Wie man Ultralytics YOLO11 für die Objektverfolgung verwendet

Angenommen, du möchtest die Bewegung von Komponenten an einer Montageleitung in einer manufacturing-Anlage überwachen und verfolgen, um die quality control sicherzustellen und die Workflow-Effizienz zu verbessern. Typischerweise würde dies manuelle Inspektionen oder die Verwendung einfacher Sensoren zur Verfolgung von Elementen erfordern, was zeitaufwändig und fehleranfällig sein kann. computer vision und object tracking können jedoch genutzt werden, um diesen Prozess zu automatisieren und zu verbessern.

Object tracking ist eine computer vision task, die dabei hilft, Objekte in einem Video zu erkennen, zu identifizieren und zu verfolgen. Es kann für eine Vielzahl von Anwendungen eingesetzt werden, von der animal monitoring auf Bauernhöfen bis hin zu security und surveillance in retail-Geschäften. Die objects being tracked in einem Video werden normalerweise mithilfe von bounding boxes visualized, damit der Benutzer genau sehen kann, wo sie sich im Videobild befinden und erkannt wurden.

Ultralytics YOLO11, das während des Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), vorgestellt wurde, ist ein computer vision model, das eine Vielzahl von vision AI-Aufgaben bewältigen kann, einschließlich Object tracking. In diesem Artikel untersuchen wir, wie object tracking funktioniert, und besprechen reale Anwendungen. Wir werfen auch einen Blick darauf, wie du Object tracking mit YOLO11 ausprobieren kannst. Lass uns anfangen!

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

KI-gestützte Objektverfolgung mit Ultralytics YOLO11#

Object tracking ist eine wesentliche Computer-Vision-Technik. Sie ermöglicht es, Objekte in einem Video zu identifizieren und über die Zeit hinweg zu verfolgen. Object tracking kann einer anderen Computer-Vision-Aufgabe sehr ähnlich sehen – der object detection. Der Hauptunterschied zwischen den beiden liegt darin, wie sie mit Videobildern umgehen. Object detection betrachtet jedes Bild einzeln, identifiziert und klassifiziert Objekte, ohne vorherige oder zukünftige Bilder zu berücksichtigen. Object tracking hingegen verbindet die Punkte zwischen den Bildern, folgt denselben Objekten über die Zeit und hält deren Bewegungen fest.

Hier ist eine detailliertere Schritt-für-Schritt-Anleitung, wie object tracking funktioniert:

• Object detection: 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.
• Track movement über Bilder hinweg: Ein Tracking-Algorithmus folgt den Objekten über nachfolgende Bilder hinweg, aktualisiert deren Positionen und behält dabei die Zuordnung zu ihren eindeutigen IDs bei.
• 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-Object-Tracking durch den Einsatz fortschrittlicher Tracking-Algorithmen wie BoT-SORT und ByteTrack. Es arbeitet außerdem nahtlos mit segmentation- und pose estimation-YOLO11 models zusammen, was es zu einem flexiblen Werkzeug für eine Vielzahl von Tracking-Aufgaben macht.

Anwendungen der Objektverfolgung mit Ultralytics YOLO11#

Die vielseitigen Funktionen des Ultralytics YOLO11 model eröffnen ein breites Spektrum an möglichen Anwendungen in vielen Branchen. Schauen wir uns einige Anwendungsfälle für YOLO11 Object tracking genauer an.

Ultralytics YOLO11 zur Verfolgung autonomer Fahrzeuge#

Object tracking ist entscheidend dafür, dass self-driving Autos sicher und effizient fahren können. Diese Fahrzeuge müssen ihre Umgebung ständig verstehen, um Echtzeitentscheidungen zu treffen, wie etwa das Anhalten, Abbiegen oder Spurwechseln. Object detection ermöglicht es dem Auto, Schlüsselelemente in seiner Umgebung wie Fußgänger, cyclists, andere Fahrzeuge und Verkehrsschilder zu identifizieren. Allerdings reicht es für eine sichere Navigation nicht aus, diese Objekte in einem einzigen Moment zu erkennen.

Hier kommt Object tracking ins Spiel. Es ermöglicht dem Auto, diese Objekte über die Zeit zu verfolgen und ihre Bewegungen über mehrere Bilder hinweg zu überwachen. Beispielsweise hilft es autonomous vehicles vorherzusagen, wohin ein Fußgänger geht, die Geschwindigkeit und Richtung von Nahe gelegenen Fahrzeugen zu überwachen oder zu erkennen, dass eine Ampel nicht umgeschaltet hat. Durch die Kombination von detection und Tracking können selbstfahrende Autos die Bewegung von Objekten um sie herum vorhersehen, proaktiv reagieren und sicher sowie reibungslos fahren.

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

Verwendung des Ultralytics YOLO11-Objekttrackings zur Überwachung von Tieren#

Tracking animals auf einem Bauernhof, wie Rinder, ist für ein effektives Management von entscheidender Bedeutung, kann jedoch eine mühsame und zeitaufwändige Aufgabe sein. Herkömmliche Methoden wie die Verwendung von Sensoren oder Ohrmarken haben oft Nachteile. Diese Geräte können die Tiere beim Anbringen stressen und fallen leicht ab oder werden beschädigt, was das Tracking stört.

