So verwendest du Ultralytics YOLO11 zur Objekterkennung

Computer Vision ist ein Bereich der künstlichen Intelligenz (KI), der Maschinen hilft, visuelle Informationen zu interpretieren und zu verstehen, damit sie wichtige Aufgaben wie die Objekterkennung ausführen können. Anders als bei der Bildklassifizierung identifiziert die Objekterkennung nicht nur die Objekte in einem Bild, sondern bestimmt auch deren genaue Position. Das macht sie zu einem wichtigen Werkzeug für Anwendungen mit visueller KI, etwa selbstfahrende Autos, Sicherheitssysteme in Echtzeit und die Automatisierung von Lagerhäusern.

Im Laufe der Zeit ist die Objekterkennungstechnologie leistungsfähiger und einfacher zu bedienen geworden. Ein wichtiger Fortschritt wurde bei der jährlichen Hybridveranstaltung von Ultralytics, YOLO Vision 2024 (YV24), mit der Veröffentlichung des Ultralytics-YOLO11-Modells angekündigt. YOLO11 verbessert Genauigkeit und Leistung und unterstützt gleichzeitig dieselben Aufgaben wie YOLOv8. Dadurch fällt Nutzern früherer Modelle der Wechsel leicht. (Inzwischen wurde YOLO11 von Ultralytics YOLO26 abgelöst.)

Abb. 1. Beispiel für die Objekterkennung mit dem Ultralytics YOLO11-Modell.

In diesem Artikel erklären wir, was Objekterkennung ist, wie sie sich von anderen Computer-Vision-Aufgaben unterscheidet und welche praktischen Anwendungen es gibt. Außerdem zeigen wir dir, wie du das YOLO11-Modell mit dem Ultralytics-Python-Paket und Ultralytics HUB (jetzt Ultralytics Platform) verwendest. Los geht's!

Was ist Objekterkennung?#

Objekterkennung ist eine zentrale Aufgabe der Computer Vision, die mehr leistet, als nur Objekte in einem Bild zu identifizieren. Anders als die Bildklassifizierung, bei der lediglich festgestellt wird, ob ein bestimmtes Objekt vorhanden ist, erkennt die Objekterkennung mehrere Objekte und bestimmt ihre genauen Positionen mithilfe von Begrenzungsrahmen.

So kann das Modell beispielsweise Gesichter in einem Gruppenfoto erkennen und lokalisieren, Autos auf einer belebten Straße oder Produkte in einem Ladenregal. Durch die Kombination von Objekterkennung und Lokalisierung eignet es sich besonders für Anwendungen wie Überwachung, Beobachtung von Menschenmengen und automatisierte Bestandsverwaltung.

Abb. 2. Gesichtserkennung mit Ultralytics YOLO11.

Was die Objekterkennung von anderen Aufgaben wie der semantischen Segmentierung oder der Instanzsegmentierung unterscheidet, ist ihr Fokus und ihre Effizienz.

Die semantische Segmentierung kennzeichnet jedes Pixel in einem Bild, unterscheidet aber nicht zwischen einzelnen Objekten desselben Typs (zum Beispiel würden alle Gesichter auf einem Foto zu „Gesicht“ zusammengefasst). Die Instanzsegmentierung geht einen Schritt weiter: Sie trennt jedes Objekt ab und umrandet seine genaue Form, auch wenn mehrere Objekte derselben Klasse angehören.

Die Objekterkennung hingegen bietet einen effizienteren Ansatz: Sie identifiziert und klassifiziert Objekte und markiert zugleich deren Positionen. Damit eignet sie sich ideal für Echtzeitaufgaben wie die Erkennung von Gesichtern auf Überwachungsaufnahmen oder von Hindernissen für autonome Fahrzeuge.

Anwendungen von Ultralytics YOLO11 und der Objekterkennung#

Die fortschrittlichen Objekterkennungsfunktionen von Ultralytics YOLO11 sind in vielen Branchen nützlich. Sehen wir uns einige Beispiele an.

Ultralytics YOLO11 für die Analyse im Einzelhandel#

Ultralytics YOLO11 und die Objekterkennung verändern die Analyse im Einzelhandel, indem sie die Bestandsverwaltung und die Regalüberwachung effizienter und genauer machen. Dank der schnellen und zuverlässigen Objekterkennung des Modells können Einzelhändler Lagerbestände nachverfolgen, Regale organisieren und Fehler bei der Bestandszählung reduzieren.

