So verwendest du Ultralytics YOLO11 für OBB-Objekterkennung
Erfahre, wie Ultralytics YOLO11 die Objekterkennung mithilfe von orientierten Bounding Boxes (OBB) verbessern kann und für welche Anwendungen diese Computer-Vision-Aufgabe ideal ist.
Ultralytics' jährliches Hybrid-Event, YOLO Vision 2024 (YV24), konzentrierte sich auf die neuesten Durchbrüche in KI und Computer Vision. Dies war der perfekte Anlass, unser neuestes Modell, Ultralytics YOLO11, vorzustellen. Das Modell unterstützt dieselben Computer-Vision-Aufgaben wie Ultralytics YOLOv8, was den Umstieg auf das neue Modell für Benutzer mühelos macht.
Angenommen, du hast YOLOv8 für OBB-Objekterkennung (Oriented Bounding Boxes) verwendet, um Objekte aus verschiedenen Winkeln zu erkennen. Du kannst jetzt mit wenigen kleinen Änderungen an deinem Code zu YOLO11 wechseln und von YOLO11s Verbesserungen profitieren, die von erhöhter Genauigkeit und Effizienz bis hin zur Verarbeitungsgeschwindigkeit reichen. Falls du Modelle wie YOLO11 noch nicht verwendet hast, ist die OBB-Erkennung ein großartiges Beispiel dafür, wie YOLO11 angewendet werden kann, und bietet praktische Lösungen, die einen echten Unterschied machen.
In diesem Artikel betrachten wir, was OBB-Objekterkennung ist, wo sie angewendet werden kann und wie du YOLO11 zur OBB-Erkennung nutzt. Wir gehen außerdem darauf ein, wie die neuen Funktionen von YOLO11 diese Prozesse verbessern können und wie du Inferenzen ausführst sowie eigene Modelle trainierst, um die OBB-Erkennungsfunktionen optimal zu nutzen.
Link to this sectionZu den Next-Gen-Funktionen von YOLO11 gehören Aufgaben wie die OBB-Objekterkennung#
Die OBB-Objekterkennung geht einen Schritt weiter als die traditionelle Objekterkennung, indem sie Objekte in verschiedenen Winkeln erkennt. Im Gegensatz zu normalen Bounding Boxes, die an den Achsen des Bildes ausgerichtet bleiben, rotieren OBBs, um sich an die Ausrichtung des Objekts anzupassen. Die OBB-Objekterkennung kann zur Analyse von Luft- oder Satellitenbildern verwendet werden, bei denen Objekte nicht immer gerade stehen. In Branchen wie Stadtplanung, Energie und Transportwesen kann die Fähigkeit, schräge Objekte wie Gebäude, Fahrzeuge oder Infrastruktur präzise zu erkennen, die Grundlage für Computer-Vision-Anwendungen mit greifbarem Nutzen bilden.
Abb. 1. Vergleich zwischen normalen Bounding Boxes und Oriented Bounding Boxes.
YOLO11 unterstützt OBB-Erkennung und wurde auf dem DOTA v1.0-Datensatz trainiert, um Objekte wie Flugzeuge, Schiffe und Lagertanks aus verschiedenen Perspektiven zu erkennen. YOLO11 ist in mehreren Modellvarianten erhältlich, um verschiedenen Anforderungen gerecht zu werden, darunter YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) und YOLO11x-obb (Extra Large). Jedes Modell bietet eine andere Größe mit unterschiedlichem Niveau an Geschwindigkeit, Genauigkeit und Rechenleistung. Benutzer können das Modell wählen, das das richtige Gleichgewicht zwischen Geschwindigkeit und Genauigkeit für ihre Anwendung bietet.
Link to this sectionYOLO11-Anwendungsfälle, die einen neuen Blickwinkel auf die Erkennung eröffnen#
Die Objekterkennungsfunktionen von YOLO11, insbesondere die Unterstützung für Oriented Bounding Boxes, bringen mehr Präzision in verschiedene Branchen. Als Nächstes werfen wir einen Blick auf einige Beispiele, wie YOLO11 und OBB-Erkennung in realen Situationen eingesetzt werden können, um Prozesse in verschiedenen Bereichen effizienter, genauer und einfacher verwaltbar zu machen.
