Wie man Ultralytics YOLO11 zur Objekterkennung verwendet

Computer Vision ist ein Bereich der Künstlichen Intelligenz (KI), der Maschinen dabei unterstützt, visuelle Informationen zu interpretieren und zu verstehen, um wesentliche Aufgaben wie die Objekterkennung zu ermöglichen. Im Gegensatz zur Bildklassifizierung identifiziert die Objekterkennung nicht nur, welche Objekte sich in einem Bild befinden, sondern bestimmt auch deren genaue Position. Dies macht sie zu einem entscheidenden Werkzeug für Vision-KI-Anwendungen wie selbstfahrende Autos, Echtzeit-Sicherheitssysteme und die Lagerautomatisierung.

Mit der Zeit ist die Objekterkennungstechnologie fortgeschrittener und benutzerfreundlicher geworden. Ein großer Meilenstein wurde auf dem jährlichen Hybrid-Event von Ultralytics, der YOLO Vision 2024 (YV24), mit der Einführung des Ultralytics YOLO11-Modells angekündigt. YOLO11 verbessert die Genauigkeit und Leistung und unterstützt gleichzeitig dieselben Aufgaben wie YOLOv8, wodurch Benutzern früherer Modelle ein nahtloser Übergang ermöglicht wird.

Abb. 1: Ein 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 betrachten reale Anwendungsfälle. Wir führen dich zudem Schritt für Schritt durch die Verwendung des YOLO11-Modells mit dem Ultralytics Python-Paket und der Ultralytics HUB-Plattform. Fangen wir an!

Was ist Objekterkennung?#

Objekterkennung ist eine Kernaufgabe im Bereich Computer Vision, die mehr leistet als nur das Identifizieren von Objekten in einem Bild. Im Gegensatz zur Bildklassifizierung, die lediglich bestimmt, ob ein bestimmtes Objekt vorhanden ist, erkennt die Objekterkennung mehrere Objekte und bestimmt deren genaue Positionen mithilfe von Bounding Boxes.

Sie kann beispielsweise Gesichter auf einem Gruppenfoto identifizieren und lokalisieren, Autos auf einer vielbefahrenen Straße oder Produkte im Ladenregal. Die Kombination aus Objekterkennung und -lokalisierung macht sie besonders nützlich für Anwendungen wie Überwachung, Menschenmengen-Monitoring und automatisierte Bestandsverwaltung.

Abb. 2: Verwendung von Ultralytics YOLO11 zur Gesichtserkennung.

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 jedoch nicht zwischen einzelnen Objekten desselben Typs (alle Gesichter auf einem Foto würden beispielsweise als „Gesicht“ zusammengefasst). Die Instanzsegmentierung geht noch einen Schritt weiter, indem sie jedes Objekt trennt und seine genaue Form umreißt, selbst bei Objekten derselben Klasse.

Die Objekterkennung bietet hingegen einen schlankeren Ansatz, indem sie Objekte identifiziert und klassifiziert und gleichzeitig ihre Positionen markiert. Dies macht sie ideal für Echtzeitaufgaben wie das Erkennen von Gesichtern in Überwachungsvideos oder das Identifizieren von Hindernissen für autonome Fahrzeuge.

Anwendungen von Ultralytics YOLO11 und Objekterkennung#

Die fortschrittlichen Objekterkennungsfunktionen von Ultralytics YOLO11 machen es in vielen Branchen nützlich. Schauen wir uns einige Beispiele an.

Verwendung von Ultralytics YOLO11 für die Einzelhandelsanalyse#

Ultralytics YOLO11 und Objekterkennung definieren Retail-Analysen neu, indem sie Bestandsverwaltung und Regalüberwachung effizienter und genauer machen. Die Fähigkeit des Modells, Objekte schnell und zuverlässig zu erkennen, hilft Händlern, Bestände zu verfolgen, Regale zu organisieren und Fehler bei Inventuren zu reduzieren.

Beispielsweise kann YOLO11 bestimmte Artikel wie Sonnenbrillen in einem Ladenregal erkennen. Aber warum sollte ein Händler ein Regal überwachen wollen? Gut gefüllte und ordentliche Regale sind entscheidend dafür, dass Kunden das finden, was sie brauchen, was sich direkt auf den Umsatz auswirkt. Durch die Echtzeit-Regalüberwachung können Einzelhändler schnell erkennen, wenn Artikel knapp werden, verlegt sind oder überfüllt stehen, was ihnen hilft, eine organisierte und attraktive Präsentation aufrechtzuerhalten, die das Einkaufserlebnis verbessert.

