Wie man Ultralytics YOLO11 für die Objektverfolgung verwendet

Stell dir vor, du möchtest die Bewegung von Komponenten an einem Fließband in einer Fertigungsanlage überwachen und nachverfolgen, um die Qualitätskontrolle zu gewährleisten und die Effizienz der Arbeitsabläufe zu verbessern. Normalerweise würde dies manuelle Inspektionen oder einfache Sensoren zur Verfolgung von Artikeln erfordern, was zeitaufwändig und fehleranfällig sein kann. Computer Vision und Objektverfolgung können jedoch genutzt werden, um diesen Prozess zu automatisieren und zu optimieren.

Object tracking is a computer vision task that helps detect, identify, and track objects in a video. It can be used for a wide variety of applications, from animal monitoring on farms to security and surveillance in retail stores. The objects being tracked in a video are usually visualized using bounding boxes to help the user see exactly where they are located and detected within the video frame.

Vorgestellt während des jährlichen Hybrid-Events von Ultralytics, YOLO Vision 2024 (YV24), ist Ultralytics YOLO11 ein Computer-Vision-Modell, das eine Vielzahl von Vision-AI-Aufgaben bewältigen kann, einschließlich der Objektverfolgung. In diesem Artikel untersuchen wir, wie Objektverfolgung funktioniert, und diskutieren reale Anwendungen. Wir werfen außerdem einen Blick darauf, wie du die Objektverfolgung mit YOLO11 ausprobieren kannst. Fangen wir an!

Abb. 1. Ein Beispiel für die Verwendung von YOLO11 zur Objektverfolgung in einem Einzelhandelsgeschäft.

Link to this sectionKI-gestützte Objektverfolgung mit YOLO11#

Objektverfolgung ist eine grundlegende Computer-Vision-Technik. Sie ermöglicht es, Objekte in einem Video zu identifizieren und über einen gewissen Zeitraum hinweg zu verfolgen. Objektverfolgung kann einer anderen Computer-Vision-Aufgabe sehr ähnlich sehen – der Objekterkennung. Der Hauptunterschied zwischen beiden liegt darin, wie sie Videobilder verarbeiten. Objekterkennung betrachtet jedes Bild einzeln und identifiziert sowie klassifiziert Objekte, ohne vorherige oder zukünftige Bilder zu berücksichtigen. Objektverfolgung hingegen verbindet die Punkte zwischen den Bildern, folgt denselben Objekten im Zeitverlauf und behält ihre Bewegungen im Auge.

Hier ist eine detailliertere Erläuterung, wie Objektverfolgung funktioniert:

• Objekterkennung: Der Prozess beginnt mit der Erkennung von Objekten in einem einzelnen Videobild. YOLO11 kann verwendet werden, um mehrere Objekte und deren Positionen präzise zu identifizieren.
• Zuweisung eindeutiger IDs: Jedes erkannte Objekt erhält eine eindeutige ID, um es von anderen zu unterscheiden und die Verfolgung zu erleichtern.
• Bewegung verfolgen über Bilder hinweg: Ein Tracking-Algorithmus folgt den Objekten über nachfolgende Bilder hinweg und aktualisiert deren Positionen, während die Verknüpfung mit ihren eindeutigen IDs beibehalten wird.
• Umgang mit Verdeckungen: Wenn ein Objekt vorübergehend aus dem Blickfeld verschwindet (z. B. durch ein anderes Objekt blockiert), stellt das System sicher, dass die Verfolgung fortgesetzt wird, sobald das Objekt wieder erscheint.
• Aktualisierung von Objektinformationen: Während sich Objekte bewegen, werden ihre Positionen und Attribute (wie Geschwindigkeit oder Richtung) kontinuierlich aktualisiert, um Veränderungen über die Zeit widerzuspiegeln.

Ultralytics unterstützt Echtzeit-Objektverfolgung durch die Nutzung fortschrittlicher Tracking-Algorithmen wie BoT-SORT und ByteTrack. Es arbeitet zudem nahtlos mit Segmentierung und Pose-Estimation YOLO11-Modellen zusammen, was es zu einem flexiblen Werkzeug für eine Vielzahl von Tracking-Aufgaben macht.

Link to this sectionAnwendungen der YOLO11-Objektverfolgung#

Die vielseitigen Fähigkeiten des Ultralytics YOLO11-Modells eröffnen eine breite Palette an möglichen Anwendungen in vielen Branchen. Lass uns einige YOLO11-Objektverfolgung-Anwendungsfälle genauer betrachten.