Link to this sectionStadtplanung und Infrastrukturüberwachung mit YOLO11#
Wenn du schon einmal das Design und Layout einer Stadt bewundert hast, ist das der detaillierten Arbeit der Stadtplanung und Infrastrukturüberwachung zu verdanken. Einer der vielen Aspekte der Infrastrukturüberwachung ist die Identifizierung und Verwaltung wichtiger Strukturen wie Lagertanks, Rohrleitungen und Industriestandorte. YOLO11 kann Stadtplanern helfen, Luftbilder zu analysieren, um diese kritischen Komponenten schnell und genau zu erkennen.
Die OBB-Objekterkennung ist hier besonders hilfreich, da sie die Erkennung von Objekten ermöglicht, die aus verschiedenen Winkeln betrachtet werden (was bei Luftaufnahmen oft der Fall ist). Präzision ist hier entscheidend, um Industriegebiete zu verfolgen, Umweltauswirkungen zu verwalten und sicherzustellen, dass die Infrastruktur ordnungsgemäß gewartet wird. OBB macht den Erkennungsprozess zuverlässiger und hilft Planern, fundierte Entscheidungen über das Wachstum, die Sicherheit und die Nachhaltigkeit der Stadt zu treffen. Der Einsatz von YOLO11 kann Planern helfen, die Infrastruktur zu überwachen und zu verwalten, die Städte reibungslos am Laufen hält.
Abb. 2. Verwendung von YOLO11 zur Erkennung von Lagertanks in Luftaufnahmen.
Link to this sectionInspektion von Solarpaneelen mit Drohnen, YOLO11 und Edge-KI#
Da erneuerbare Energien und Innovationen wie Solarparks immer beliebter werden, gewinnen regelmäßige Inspektionen an Bedeutung. Solarpaneele müssen überprüft werden, um sicherzustellen, dass sie effizient arbeiten. Mit der Zeit können Dinge wie Risse, Schmutzablagerungen oder Fehlstellungen die Leistung beeinträchtigen. Routinemäßige Inspektionen helfen, diese Probleme frühzeitig zu erkennen, sodass Wartungsarbeiten durchgeführt werden können, um einen reibungslosen Betrieb zu gewährleisten.
Zum Beispiel können Solarpaneele mithilfe von Drohnen, die mit Edge-KI integriert sind, und YOLO11 auf Schäden untersucht werden. Die Analyse von Bildern an der Edge bringt mehr Präzision und Effizienz in den Inspektionsprozess. Aufgrund der Bewegung und Perspektive der Drohne kann das Überwachungsmaterial oft Solarpaneele aus verschiedenen Winkeln erfassen. In diesen Fällen kann die OBB-Erkennung von YOLO11 Drohnen helfen, Solarpaneele genau zu identifizieren.
Link to this sectionYOLO11 kann Einblicke für das Flottenmanagement liefern#
Häfen und Hafenanlagen wickeln jede Woche Hunderte von Schiffen ab, und die Verwaltung einer so großen Flotte kann eine Herausforderung sein. Ein zusätzliches Element der Schwierigkeit besteht bei der Analyse von Schiffen auf Luftbildern; die Schiffe erscheinen oft in verschiedenen Winkeln. Hier erweist sich YOLO11s Unterstützung für OBB-Erkennung als nützlich.
Die OBB-Erkennung ermöglicht es dem Modell, Schiffe in verschiedenen Winkeln genauer zu erkennen als mit standardmäßigen rechteckigen Boxen. Durch den Einsatz von YOLO11 mit OBB können Reedereien den Standort und Zustand ihrer Flotte leichter identifizieren und wichtige Details wie Flottenbewegungen und Lieferkettenlogistik verfolgen. Solche KI-gestützten Lösungen helfen, Routen zu optimieren, Verzögerungen zu reduzieren und das gesamte Flottenmanagement über Schifffahrtsrouten hinweg zu verbessern.
Abb. 3. Verwendung von YOLO11 zur Erkennung von Schiffen und Häfen in einem Winkel.
Link to this sectionYOLO11 für KI-Entwickler: Erkennung von Oriented Bounding Boxes#
Wenn du als KI-Entwickler YOLO11 für OBB-Erkennung nutzen möchtest, gibt es zwei einfache Möglichkeiten für den Einstieg. Wenn du gerne mit Code arbeitest, ist das Ultralytics Python-Paket eine großartige Wahl. Wenn du eine benutzerfreundliche No-Code-Lösung mit Cloud-Trainingsfunktionen bevorzugst, ist Ultralytics HUB eine interne Plattform, die genau dafür entwickelt wurde. Für weitere Details kannst du dir unseren Leitfaden zum Training und zur Bereitstellung von Ultralytics YOLO11 mit Ultralytics HUB ansehen.