Computer vision bietet eine bessere solution for farmers, um Tiere zu überwachen und zu verfolgen, ohne physische Ohrmarken zu benötigen. Object tracking kann farmers wertvolle Einblicke in das Verhalten und die Gesundheit der Tiere geben. Beispielsweise kann es helfen, Erkrankungen wie Lahmheit zu erkennen, die die Art und Weise beeinflussen, wie ein Tier läuft. Durch den Einsatz von Object tracking können farmers subtile Veränderungen in der Bewegung erkennen und Gesundheitsprobleme frühzeitig angehen.

Über die Gesundheitsüberwachung hinaus kann computer vision farmers auch dabei helfen, andere Verhaltensweisen wie soziale Interaktionen, Fressgewohnheiten und Bewegungsmuster zu verstehen. 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 Ultralytics YOLO11 zur Verfolgung von Landwirten und einer Kuh.

Objekttracking in der Fertigung mit Ultralytics YOLO11#

Object tracking hat viele Anwendungsfälle im manufacturing-Sektor. Beispielsweise können Objekterkennungs- und Tracking-Systeme Produktionslinien überwachen. Produkte oder Rohstoffe können leicht verfolgt und counted werden, während sie sich auf einem Förderband bewegen. Diese Systeme können auch mit anderen computer vision-Systemen integrated werden, um zusätzliche Aufgaben auszuführen. Beispielsweise kann ein Artikel mit einem Defekt mithilfe eines defect detection-Systems identifiziert und durch Object tracking verfolgt werden, um sicherzustellen, dass er ordnungsgemäß behandelt wird.

Eine weitere wichtige Anwendung von Object tracking in der Fertigung betrifft die safety. Object tracking-Systeme können verwendet werden, um Arbeiter in potenziell gefährlichen Fertigungsumgebungen zu erkennen und zu verfolgen. Gefährliche Bereiche können markiert und mithilfe von computer vision-Systemen ständig überwacht werden, und Vorgesetzte können benachrichtigt werden, wenn sich Arbeiter (die verfolgt werden) solchen Bereichen nähern. Solche safety systems können auch verwendet werden, um Ausrüstung zu erkennen und zu verfolgen, um die Gefahr von theft. zu verhindern.

Fig 4. Ein Beispiel für die Verwendung von YOLO11 Object detection zur Erkennung von Arbeitern.

Objekttracking und Überwachung mit Ultralytics YOLO11#

Echtzeit-Object-Tracking wird häufig in Sicherheits- und Überwachungssystemen eingesetzt. Diese Systeme können verwendet werden, um monitor public places, transportation hubs und große retail environments wie Einkaufszentren zu überwachen. Große, überfüllte Bereiche können diese Technologie nutzen, um verdächtige Personen oder das Verhalten von Menschenmengen zu verfolgen, was eine nahtlose Überwachungslösung bietet. Beispielsweise wurden während der Pandemie Object tracking-Systeme eingesetzt, um überfüllte Bereiche zu überwachen und sicherzustellen, dass die Menschen die soziale Distanzierung einhalten.

Object tracking kann auch im traffic surveillance eingesetzt werden. Object tracking ermöglicht es, das Verhalten von Fahrzeugen zu verfolgen und zu analysieren, ungewöhnliche oder verdächtige Aktionen in Echtzeit zu erkennen, um Unfälle oder Straftaten zu verhindern. Ein gutes Beispiel sind speed estimation-Systeme. Sie können track a vehicle erkennen und verfolgen, um dessen Geschwindigkeit zu bestimmen.

Fig 5. Die Geschwindigkeitsbestimmung kann mithilfe von Object tracking durchgeführt werden.

Objektverfolgung mit Ultralytics YOLO11 ausprobieren#

Nun, da wir einige Anwendungen von Object tracking erkundet haben, wollen wir besprechen, wie du es mit dem Ultralytics YOLO11 model ausprobieren kannst.

Um get started, installiere das Ultralytics Python package mit pip, conda oder Docker. Wenn du während der Installation auf Probleme stößt, bietet unser Common Issues Guide hilfreiche Tipps zur Fehlerbehebung.

Sobald du das Paket erfolgreich installed hast, führe den folgenden Code aus. Er beschreibt, wie das Ultralytics YOLO11-Modell geladen und verwendet wird, um Objekte in einer Videodatei zu verfolgen. 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 – klein (small), mittel (medium), groß (large) und extra groß (extra-large).

Abb. 6. Ein Code-Snippet, das das Objekttracking mit dem Ultralytics YOLO11-Modell zeigt.

Du kannst dich auch dafür entscheiden, anstelle eines vortrainierten Modells ein benutzerdefiniertes Modell zu verwenden. Benutzerdefiniertes Training beinhaltet das fine-tuning eines vortrainierten Modells, um es an deine specific application anzupassen.

Wie bereits erwähnt, wird Object tracking für die folgenden YOLO11-Modelle unterstützt: Objekterkennung, pose estimation und instance segmentation. Wenn du eine spezifische Anwendung hast, die Tracking beinhaltet, kannst du jedes dieser Modelle entsprechend deiner Anwendung benutzerdefiniert trainieren. Du kannst ein Modell mithilfe des Ultralytics Python package oder der no-code platform, Ultralytics HUB, benutzerdefiniert trainieren.

Wichtige 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.

Besuche unser GitHub-Repository, um mehr zu erfahren, und tausche dich mit unserer Community aus. Entdecke KI-Anwendungen im Bereich autonomes Fahren und in der Landwirtschaft auf unseren Lösungsseiten. 🚀