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.
Die jährliche Hybridveranstaltung von Ultralytics, YOLO Vision 2024 (YV24), konzentrierte sich auf die Diskussion der neuesten Durchbrüche im Bereich 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 Anwender mühelos macht.
Angenommen, du hast YOLOv8 für die Objekterkennung mit ausgerichteten Bounding Boxes (OBB) verwendet, um Objekte aus verschiedenen Winkeln zu erkennen. Du kannst nun mit wenigen kleineren Änderungen an deinem Code zu YOLO11 wechseln und von den Verbesserungen von YOLO11 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 hervorragendes Beispiel dafür, wie YOLO11 angewendet werden kann und in einer Vielzahl von Branchen praktische Lösungen bietet, die eine echte Wirkung erzielen.
In diesem Artikel schauen wir uns an, was OBB-Objekterkennung ist, wo sie angewendet werden kann und wie du Ultralytics YOLO11 zur OBB-Erkennung nutzt. Wir gehen außerdem darauf ein, wie die neuen Funktionen von YOLO11 diese Prozesse verbessern können und wie du Inferences ausführst und benutzerdefinierte Modelle trainierst, um die OBB-Erkennungsfunktionen optimal zu nutzen.
Zu den Ultralytics YOLO11-Funktionen der nächsten Generation 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 regulären Bounding Boxes, die an den Achsen des Bildes ausgerichtet bleiben, drehen sich OBBs so, dass sie sich an die Ausrichtung des Objekts anpassen. Die OBB-Objekterkennung kann zur Analyse von Luft- oder Satellitenbildern verwendet werden, bei denen Objekte nicht immer gerade ausgerichtet sind. In Branchen wie der Stadtplanung, der Energieversorgung und dem Transportwesen kann die Fähigkeit, angewinkelte Objekte wie Gebäude, Fahrzeuge oder Infrastruktur präzise zu erkennen, die Grundlage für Computer-Vision-Anwendungen mit spürbaren Vorteilen bilden.
Abb. 1: Vergleich von normalen Bounding Boxes und ausgerichteten Bounding Boxes.
YOLO11 unterstützt OBB-Erkennung und wurde auf dem DOTA v1.0-Dataset trainiert, um Objekte wie Flugzeuge, Schiffe und Lagertanks aus verschiedenen Perspektiven zu erkennen. YOLO11 ist in mehreren Modellvarianten erhältlich, um unterschiedlichen 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 unterschiedlichen Graden an Geschwindigkeit, Genauigkeit und Rechenleistung. Anwender können das Modell wählen, das das richtige Verhältnis von Geschwindigkeit und Genauigkeit für ihre Anwendung bietet.
Ultralytics YOLO11-Anwendungsfälle, die einen neuen Blickwinkel auf die Erkennung eröffnen#
Die Objekterkennungsfunktionen von Ultralytics YOLO11, insbesondere die Unterstützung für orientierte Bounding Boxes (OBB), sorgen in verschiedenen Branchen für höhere Präzision. Als Nächstes werfen wir einen Blick auf einige Beispiele dafür, wie YOLO11 und die OBB-Erkennung in realen Szenarien eingesetzt werden können, um Prozesse in unterschiedlichen Bereichen effizienter, genauer und einfacher zu verwalten zu machen.
Stadtplanung und Infrastrukturüberwachung mit Ultralytics YOLO11#
Wenn du jemals das Design und Layout einer Stadt bewundert hast, ist das der detaillierten Arbeit der Stadtplanung und der Infrastrukturüberwachung zu verdanken. Einer der vielen Aspekte der Infrastrukturüberwachung ist das Identifizieren und Verwalten wichtiger Strukturen wie Lagertanks, Pipelines und Industrieanlagen. Ultralytics YOLO11 kann Stadtplanern dabei helfen, Luftbilder zu analysieren, um diese kritischen Komponenten schnell und genau zu erkennen.