YOLO11 kann beispielsweise bestimmte Artikel wie Sonnenbrillen in einem Ladenregal erkennen. Doch warum sollte ein Händler ein Regal überwachen? Gut gefüllte und ordentlich sortierte Regale sind wichtig, damit Kunden finden, was sie suchen. Das wirkt sich direkt auf den Umsatz aus. Durch die Echtzeitüberwachung von Regalen können Händler schnell erkennen, wenn Artikel knapp werden, am falschen Platz liegen oder sich zu sehr stapeln. So können sie eine ordentliche und ansprechende Präsentation sicherstellen und das Einkaufserlebnis verbessern.

Abb. 3. Beispiel für die Erkennung von Produkten in Regalen mit Ultralytics YOLO11.

Ultralytics YOLO11 für Anwendungen in Smart Cities#

Eine geschäftige Stadt ist auf fließenden Verkehr und sichere Straßen angewiesen, um reibungslos zu funktionieren. Ultralytics YOLO11 kann dazu beitragen. Tatsächlich lassen sich viele Anwendungen für Smart Cities mit YOLO11 umsetzen.

Ein interessanter Anwendungsfall ist die Objekterkennung, um Kennzeichen an fahrenden Fahrzeugen zu erkennen. So kann Ultralytics YOLO11 eine schnellere Mauterhebung, ein besseres Verkehrsmanagement und eine zügigere Durchsetzung von Vorschriften unterstützen.

Abb. 4. Nummernschilder mit Objekterkennung und Ultralytics YOLO11 erkennen.

Erkenntnisse aus KI-Systemen für visuelle Daten, die Straßen überwachen, können Behörden vor Verkehrsverstößen oder Staus warnen, bevor daraus größere Probleme entstehen. YOLO11 kann auch Fußgänger und Radfahrer erkennen und so die Straßen für alle sicherer und effizienter machen.

Tatsächlich ist Ultralytics YOLO11 dank seiner Fähigkeit, visuelle Daten zu verarbeiten, ein leistungsstarkes Werkzeug zur Verbesserung der städtischen Infrastruktur. So kann das Modell beispielsweise die Ampelschaltung optimieren, indem es die Bewegungen von Fahrzeugen und Fußgängern analysiert. Außerdem kann es die Sicherheit in Schulzonen erhöhen, indem es Kinder erkennt und Fahrer zum Langsamfahren auffordert. Mit YOLO11 können Städte Herausforderungen proaktiv angehen und ein effizienteres Umfeld für alle schaffen.

Echtzeit-Videoerkennung mit Ultralytics YOLO11: mehr Barrierefreiheit#

Echtzeit-Objekterkennung bezeichnet die Fähigkeit eines Systems, Objekte in einem Live-Videostream zu erkennen und zu klassifizieren, sobald sie erscheinen. Ultralytics YOLO11 wurde für Echtzeit-Leistung entwickelt und eignet sich gut für diese Aufgabe. Die Anwendungsmöglichkeiten gehen über die Optimierung von Abläufen hinaus: Die Technologie kann auch dazu beitragen, eine inklusivere und barrierefreiere Welt zu schaffen.

Beispielsweise kann YOLO11 Menschen mit Sehbehinderung unterstützen, indem es Objekte in Echtzeit erkennt. Anhand der erkannten Objekte lassen sich Audiobeschreibungen bereitstellen, die den Nutzern helfen, sich selbstständiger in ihrer Umgebung zurechtzufinden.

Stell dir eine sehbehinderte Person beim Lebensmitteleinkauf vor. Die passenden Artikel zu finden, kann schwierig sein, aber Ultralytics YOLO11 kann dabei helfen. Wenn die Person Artikel in den Einkaufswagen legt, könnte ein in YOLO11 integriertes System jeden Artikel erkennen, etwa Bananen, Avocados oder einen Milchkarton, und ihn in Echtzeit per Sprachausgabe beschreiben. So kann die Person ihre Auswahl überprüfen und sicherstellen, dass sie alles Notwendige hat. Indem YOLO11 alltägliche Artikel erkennt, kann es den Einkauf erleichtern.

Abb. 5. Objekterkennung kann die Welt für Menschen mit Sehbehinderung barrierefreier machen.

Schritt-für-Schritt-Anleitung zur Objekterkennung mit Ultralytics YOLO11#

Nachdem wir nun die Grundlagen der Objekterkennung und ihre vielfältigen Anwendungsmöglichkeiten behandelt haben, sehen wir uns an, wie du mit dem Ultralytics-YOLO11-Modell Aufgaben wie die Objekterkennung angehen kannst.

YOLO11 lässt sich auf zwei einfache Arten verwenden: mit dem Ultralytics Python-Paket oder über Ultralytics HUB. Sehen wir uns beide Methoden an und beginnen mit dem Python-Paket.