Link to this sectionYOLO11 zur Verfolgung autonomer Fahrzeuge#

Objektverfolgung ist entscheidend, um selbstfahrenden Autos ein sicheres und effizientes Fahren zu ermöglichen. Diese Fahrzeuge müssen ihre Umgebung ständig verstehen, um Echtzeitentscheidungen zu treffen, wie etwa Bremsen, Abbiegen oder Spurwechsel. Objekterkennung ermöglicht es dem Auto, Schlüsselelemente in seiner Umgebung zu identifizieren, wie Fußgänger, Radfahrer, andere Fahrzeuge und Verkehrsschilder. Die Erkennung dieser Objekte in einem einzelnen Moment reicht jedoch für eine sichere Navigation nicht aus.

Hier kommt die Objektverfolgung ins Spiel. Sie ermöglicht es dem Auto, diese Objekte über die Zeit zu verfolgen und ihre Bewegungen über mehrere Bilder hinweg zu beobachten. Zum Beispiel hilft sie autonomen Fahrzeugen dabei, vorherzusagen, wohin ein Fußgänger geht, die Geschwindigkeit und Richtung nahegelegener Fahrzeuge zu überwachen oder zu erkennen, dass eine Ampel nicht umgeschaltet hat. Durch die Kombination von Erkennung und Verfolgung können selbstfahrende Autos die Bewegung von Objekten um sie herum antizipieren, proaktiv reagieren und sicher sowie flüssig fahren.

Abb. 2. YOLO11 kann verwendet werden, um Autos zu erkennen und zu verfolgen.

Link to this sectionVerwendung der YOLO11-Objektverfolgung zur Tierüberwachung#

Das Verfolgen von Tieren auf einem landwirtschaftlichen Betrieb, wie Rindern, ist für ein effektives Management unerlässlich, kann aber eine mühsame und zeitaufwändige Aufgabe sein. Traditionelle Methoden, wie der Einsatz von Sensoren oder Markierungen, haben oft Nachteile. Diese Geräte können die Tiere stressen, wenn sie angebracht werden, und neigen dazu, abzufallen oder beschädigt zu werden, was die Verfolgung unterbricht.

Computer Vision bietet eine bessere Lösung für Landwirte, um Tiere ohne die Notwendigkeit physischer Markierungen zu überwachen und zu verfolgen. Objektverfolgung kann Landwirten wertvolle Einblicke in das Verhalten und die Gesundheit der Tiere geben. Zum Beispiel kann sie helfen, Zustände wie Lahmheit zu erkennen, die das Gangbild eines Tieres beeinflussen. Durch den Einsatz von Objektverfolgung können Landwirte subtile Veränderungen in der Bewegung erkennen und Gesundheitsprobleme frühzeitig angehen.

Über die Gesundheitsüberwachung hinaus kann Computer Vision Landwirten auch helfen, andere Verhaltensweisen zu verstehen, wie soziale Interaktionen, Fressgewohnheiten und Bewegungsmuster. Diese Erkenntnisse können das Herdenmanagement verbessern, Fütterungspläne optimieren und das allgemeine Wohlbefinden der Tiere fördern. Durch die Reduzierung manueller Arbeit und die Minimierung von Stress für die Tiere ist Computer Vision-basiertes Tracking ein praktisches und effizientes Werkzeug für die moderne Landwirtschaft.

Abb. 3. Verwendung von YOLO11 zur Verfolgung von Landwirten und einer Kuh.

Link to this sectionObjektverfolgung in der Fertigung mit YOLO11#

Object tracking has many use cases in the manufacturing sector. For example, object detection and tracking systems can monitor production lines. Products or raw materials can be easily tracked and counted as they move on a conveyor belt. These systems can also be integrated with other computer vision systems to perform additional tasks. For instance, an item with a defect can be identified using a defect detection system and tracked using object tracking to ensure it’s properly taken care of.

Eine weitere wichtige Anwendung der Objektverfolgung in der Fertigung betrifft die Sicherheit. Objektverfolgungssysteme können verwendet werden, um Arbeiter in potenziell gefährlichen Fertigungsumgebungen zu erkennen und zu verfolgen. Gefahrenbereiche können markiert und mittels Computer-Vision-Systemen ständig überwacht werden; Vorgesetzte können benachrichtigt werden, wenn sich Arbeiter (die verfolgt werden) solchen Bereichen nähern. Solche Sicherheitssysteme können auch dazu dienen, Ausrüstung zu erkennen und zu verfolgen, um Diebstahl vorzubeugen.

