So setzt du Ultralytics YOLO11 für die Objekterkennung ein

Computer Vision ist ein Bereich der künstlichen Intelligenz (AI), der Maschinen dabei hilft, visuelle Informationen zu interpretieren und zu verstehen, um wichtige Aufgaben wie die Objekterkennung zu ermöglichen. Im Gegensatz zur Bildklassifizierung erkennt die Objekterkennung nicht nur, welche Objekte sich in einem Bild befinden, sondern bestimmt auch deren genaue Positionen. Dadurch ist sie ein wichtiges Werkzeug für Vision-AI-Anwendungen wie selbstfahrende Autos, Sicherheitssysteme in Echtzeit und die Automatisierung von Lagerhäusern.

Im Laufe der Zeit ist die Technologie zur Objekterkennung fortschrittlicher und einfacher in der Anwendung geworden. Ein wichtiger Schritt nach vorn wurde auf dem jährlichen hybriden Event von Ultralytics, YOLO Vision 2024 (YV24), mit der Einführung des Ultralytics-YOLO11-Modells angekündigt. YOLO11 verbessert Genauigkeit und Leistung und unterstützt gleichzeitig dieselben Aufgaben wie YOLOv8, sodass Nutzer früherer Modelle problemlos umsteigen können.

Abb. 1. Beispiel für die Verwendung des Ultralytics-YOLO11-Modells zur Objekterkennung.

In diesem Artikel erklären wir, was Objekterkennung ist, wie sie sich von anderen Computer-Vision-Aufgaben unterscheidet, und zeigen ihre praktischen Anwendungsbereiche. Außerdem führen wir dich durch die Verwendung des YOLO11-Modells mit dem Ultralytics-Python-Paket und der Ultralytics-HUB-Plattform. Legen wir los!

Was ist Objekterkennung?#

Objekterkennung ist eine zentrale Aufgabe im Bereich Computer Vision, die mehr leistet, als nur Objekte in einem Bild zu identifizieren. Im Gegensatz zur Bildklassifizierung, die lediglich feststellt, ob ein bestimmtes Objekt vorhanden ist, erkennt die Objekterkennung mehrere Objekte und bestimmt ihre genauen Positionen mithilfe von Begrenzungsrahmen.

So kann sie beispielsweise Gesichter in einem Gruppenfoto identifizieren und lokalisieren, Autos auf einer stark befahrenen Straße oder Produkte in einem Ladenregal. Durch die Kombination aus Objekterkennung und Lokalisierung eignet sie sich besonders für Anwendungen wie Überwachung, die Beobachtung von Menschenansammlungen und die automatisierte Bestandsverwaltung.

Abb. 2. Gesichtserkennung mit Ultralytics YOLO11.

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

Die semantische Segmentierung kennzeichnet jedes Pixel in einem Bild, unterscheidet jedoch nicht zwischen einzelnen Objekten desselben Typs (beispielsweise würden alle Gesichter in einem Foto als „Gesicht“ zusammengefasst). Die Instanzsegmentierung geht einen Schritt weiter, indem sie jedes Objekt voneinander trennt und seine genaue Form umreißt – auch bei Objekten derselben Klasse.

Die Objekterkennung verfolgt hingegen einen schlankeren Ansatz, indem sie Objekte identifiziert und klassifiziert und gleichzeitig ihre Positionen markiert. Dadurch eignet sie sich ideal für Echtzeitaufgaben wie die Erkennung von Gesichtern in Sicherheitsaufnahmen oder von Hindernissen für autonome Fahrzeuge.

Anwendungen von Ultralytics YOLO11 und der Objekterkennung#

Die fortschrittlichen Funktionen von Ultralytics YOLO11 zur Objekterkennung machen das Modell 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. Die Fähigkeit des Modells, Objekte schnell und zuverlässig zu erkennen, hilft Händlern dabei, Lagerbestände zu verfolgen, Regale zu organisieren und Fehler bei Bestandszählungen zu reduzieren.

