20. November 2024
Begleiten Sie uns, während wir uns genauer ansehen, wie Ultralytics YOLO11 für die Objektverfolgung in Echtzeitanwendungen wie Überwachung, Landwirtschaft und Fertigung eingesetzt werden kann.
Nehmen wir an, Sie möchten die Bewegung von Komponenten auf einem Montageband in einer Fertigungsanlage überwachen und verfolgen, um die Qualitätskontrolle sicherzustellen und die Effizienz des Arbeitsablaufs zu verbessern. Normalerweise würde dies manuelle Inspektionen oder die Verwendung einfacher Sensoren zur Verfolgung von Objekten erfordern, was zeitaufwendig und fehleranfällig sein kann. Allerdings können Computer Vision und Objektverfolgung verwendet werden, um diesen Prozess zu automatisieren und zu verbessern.
Objektverfolgung ist eine Computer-Vision-Aufgabe, die hilft, Objekte in einem Video zu erkennen, zu identifizieren und zu verfolgen. Sie kann für eine Vielzahl von Anwendungen eingesetzt werden, von der Tierüberwachung auf Bauernhöfen bis hin zu Sicherheit und Überwachung in Einzelhandelsgeschäften. Die Objekte, die in einem Video verfolgt werden, werden normalerweise mithilfe von Bounding Boxes (Begrenzungsrahmen) visualisiert, um dem Benutzer zu helfen, genau zu sehen, wo sie sich befinden und innerhalb des Videobildes erkannt werden.
Ultralytics YOLO11 wurde während des jährlichen hybriden Events von Ultralytics, YOLO Vision 2024 (YV24), vorgestellt und ist ein Computer-Vision-Modell, das eine Vielzahl von Vision-KI-Aufgaben bewältigen kann, einschließlich Objektverfolgung. In diesem Artikel werden wir untersuchen, wie Objektverfolgung funktioniert, und reale Anwendungen diskutieren. Wir werden uns auch ansehen, wie Sie die Objektverfolgung mit YOLO11 ausprobieren können. Los geht's!
Objektverfolgung ist eine wesentliche Computer-Vision-Technik. Sie ermöglicht es, Objekte in einem Video zu identifizieren und im Laufe der Zeit zu verfolgen. Objektverfolgung kann einer anderen Computer-Vision-Aufgabe sehr ähnlich erscheinen - der Objekterkennung. Der Hauptunterschied zwischen den beiden liegt in der Art und Weise, wie sie Videobilder verarbeiten. Die Objekterkennung betrachtet jedes Bild einzeln und identifiziert und klassifiziert Objekte, ohne vorherige oder zukünftige Bilder zu berücksichtigen. Die Objektverfolgung hingegen verbindet die Punkte zwischen den Bildern, verfolgt dieselben Objekte im Laufe der Zeit und behält ihre Bewegungen im Auge.
Hier ist eine detailliertere Beschreibung der Funktionsweise der Objektverfolgung:
Ultralytics unterstützt die Echtzeit-Objektverfolgung durch den Einsatz fortschrittlicher Tracking-Algorithmen wie BoT-SORT und ByteTrack. Es funktioniert auch nahtlos mit Segmentierung und Pose Estimation YOLO11-Modellen, was es zu einem flexiblen Werkzeug für eine Vielzahl von Tracking-Aufgaben macht.
Die vielseitigen Fähigkeiten des Ultralytics YOLO11-Modells eröffnen eine breite Palette möglicher Anwendungen in vielen Branchen. Werfen wir einen genaueren Blick auf einige Anwendungsfälle der YOLO11-Objektverfolgung.
Die Objektverfolgung ist entscheidend, um selbstfahrenden Autos zu helfen, sicher und effizient zu fahren. Diese Fahrzeuge müssen ihre Umgebung ständig verstehen, um Echtzeitentscheidungen zu treffen, wie z. B. Anhalten, Abbiegen oder Spurwechsel. Die Objekterkennung ermöglicht es dem Auto, Schlüsselelemente in seiner Umgebung zu identifizieren, wie z. B. Fußgänger, Radfahrer, andere Fahrzeuge und Verkehrsschilder. Es reicht jedoch nicht aus, diese Objekte in einem einzigen Moment zu erkennen, um sicher zu navigieren.
Hier kommt die Objektverfolgung ins Spiel. Sie ermöglicht es dem Auto, diese Objekte im Laufe der Zeit zu verfolgen und ihre Bewegungen über mehrere Frames hinweg zu verfolgen. Zum Beispiel hilft sie autonomen Fahrzeugen, vorherzusagen, wohin ein Fußgänger geht, die Geschwindigkeit und Richtung von Fahrzeugen in der Nähe 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 und reibungslos fahren.
Das Tracking von Tieren auf einem Bauernhof, wie z. B. Rindern, ist entscheidend für ein effektives Management, kann aber eine mühsame und zeitaufwändige Aufgabe sein. Traditionelle Methoden, wie z. B. der Einsatz von Sensoren oder Markierungen, haben oft Nachteile. Diese Geräte können die Tiere bei der Anbringung stressen und fallen leicht ab oder werden beschädigt, was die Verfolgung unterbricht.