Abb. 4. Ein Beispiel für den Einsatz der YOLO11-Objekterkennung zur Identifizierung von Arbeitern.

Link to this sectionObjektverfolgung und Überwachung mit YOLO11#

Objektverfolgung in Echtzeit wird häufig in Sicherheits- und Überwachungssystemen eingesetzt. Diese Systeme können zur Überwachung öffentlicher Plätze, Verkehrsknotenpunkte und großer Einzelhandelsumgebungen, wie Einkaufszentren, genutzt werden. Große, überfüllte Bereiche können diese Technologie einsetzen, um verdächtige Personen oder das Verhalten von Menschenmengen zu verfolgen und so eine nahtlose Überwachungslösung bereitzustellen. Während der Pandemie wurden beispielsweise Objektverfolgungssysteme verwendet, um überfüllte Bereiche zu identifizieren und sicherzustellen, dass Menschen die soziale Distanz einhielten.

Objektverfolgung kann auch in der Verkehrsüberwachung eingesetzt werden. Sie ermöglicht es, das Verhalten von Fahrzeugen zu verfolgen und zu analysieren, wobei ungewöhnliche oder verdächtige Handlungen in Echtzeit erkannt werden, um Unfälle oder Verbrechen zu verhindern. Ein gutes Beispiel sind Geschwindigkeitsschätzungssysteme. Sie können ein Fahrzeug erkennen und verfolgen, um dessen Geschwindigkeit zu bestimmen.

Abb. 5. Die Geschwindigkeitsschätzung kann mittels Objektverfolgung durchgeführt werden.

Link to this sectionObjektverfolgung mit Ultralytics YOLO11 ausprobieren#

Nachdem wir nun einige Anwendungsfälle für die Objektverfolgung untersucht haben, lass uns besprechen, wie du sie mit dem Ultralytics YOLO11-Modell selbst ausprobieren kannst.

Um zu beginnen, installiere das Ultralytics Python-Paket mit pip, conda oder Docker. Falls du während der Installation auf Schwierigkeiten stößt, bietet unser Leitfaden für allgemeine Probleme hilfreiche Tipps zur Fehlerbehebung.

Sobald du das Paket erfolgreich installiert hast, führe den folgenden Code aus. Er beschreibt, wie das Ultralytics YOLO11-Modell geladen und zur Objektverfolgung in einer Videodatei verwendet wird. Das im Code verwendete Modell ist „yolo11n.pt“. Das „n“ steht für Nano – die kleinste Variante des YOLO11-Modells. Es gibt auch andere Modellvarianten zur Auswahl – small, medium, large und extra-large.

Abb. 6. Ein Code-Schnipsel, der die Objektverfolgung mit dem YOLO11-Modell zeigt.

Du kannst dich auch dafür entscheiden, ein benutzerdefiniertes Modell anstelle eines vorab trainierten Modells zu verwenden. Das benutzerdefinierte Training beinhaltet das Feinabstimmen eines vorab trainierten Modells, um es an deine spezifische Anwendung anzupassen.

Wie bereits erwähnt, wird die Objektverfolgung für die folgenden YOLO11-Modelle unterstützt: Objekterkennung, Pose-Estimation und Instanzsegmentierung. Wenn du eine spezifische Anwendung hast, die Tracking erfordert, kannst du jedes dieser Modelle je nach Anforderung individuell trainieren. Du kannst ein Modell mithilfe des Ultralytics Python-Pakets oder der No-Code-Plattform, Ultralytics HUB, benutzerdefiniert trainieren.

Link to this sectionWichtige Erkenntnisse#

Ultralytics YOLO11 ist ein großartiges Werkzeug zur Objektverfolgung in Videos und kann in vielen verschiedenen Bereichen eingesetzt werden, wie z. B. bei selbstfahrenden Autos, in der Landwirtschaft, der Fertigung und im Sicherheitsbereich. Es kann Objekte in Echtzeit erkennen und verfolgen, was Unternehmen und Branchen dabei hilft, den Überblick über Arbeiter und Ausrüstung zu behalten. Das Modell ist einfach zu bedienen und kann an spezifische Bedürfnisse angepasst werden, was es zu einer guten Option für alle macht, die Computer-Vision-Funktionen nahtlos integrieren möchten.

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