Beispielsweise kann YOLO11 bestimmte Artikel wie Sonnenbrillen in einem Ladenregal erkennen. Doch warum sollte ein Händler ein Regal überwachen? Gut gefüllte und organisierte Regale sind entscheidend dafür, dass Kunden finden, was sie benötigen, und wirken sich dadurch direkt auf den Umsatz aus. Durch die Echtzeitüberwachung von Regalen können Händler schnell erkennen, wenn Artikel knapp werden, falsch platziert oder zu dicht angeordnet sind. So können sie eine organisierte und ansprechende Präsentation aufrechterhalten, die das Einkaufserlebnis verbessert.

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

Ultralytics YOLO11 in Smart-City-Anwendungen#

Eine geschäftige Stadt ist auf einen reibungslosen Verkehrsfluss und sichere Straßen angewiesen, um effizient zu funktionieren, und Ultralytics YOLO11 kann dies unterstützen. Tatsächlich lassen sich viele Smart-City-Anwendungen in YOLO11 integrieren.

Ein interessanter Anwendungsfall ist die Verwendung der Objekterkennung zur Identifizierung von Nummernschildern an sich bewegenden Fahrzeugen. Dadurch kann Ultralytics YOLO11 eine schnellere Mauterhebung, ein besseres Verkehrsmanagement und eine zügigere Durchsetzung von Vorschriften unterstützen.

Abb. 4. Erkennung von Nummernschildern mit Objekterkennung und Ultralytics YOLO11.

Erkenntnisse aus Vision-AI-Systemen zur Überwachung von Straßen können Behörden vor Verkehrsverstößen oder Staus warnen, bevor sich daraus größere Probleme entwickeln. YOLO11 kann außerdem Fußgänger und Radfahrer erkennen und Straßen dadurch für alle sicherer und effizienter machen.

Tatsächlich macht die Fähigkeit von Ultralytics YOLO11, visuelle Daten zu verarbeiten, das Modell zu einem leistungsstarken Werkzeug für die Verbesserung der städtischen Infrastruktur. So kann es beispielsweise die Schaltung von Ampeln 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 Abbremsen auffordert. Mit YOLO11 können Städte proaktiv auf Herausforderungen reagieren und für alle eine effizientere Umgebung schaffen.

Echtzeit-Videodetektion mit Ultralytics YOLO11: Mehr Zugänglichkeit#

Echtzeitobjekterkennung bezeichnet die Fähigkeit eines Systems, Objekte in einem Live-Videostream zu identifizieren und zu klassifizieren, sobald sie erscheinen. Ultralytics YOLO11 wurde für eine hervorragende Echtzeitleistung entwickelt und unterstützt diese Fähigkeit besonders gut. Die Anwendungsmöglichkeiten gehen über die bloße Optimierung von Prozessen hinaus – das Modell kann auch dazu beitragen, eine inklusivere und zugänglichere Welt zu schaffen.

So kann YOLO11 beispielsweise Menschen mit Sehbehinderung unterstützen, indem es Objekte in Echtzeit identifiziert. Auf Grundlage der Erkennungen können Audiobeschreibungen ausgegeben werden, die Nutzern helfen, sich selbstständiger in ihrer Umgebung zu bewegen.

Stell dir eine sehbehinderte Person beim Einkaufen vor. Die richtigen Artikel auszuwählen, kann schwierig sein, aber Ultralytics YOLO11 kann dabei helfen. Während die Person Artikel in den Einkaufswagen legt, könnte ein in YOLO11 integriertes System jeden Artikel – etwa Bananen, Avocados oder einen Milchkarton – identifizieren und Audiobeschreibungen in Echtzeit ausgeben. So kann sie ihre Auswahl bestätigen und sicherstellen, dass sie alles Nötige hat. Durch das Erkennen alltäglicher Gegenstände kann YOLO11 das Einkaufen erleichtern.

Abb. 5. Objekterkennung kann dazu beitragen, die Welt für Menschen mit Sehbehinderung zugänglicher zu machen.