Die Objekterkennung mit ausgerichteten Bounding Boxes (OBB) ist hier besonders hilfreich, da sie das Erkennen von Objekten ermöglicht, die aus verschiedenen Blickwinkeln betrachtet werden (was bei Luftaufnahmen oft der Fall ist). Präzision ist hier von entscheidender Bedeutung, 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. Der Einsatz von Ultralytics YOLO11 kann Planern helfen, die Infrastruktur zu überwachen und zu verwalten, die Städte reibungslos am Laufen hält.
Abb. 2. Verwendung von Ultralytics YOLO11 zur Erkennung von Lagertanks in Luftaufnahmen.
Inspektion von Solarmodulen mit Drohnen, Ultralytics YOLO11 und Edge-KI#
Da erneuerbare Energien und Innovationen wie Solarparks immer beliebter werden, gewinnen regelmäßige Inspektionen an Bedeutung. Solarpanels müssen überprüft werden, um sicherzustellen, dass sie effizient arbeiten. Im Laufe der Zeit können Dinge wie Risse, Schmutzansammlungen oder Fehlausrichtungen ihre Leistung mindern. Routinemäßige Inspektionen helfen dabei, diese Probleme frühzeitig zu erkennen, damit Wartungsarbeiten durchgeführt werden können, um einen reibungslosen Betrieb zu gewährleisten.
Zum Beispiel können Solarmodule mit Drohnen, die in Edge-KI integriert sind, und Ultralytics YOLO11 auf Schäden untersucht werden. Die Analyse von Bildern auf der Edge bringt mehr Präzision und Effizienz in den Inspektionsprozess. Aufgrund der Bewegung und Perspektive der Drohne kann das Überwachungsmaterial Solarmodule oft aus verschiedenen Winkeln erfassen. In diesen Fällen kann die OBB-Erkennung von YOLO11 Drohnen dabei helfen, Solarmodule präzise zu identifizieren.
Ultralytics YOLO11 kann Einblicke für das Flottenmanagement liefern#
Häfen und Marinas fertigen jede Woche Hunderte von Schiffen ab, und die Verwaltung einer so großen Flotte kann eine Herausforderung sein. Ein zusätzlicher Schwierigkeitsgrad ergibt sich bei der Analyse von Schiffen auf Luftbildern; die Schiffe erscheinen oft in unterschiedlichen Winkeln. Hier erweist sich die Unterstützung von Ultralytics YOLO11 für die OBB-Erkennung als nützlich.
Die OBB-Erkennung ermöglicht es dem Modell, Schiffe in verschiedenen Winkeln genauer zu erkennen als Standard-Rechteckboxen. Durch den Einsatz von Ultralytics YOLO11 mit OBB können Reedereien den Standort und Zustand ihrer Flotte leichter ermitteln und wichtige Details wie Flottenbewegungen und Lieferkettenlogistik im Auge behalten. Solche vision-basierten Lösungen helfen dabei, Routen zu optimieren, Verzögerungen zu reduzieren und das gesamte Flottenmanagement auf den Schifffahrtswegen zu verbessern.
Abb. 3. Verwendung von Ultralytics YOLO11 zur schrägen Erkennung von Schiffen und Häfen.
Ultralytics YOLO11 für KI-Entwickler: Erkennung ausgerichteter Bounding Boxes#
Wenn du ein KI-Entwickler bist und YOLO11 für die OBB-Erkennung nutzen möchtest, gibt es zwei einfache Möglichkeiten für den Einstieg. Wenn du gerne mit Code arbeitest, ist das Ultralytics Python-Paket eine hervorragende Wahl. Wenn du eine benutzerdefinierte, codefreie Lösung mit Cloud-Trainingsfunktionen bevorzugst, ist Ultralytics HUB eine unternehmensinterne Plattform, die genau dafür entwickelt wurde. Weitere Details findest du in unserem Leitfaden zum Training und Bereitstellen von Ultralytics YOLO11 mit Ultralytics HUB.