Abb. 3: Ein Beispiel für die Verwendung von Ultralytics YOLO11 zur Erkennung von Produkten im Regal.

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 dabei helfen, dies zu ermöglichen. Tatsächlich lassen sich viele Smart-City-Anwendungen mit YOLO11 integrieren.

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

Abb. 4: Verwendung von Objekterkennung und Ultralytics YOLO11 zur Kennzeichenerkennung.

Erkenntnisse von Vision-KI-Systemen zur Straßenüberwachung können Behörden auf Verkehrsverstöße oder Staus aufmerksam machen, bevor diese zu größeren Problemen eskalieren. YOLO11 kann zudem Fußgänger und Radfahrer erkennen und Straßen somit für alle sicherer und effizienter machen.

Tatsächlich macht die Fähigkeit von Ultralytics YOLO11, visuelle Daten zu verarbeiten, es zu einem leistungsstarken Werkzeug zur Verbesserung der städtischen Infrastruktur. Beispielsweise kann es helfen, die Ampelschaltung durch die Analyse von Fahrzeug- und Fußgängerbewegungen zu optimieren. Es kann auch die Sicherheit in Schulzonen erhöhen, indem es Kinder erkennt und Fahrer auffordert, langsamer zu fahren. Mit YOLO11 können Städte proaktive Maßnahmen ergreifen, um Herausforderungen zu bewältigen und eine effizientere Umgebung für alle zu schaffen.

Echtzeit-Videodetektion mit Ultralytics YOLO11: Erhöhung der Barrierefreiheit#

Echtzeit-Objekterkennung bezeichnet die Fähigkeit eines Systems, Objekte in einem Live-Video-Feed beim Erscheinen zu identifizieren und zu klassifizieren. Ultralytics YOLO11 ist auf überragende Echtzeitleistung ausgelegt und zeichnet sich durch die Unterstützung dieser Funktion aus. Die Anwendungen gehen über die bloße Optimierung von Prozessen hinaus – sie können auch dazu beitragen, eine inklusivere und barrierefreiere Welt zu schaffen.

So kann YOLO11 sehbehinderte Menschen unterstützen, indem es Objekte in Echtzeit identifiziert. Basierend auf den Erkennungen können Audiobeschreibungen bereitgestellt werden, die den Nutzern helfen, sich in ihrer Umgebung unabhängiger zu bewegen.

Stell dir eine sehbehinderte Person beim Lebensmitteleinkauf vor. Das Heraussuchen der richtigen Artikel kann eine Herausforderung sein, aber Ultralytics YOLO11 kann dabei unterstützen. Während sie Artikel in ihren Einkaufswagen legen, könnte ein in YOLO11 integriertes System verwendet werden, um jeden Artikel – wie Bananen, Avocados oder einen Karton Milch – zu identifizieren und Audiobeschreibungen in Echtzeit bereitzustellen. Dies ermöglicht es ihnen, ihre Auswahl zu bestätigen und sicherzustellen, dass sie alles haben, was sie brauchen. Durch das Erkennen alltäglicher Gegenstände kann YOLO11 das Einkaufen einfacher machen.

Abb. 5: Objekterkennung kann dazu beitragen, die Welt für Sehbehinderte barrierefreier zu gestalten.

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

Nachdem wir nun die Grundlagen der Objekterkennung und ihre vielfältigen Anwendungen behandelt haben, lass uns eintauchen, wie du mit dem Ultralytics YOLO11 Modell für Aufgaben wie Objekterkennung starten kannst.

Es gibt zwei einfache Wege, YOLO11 zu verwenden: über das Ultralytics Python Paket oder den Ultralytics HUB. Lass uns beide Methoden erkunden, beginnend mit dem Python Paket.

Ausführen von Inferenzen mit Ultralytics YOLO11#

Inferenz liegt vor, wenn ein KI-Modell neue, ungesehene Daten analysiert, um Vorhersagen zu treffen, Informationen zu klassifizieren oder Einblicke basierend auf dem zu gewinnen, was während des Trainings gelernt wurde. In Bezug auf die Objekterkennung bedeutet dies, spezifische Objekte innerhalb eines Bildes oder Videos zu identifizieren und zu lokalisieren, Bounding Boxes um sie herum zu ziehen und sie entsprechend dem Training des Modells zu kennzeichnen.