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

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

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

Inferenz mit Ultralytics YOLO11 ausführen#

Eine Inferenz ist der Vorgang, bei dem ein KI-Modell neue, bisher unbekannte Daten analysiert, um Vorhersagen zu treffen, Informationen zu klassifizieren oder auf Grundlage des während des Trainings 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 entsprechend dem Training des Modells zu beschriften.

Um mit dem YOLO11-Objekterkennungsmodell Inferenzen auszuführen, musst du zunächst das Ultralytics-Python-Paket über pip, conda oder Docker installieren. Falls bei der Installation Probleme auftreten, findest du in der Anleitung zur Fehlerbehebung Tipps und Hinweise zu ihrer Lösung. Nach der Installation kannst du den folgenden Code verwenden, um das YOLO11-Objekterkennungsmodell zu laden und Vorhersagen für ein Bild zu erstellen.

Abb. 6. Ausführen einer Inferenz für ein Bild mit YOLO11n.

Benutzerdefiniertes Ultralytics-YOLO11-Modell trainieren#

Ultralytics YOLO11 unterstützt auch benutzerdefiniertes Training, damit du das Modell besser an deine konkreten Anwendungsfälle anpassen kannst. Durch Feinabstimmung kannst du das Modell so ausrichten, dass es für dein Projekt relevante Objekte erkennt. 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, und Ärzten so schnellere und genauere Diagnosen ermöglichen.

Das folgende Codebeispiel zeigt, wie du ein Ultralytics-YOLO11-Modell für die Objekterkennung laden und trainieren kannst. Du kannst mit einer YAML-Konfigurationsdatei oder einem vortrainierten Modell beginnen, Gewichte übertragen und das Modell mit Datensätzen wie COCO für eine präzisere Objekterkennung trainieren.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Nach dem Training eines Modells kannst du es außerdem in verschiedene Formate exportieren, um es in unterschiedlichen Umgebungen bereitzustellen.

YOLO11-Objekterkennung in Ultralytics HUB#

Für alle, die eine Alternative ohne Code suchen, bietet Ultralytics HUB eine benutzerfreundliche Vision-AI-Plattform zum Trainieren und Bereitstellen von YOLO-Modellen, einschließlich YOLO11.

Um die Objekterkennung für Bilder auszuführen, erstelle einfach ein Konto, öffne den Bereich „Models“ und wähle die Variante des Ultralytics-YOLO11-Modells zur Objekterkennung aus. Lade dein Bild hoch, und die Plattform zeigt die erkannten Objekte in einer Vorschau an.

Abb. 7. Ausführen von Inferenzen in Ultralytics HUB.

Durch die Kombination der Flexibilität des Python-Pakets mit der einfachen Bedienung von HUB macht Ultralytics YOLO11 es Entwicklern und Unternehmen gleichermaßen leicht, die Möglichkeiten fortschrittlicher Objekterkennungstechnologie zu nutzen.

Wichtige Erkenntnisse#

Ultralytics YOLO11 setzt einen neuen Maßstab in der Objekterkennung und verbindet hohe Genauigkeit mit Vielseitigkeit, um die Anforderungen verschiedener Branchen zu erfüllen. Von der Verbesserung der Einzelhandelsanalyse bis zur Verwaltung von Smart-City-Infrastrukturen ist YOLO11 für zuverlässige Echtzeitleistung in unzähligen Anwendungen ausgelegt.

Dank der Möglichkeiten für benutzerdefiniertes Training und der benutzerfreundlichen Oberfläche von Ultralytics HUB war die Integration von YOLO11 in deine Arbeitsabläufe noch nie so einfach. Egal, ob du als Entwickler Computer Vision erkundest oder als Unternehmen mit AI Innovationen voranbringen möchtest – YOLO11 bietet dir die Werkzeuge, die du für deinen Erfolg benötigst.

Weitere Informationen findest du in unserem GitHub-Repository. Tausche dich außerdem mit unserer Community aus. Entdecke auf unseren Lösungsseiten AI-Anwendungen für selbstfahrende Autos und Computer Vision in der Landwirtschaft. 🚀