community und sieh dir unser GitHub-Repository an. Erfahre, wie Vision-KI in Bereichen von der Gesundheitsversorgung bis hin zu selbstfahrenden Autos eingesetzt wird.