Nachdem wir nun Beispiele gesehen haben, wo die OBB-Unterstützung von YOLO11 angewendet werden kann, lass uns das Ultralytics Python-Paket erkunden und sehen, wie du Inferenzen ausführen und eigene Modelle trainieren kannst.
Link to this sectionInferenz mit YOLO11 ausführen#
Zuerst musst du das Ultralytics-Paket installieren, um YOLO11 mit Python zu verwenden. Je nach Präferenz kannst du es mit pip, conda oder Docker installieren. Für eine Schritt-für-Schritt-Anleitung kannst du dich auf unser Ultralytics Installationshandbuch beziehen. Falls bei der Installation Probleme auftreten, bietet unser Handbuch zu häufigen Problemen hilfreiche Tipps zur Fehlerbehebung.
Sobald du das Ultralytics-Paket installiert hast, ist die Arbeit mit YOLO11 sehr unkompliziert. Das Ausführen einer Inferenz bezieht sich auf den Prozess der Verwendung eines trainierten Modells, um Vorhersagen für neue Bilder zu treffen - wie das Erkennen von Objekten mit OBB in Echtzeit. 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 unbekannte Daten anwenden möchtest.
Das folgende Beispiel führt dich durch das Laden eines Modells und dessen Verwendung zur Vorhersage von Oriented Bounding Boxes auf einem Bild. Für detailliertere Beispiele und Tipps zur fortgeschrittenen Nutzung, stelle sicher, dass du die offizielle Ultralytics-Dokumentation für Best Practices und weitere Anweisungen überprüfst.
Abb. 4. Ein Code-Snippet, das die Ausführung von Inferenzen mit YOLO11 zeigt.
Link to this sectionTraining eines benutzerdefinierten YOLO11 Modells#
Das Training eines YOLO11-Modells bedeutet, dass du seine Leistung für bestimmte Datensätze und Aufgaben, wie die OBB-Objekterkennung, feinabstimmen kannst. 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 auf einem bestimmten Datensatz optimieren soll.
Im folgenden Code-Snippet behandeln wir die Schritte zum Trainieren eines YOLO11-Modells für die OBB-Erkennung.
Zuerst wird das Modell mit vortrainierten, YOLO11-OBB-spezifischen Gewichten (yolo11n-obb.pt) initialisiert. Dann wird eine Trainingsfunktion verwendet, um das Modell auf einem benutzerdefinierten Datensatz zu trainieren, mit Parametern wie der Konfigurationsdatei des Datensatzes, der Anzahl der Trainingszyklen, der Trainingsbildgröße und der Hardware zum Ausführen des Trainings (z. B. CPU oder GPU). 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 sie zu visualisieren. Außerdem kann das trainierte Modell für die Bereitstellung in Formate wie ONNX konvertiert werden, indem die Export-Funktion verwendet wird.
Abb. 5. Ein Beispiel für das Training von YOLO11 für OBB-Objekterkennung.
Link to this sectionDer Weg nach vorne für KI-Fortschritte mit YOLO11#
Ultralytics YOLO11 hebt die Objekterkennung mit seiner Unterstützung für Oriented Bounding Boxes auf die nächste Stufe. Durch die Fähigkeit, Objekte in verschiedenen Winkeln zu erkennen, kann YOLO11 für vielfältige Anwendungen in verschiedenen Branchen eingesetzt werden. Zum Beispiel ist es ideal für Branchen wie Stadtplanung, Energie und Schifffahrt geeignet, wo Präzision für Aufgaben wie Solarpaneel-Inspektionen oder Flottenüberwachung entscheidend ist. Mit schnellerer Leistung und verbesserter Genauigkeit kann YOLO11 KI-Entwicklern helfen, reale Herausforderungen zu lösen.
Da KI immer weiter verbreitet und in unseren Alltag integriert wird, werden Modelle wie YOLO11 die Zukunft der KI-Lösungen prägen.
Um mehr über das Potenzial von Vision-KI zu erfahren, trete unserer wachsenden Community bei und erkunde unser GitHub-Repository. Wir treiben Innovationen voran, indem wir Sektoren wie Gesundheitswesen bis hin zu selbstfahrenden Autos neu erfinden.