Inferenz mit Ultralytics YOLO11 ausführen#

Bei der Inferenz analysiert ein KI-Modell neue, bisher unbekannte Daten, um Vorhersagen zu treffen, Informationen zu klassifizieren oder auf Grundlage des Gelernten Erkenntnisse zu liefern. Bei der Objekterkennung bedeutet das, bestimmte Objekte in einem Bild oder Video zu identifizieren und zu lokalisieren, sie mit Begrenzungsrahmen zu umgeben und anhand des Modelltrainings zu beschriften.

Um mit dem YOLO11-Modell zur Objekterkennung Inferenz auszuführen, musst du zunächst das Ultralytics-Python-Paket installieren, und zwar über pip, conda oder Docker. Falls bei der Installation Probleme auftreten, findest du in der Anleitung zur Fehlerbehebung hilfreiche Tipps und Tricks. Nach der Installation kannst du mit dem folgenden Code das YOLO11n-Modell zur Objekterkennung laden und Vorhersagen für ein Bild erstellen.

Abb. 6. Inferenz mit YOLO11n auf einem Bild ausführen.

Ein eigenes Ultralytics YOLO11-Modell trainieren#

Ultralytics YOLO11 unterstützt auch benutzerdefiniertes Training, damit das Modell besser zu deinen konkreten Anwendungsfällen passt. Durch Feinabstimmung kannst du das Modell darauf ausrichten, für dein Projekt relevante Objekte zu erkennen. Wenn du beispielsweise Computer Vision im Gesundheitswesen einsetzt, könnte ein speziell trainiertes YOLO11-Modell bestimmte Auffälligkeiten in medizinischen Bildern erkennen, etwa Tumore in MRT-Aufnahmen oder Knochenbrüche auf Röntgenbildern. Das kann Ärzten helfen, schneller und genauer Diagnosen zu stellen.

Der folgende Codeausschnitt zeigt, wie du ein Ultralytics-YOLO11-Modell zur Objekterkennung lädst und trainierst. Du kannst mit einer YAML-Konfigurationsdatei oder einem vortrainierten Modell beginnen, Gewichte übertragen und mit Datensätzen wie COCO trainieren, um die Objekterkennung weiter zu verbessern.

from ultralytics import YOLO

# Modell laden
model = YOLO("yolo11n.yaml")  # ein neues Modell aus YAML erstellen
model = YOLO("yolo11n.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # aus YAML erstellen und Gewichte übertragen

# Das Modell trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Nach dem Training kannst du das Modell auch in verschiedenen Formaten exportieren, um es in unterschiedlichen Umgebungen bereitzustellen.

YOLO11-Objekterkennung auf Ultralytics HUB#

Für alle, die eine Alternative ohne Programmierung suchen, bietet Ultralytics HUB eine einfach zu bedienende Plattform für visuelle KI, mit der sich YOLO-Modelle einschließlich YOLO11 trainieren und bereitstellen lassen.

Um Objekte in Bildern zu erkennen, erstellst du einfach ein Konto, navigierst zum Bereich „Models“ und wählst die passende Variante des Ultralytics-YOLO11-Modells zur Objekterkennung aus. Lade dein Bild hoch. Die Plattform zeigt die erkannten Objekte dann in einer Vorschau an.

Abb. 7. Inferenz auf Ultralytics HUB ausführen.

Durch die Kombination aus der Flexibilität des Python-Pakets und der einfachen Bedienung des HUB macht Ultralytics YOLO11 fortschrittliche Objekterkennung für Entwickler und Unternehmen gleichermaßen leicht zugänglich.

Die wichtigsten Erkenntnisse#

Ultralytics YOLO11 verbindet hohe Genauigkeit mit Vielseitigkeit und erfüllt so die Anforderungen verschiedener Branchen. Von der Verbesserung der Analytik im Einzelhandel bis zur Verwaltung intelligenter städtischer Infrastruktur ist YOLO11 auf zuverlässige Leistung in Echtzeit für zahlreiche Anwendungen ausgelegt.

Mit den Möglichkeiten für benutzerdefiniertes Training und einer benutzerfreundlichen Oberfläche über Ultralytics HUB lässt sich YOLO11 problemlos in deine Arbeitsabläufe integrieren. Ob du als Entwickler Computer Vision erkundest oder als Unternehmen mit KI neue Wege gehen möchtest: YOLO11 bietet dir die Werkzeuge für den Einstieg.

Weitere Informationen findest du in unserem GitHub-Repository und in unserer Community. Auf unseren Lösungsseiten kannst du KI-Anwendungen für selbstfahrende Autos und Computer Vision in der Landwirtschaft kennenlernen.