Um eine Inferenz mit dem YOLO11-Objekterkennungsmodell durchzuführen, musst du zunächst das Ultralytics Python-Paket installieren – per pip, conda oder Docker. Wenn du auf Installationsprobleme stößt, wirf einen Blick in die Fehlerbehebungsanleitung für Tipps und Tricks zur Lösung dieser Probleme. Nach der Installation kannst du den folgenden Code verwenden, um das YOLO11-Objekterkennungsmodell zu laden und Vorhersagen für ein Bild zu treffen.

Abb. 6: Ausführen einer Inferenz auf einem Bild mit YOLO11n.

Trainieren eines benutzerdefinierten Ultralytics YOLO11-Modells#

Ultralytics YOLO11 unterstützt auch custom training, um besser zu deinen spezifischen Anwendungsfällen zu passen. Durch das Fine-Tuning des Modells kannst du es anpassen, um für dein Projekt relevante Objekte zu erkennen. Wenn du beispielsweise using computer vision in healthcare anwendest, könnte ein maßgeschneidertes YOLO11-Modell verwendet werden, um spezifische Anomalien in medizinischen Bildern zu erkennen, wie etwa Tumore in MRT-Scans oder Frakturen in Röntgenaufnahmen, was Ärzten hilft, schnellere und genauere Diagnosen zu stellen.

Der folgende Code-Snippet zeigt, wie du ein Ultralytics YOLO11-Modell für die Objekterkennung lädst und trainierst. Du kannst mit einer YAML-Konfigurationsdatei oder einem vortrainierten Modell beginnen, Gewichte übertragen und auf Datensätzen wie COCO für präzisere Objekterkennungsfunktionen 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)

Nachdem du ein Modell trainiert hast, kannst du es auch in verschiedenen Formaten für den Einsatz in unterschiedlichen Umgebungen exportieren.

YOLO11 Objekterkennung auf dem Ultralytics HUB#

Für diejenigen, die eine No-Code-Alternative suchen, bietet Ultralytics HUB eine benutzerfreundliche Vision-KI-Plattform zum Trainieren und Bereitstellen von YOLO-Modellen, einschließlich YOLO11.

Um die Objekterkennung auf Bildern auszuführen, erstellst du einfach ein Konto, navigierst zum Bereich „Modelle“ und wählst die Ultralytics YOLO11-Objekterkennungsvariante aus. Lade dein Bild hoch, und die Plattform zeigt die erkannten Objekte in einem Vorschau-Bereich an.

Abb. 7: Ausführen von Inferenzen auf dem Ultralytics HUB.

Durch die Kombination der Flexibilität des Python-Pakets mit der Einfachheit von HUB macht es Ultralytics YOLO11 Entwicklern und Unternehmen gleichermaßen leicht, die Leistung der fortschrittlichen Objekterkennungstechnologie zu nutzen.

Wichtige Erkenntnisse#

Ultralytics YOLO11 setzt einen neuen Standard in der Objekterkennung und kombiniert hohe Genauigkeit mit Vielseitigkeit, um den Anforderungen verschiedener Branchen gerecht zu werden. Von der Verbesserung der Einzelhandelsanalyse bis hin zur Verwaltung der Smart-City-Infrastruktur ist YOLO11 für eine zuverlässige Echtzeitleistung in unzähligen Anwendungen konzipiert.

Mit Optionen für benutzerdefiniertes Training und einer einfach zu bedienenden Oberfläche über den Ultralytics HUB war die Integration von YOLO11 in deine Workflows noch nie so einfach. Egal, ob du ein Entwickler bist, der Computer Vision erkundet, oder ein Unternehmen, das mit KI innovieren möchte, YOLO11 bietet die Werkzeuge, die du für den Erfolg benötigst.

Um mehr zu erfahren, besuche unser GitHub-Repository und tausche dich mit unserer Community aus. Entdecke KI-Anwendungen in selbstfahrenden Autos und Computer Vision für die Landwirtschaft auf unseren Lösungsseiten. 🚀