Nachdem wir nun Beispiele für die Anwendung der OBB-Unterstützung von YOLO11 gesehen haben, wollen wir uns das Ultralytics Python-Paket ansehen und herausfinden, wie du damit Inferences ausführen und benutzerdefinierte Modelle trainieren kannst.
Ausführen von Inferenzen mit Ultralytics YOLO11#
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. Schritt-für-Schritt-Anleitungen findest du in unserem Ultralytics-Installationsleitfaden. Solltest du während der Installation auf Schwierigkeiten stoßen, bietet unser Leitfaden zu häufigen Problemen hilfreiche Tipps zur Fehlerbehebung.
Sobald du das Ultralytics-Paket installiert hast, ist die Arbeit mit YOLO11 unkompliziert. Das Ausführen einer Inference bezeichnet den Prozess, ein trainiertes Modell zu verwenden, um Vorhersagen auf neuen Bildern zu treffen – wie etwa 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. Inferencing wird verwendet, wenn du das Modell auf ungesehene Daten anwenden möchtest.
Das folgende Beispiel führt dich durch das Laden eines Modells und dessen Verwendung zur Vorhersage von ausgerichteten Bounding Boxes auf einem Bild. Weitere detaillierte Beispiele und Tipps für die fortgeschrittene Nutzung findest du in der offiziellen Ultralytics-Dokumentation für Best Practices und weitere Anweisungen.
Abb. 4. Ein Code-Snippet, das das Ausführen von Inferenz mit Ultralytics YOLO11 demonstriert.
Trainieren eines benutzerdefinierten Ultralytics YOLO11-Modells#
Das Training eines Ultralytics YOLO11-Modells bedeutet, dass du dessen Leistung auf spezifische Datensätze und Aufgaben wie die Objekterkennung mit orientierten Bounding Boxes feinabstimmen kannst. Während vortrainierte Modelle wie YOLO11 für die allgemeine Objekterkennung verwendet werden können, ist das Training eines benutzerdefinierten Modells unerlässlich, wenn du möchtest, dass das Modell eindeutige Objekte erkennt oder die Leistung auf einem bestimmten Datensatz optimiert.
Im folgenden Code-Snippet gehen wir auf die Schritte zum Trainieren eines Ultralytics YOLO11-Modells für die OBB-Erkennung ein.
Zunächst wird das Modell mithilfe vortrainierter YOLO11 OBB-spezifischer Gewichtungen (yolo11n-obb.pt) initialisiert. Anschließend wird eine Trainingsfunktion verwendet, um das Modell mit einem benutzerdefinierten Datensatz zu trainieren, wobei Parameter wie die Datensatzkonfigurationsdatei, die Anzahl der Trainingszyklen, die Trainingsbildgröße und die für das Training verwendete Hardware (z. B. CPU oder GPU) festgelegt werden. Nach dem Training wird die Modellleistung validiert, um Metriken wie Genauigkeit und Loss zu überprüfen.
Mit dem trainierten Modell kannst du Inferences auf neuen Bildern ausführen, um Objekte mit OBB zu erkennen und zu visualisieren. Außerdem kann das trainierte Modell für die Bereitstellung mithilfe der Exportfunktion in Formate wie ONNX konvertiert werden.
Abb. 5. Ein Beispiel für das Training von Ultralytics YOLO11 für die OBB-Objekterkennung.
Der Weg nach vorn für KI-Fortschritte mit Ultralytics 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 breitere Anwendung findet und in unser tägliches Leben integriert wird, werden Modelle wie Ultralytics YOLO11 die Zukunft von KI-Lösungen prägen.
Um mehr über das Potenzial von Vision-KI zu erfahren, tritt unserer wachsenden Community bei und entdecke unser GitHub-Repository. Wir treiben Innovationen voran, indem wir Sektoren wie das Gesundheitswesen bis hin zu selbstfahrenden Autos neu erfinden.