Computer Vision bietet eine bessere Lösung für Landwirte zur Überwachung und Verfolgung von Tieren, ohne dass physische Markierungen erforderlich sind. Die Objektverfolgung kann Landwirten wertvolle Einblicke in das Verhalten und die Gesundheit der Tiere geben. Sie kann beispielsweise helfen, Erkrankungen wie Lahmheit zu erkennen, die die Art und Weise beeinflussen, wie sich ein Tier bewegt. 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 z. B. soziale Interaktionen, Essgewohnheiten und Bewegungsmuster. Diese Erkenntnisse können die Herdenhaltung verbessern, Fütterungspläne optimieren und das allgemeine Wohlbefinden der Tiere fördern. Durch die Reduzierung manueller Arbeit und die Minimierung von Stress für die Tiere ist die Computer Vision-basierte Verfolgung ein praktisches und effizientes Werkzeug für die moderne Landwirtschaft.
Die Objektverfolgung hat viele Anwendungsfälle im Fertigungssektor. So können beispielsweise Objekterkennungs- und -verfolgungssysteme Produktionslinien überwachen. Produkte oder Rohstoffe können leicht verfolgt und gezählt werden, während sie sich auf einem Förderband bewegen. Diese Systeme können auch mit anderen Computer Vision-Systemen integriert werden, um zusätzliche Aufgaben auszuführen. So kann beispielsweise ein Artikel mit einem Defekt mithilfe eines Fehlererkennungssystems identifiziert und mithilfe der Objektverfolgung verfolgt werden, um sicherzustellen, dass er ordnungsgemäß behandelt wird.
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. Gefährliche Bereiche können mithilfe von Computer Vision-Systemen markiert und ständig überwacht werden, und Vorgesetzte können benachrichtigt werden, wenn sich Arbeiter (die verfolgt werden) solchen Bereichen nähern. Solche Sicherheitssysteme können auch verwendet werden, um Geräte zu erkennen und zu verfolgen, wodurch die Wahrscheinlichkeit eines Diebstahls verhindert wird.
Die Echtzeit-Objektverfolgung wird häufig in Sicherheits- und Überwachungssystemen eingesetzt. Diese Systeme können zur Überwachung öffentlicher Plätze, von Verkehrsknotenpunkten und großen Einzelhandelsumgebungen wie Einkaufszentren eingesetzt werden. In großen, überfüllten Bereichen kann diese Technologie eingesetzt werden, um verdächtige Personen oder das Verhalten von Menschenmassen zu verfolgen und so eine nahtlose Überwachungslösung zu bieten. Während der Pandemie wurden beispielsweise Objektverfolgungssysteme eingesetzt, um überfüllte Bereiche zu verfolgen und sicherzustellen, dass die Menschen soziale Distanz wahren.
Die Objektverfolgung kann auch in der Verkehrsüberwachung eingesetzt werden. Die Objektverfolgung ermöglicht es, das Verhalten von Fahrzeugen zu verfolgen und zu analysieren und ungewöhnliche oder verdächtige Aktionen in Echtzeit zu erkennen, um Unfälle oder Verbrechen zu verhindern. Ein gutes Beispiel sind Geschwindigkeitsmesssysteme. Sie können ein Fahrzeug erkennen und verfolgen, um seine Geschwindigkeit zu bestimmen.
Nachdem wir nun einige der Anwendungen der Objektverfolgung untersucht haben, wollen wir uns ansehen, wie Sie sie mit dem Ultralytics YOLO11-Modell ausprobieren können.
Um loszulegen, installieren Sie das Ultralytics Python-Paket mit pip, conda oder Docker. Wenn Sie bei der Installation auf Probleme stoßen, bietet unser Leitfaden zu häufigen Problemen hilfreiche Tipps zur Fehlerbehebung.
Sobald Sie das Paket erfolgreich installiert haben, führen Sie den folgenden Code aus. Er beschreibt, wie Sie das Ultralytics YOLO11-Modell laden und damit Objekte in einer Videodatei verfolgen können. 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.
Sie können auch ein benutzerdefiniert trainiertes Modell anstelle eines vortrainierten Modells verwenden. Das benutzerdefinierte Training umfasst das Fine-Tuning eines vortrainierten Modells, um es an Ihre spezifische Anwendung anzupassen.
Wie bereits erwähnt, wird die Objektverfolgung für die folgenden YOLO11-Modelle unterstützt: Objekterkennung, Pose Estimation und Instanzsegmentierung. Wenn Sie eine spezielle Anwendung mit Verfolgung haben, können Sie jedes dieser Modelle je nach Anwendung benutzerdefiniert trainieren. Sie können ein Modell mit dem Ultralytics Python-Paket oder der No-Code-Plattform Ultralytics HUB benutzerdefiniert trainieren.
Ultralytics YOLO11 ist ein großartiges Werkzeug zur Verfolgung von Objekten in Videos und kann in vielen verschiedenen Bereichen eingesetzt werden, z. B. in selbstfahrenden Autos, in der Landwirtschaft, in der Fertigung und in der Sicherheit. Es kann Objekte in Echtzeit erkennen und verfolgen und hilft Unternehmen und Industrien, ihre Mitarbeiter und Geräte im Auge 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 daran interessiert sind, Computer-Vision-Funktionen nahtlos zu übernehmen.
Um mehr zu erfahren, besuchen Sie unser GitHub-Repository und treten Sie mit unserer Community in Kontakt. Entdecken Sie KI-Anwendungen in selbstfahrenden Autos und der Landwirtschaft auf unseren Lösungsseiten. 🚀
.webp)