20. November 2024
Sehen Sie sich mit uns an, 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 Fließband in einer Fertigungsanlage überwachen und verfolgen, um die Qualitätskontrolle zu gewährleisten und die Effizienz des Arbeitsablaufs zu verbessern. Normalerweise würde dies manuelle Inspektionen oder die Verwendung einfacher Sensoren zur Verfolgung von Objekten erfordern, was zeitaufwändig und fehleranfällig sein kann. Mit Hilfe von Computer Vision und Objektverfolgung lässt sich dieser Prozess jedoch automatisieren und verbessern.
Bei der Objektverfolgung handelt es sich um eine Computer-Vision-Aufgabe, 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 Tierüberwachung auf Bauernhöfen bis hin zur Sicherheit und Überwachung in Einzelhandelsgeschäften. Die in einem Video verfolgten Objekte werden in der Regel mithilfe von Begrenzungsrahmen (Bounding Boxes) visualisiert, damit der Benutzer genau sehen kann, wo sie sich im Videobild befinden und erkannt werden.
Ultralytics YOLO11 wurde auf der jährlichen Hybrid-Veranstaltung von Ultralytics, YOLO Vision 2024 (YV24), vorgestellt und ist ein Computer-Vision-Modell, das eine Vielzahl von Vision AI-Aufgaben bewältigen kann, darunter auch die Objektverfolgung. In diesem Artikel erfahren Sie, wie die Objektverfolgung funktioniert und wie sie in der Praxis eingesetzt wird. Wir werden auch einen Blick darauf werfen, wie Sie die Objektverfolgung mit YOLO11 ausprobieren können. Fangen wir an!
Die Objektverfolgung ist eine wichtige Technik der Computer Vision. Sie ermöglicht es, Objekte in einem Video zu identifizieren und über einen längeren Zeitraum zu verfolgen. Die Objektverfolgung kann einer anderen Bildverarbeitungsaufgabe - der Objekterkennung- sehr ähnlich sein. Der Hauptunterschied zwischen den beiden Verfahren liegt in der Art und Weise, wie sie mit Videobildern umgehen. Bei der Objekterkennung wird jedes Bild einzeln betrachtet, um Objekte zu identifizieren und zu klassifizieren, ohne vorherige oder zukünftige Bilder zu berücksichtigen. Bei der Objektverfolgung hingegen werden die Punkte zwischen den Einzelbildern miteinander verbunden, indem dieselben Objekte über einen längeren Zeitraum verfolgt und ihre Bewegungen verfolgt werden.
Im Folgenden wird die Funktionsweise der Objektverfolgung genauer erläutert:
Ultralytics unterstützt die Objektverfolgung in Echtzeit, indem es fortschrittliche Verfolgungsalgorithmen wie BoT-SORT und ByteTrack einsetzt. Es arbeitet außerdem nahtlos mit YOLO11-Modellen zur Segmentierung und Posenschätzung und ist damit ein flexibles Werkzeug für eine Vielzahl von Tracking-Aufgaben.
Die vielseitigen Fähigkeiten des YOLO11-Modells von Ultralytics eröffnen eine breite Palette von Anwendungsmöglichkeiten in vielen Branchen. Werfen wir einen genaueren Blick auf einige Anwendungsfälle der YOLO11-Objektverfolgung.
Die Verfolgung von Objekten ist für den sicheren und effizienten Betrieb von selbstfahrenden Autos entscheidend. Diese Fahrzeuge müssen ständig ihre Umgebung kennen, um Entscheidungen in Echtzeit treffen zu können, z. B. Anhalten, Abbiegen oder Spurwechsel. Die Objekterkennung ermöglicht es dem Fahrzeug, Schlüsselelemente in seiner Umgebung zu identifizieren, z. B. Fußgänger, Radfahrer, andere Fahrzeuge und Verkehrsschilder. Für eine sichere Navigation reicht es jedoch nicht aus, diese Objekte in einem einzigen Moment zu erkennen.
An dieser Stelle kommt die Objektverfolgung ins Spiel. Sie ermöglicht es dem Auto, diesen Objekten über einen längeren Zeitraum zu folgen und ihre Bewegungen über mehrere Bilder hinweg zu verfolgen. So können autonome Fahrzeuge beispielsweise vorhersagen, wohin ein Fußgänger geht, die Geschwindigkeit und Richtung von Fahrzeugen in der Nähe überwachen oder erkennen, dass eine Ampel nicht umgeschaltet hat. Durch die Kombination von Erkennung und Verfolgung können selbstfahrende Autos die Bewegung von Objekten in ihrer Umgebung vorhersehen, proaktiv darauf reagieren und sicher und reibungslos fahren.
Die Nachverfolgung von Tieren in einem landwirtschaftlichen Betrieb, z. B. von Rindern, ist für ein effizientes Management unerlässlich, kann aber eine mühsame und zeitraubende Aufgabe sein. Herkömmliche Methoden, wie die Verwendung von Sensoren oder Etiketten, haben oft Nachteile. Diese Geräte können die Tiere stressen, wenn sie angebracht werden, und sie fallen leicht ab oder werden beschädigt, was die Ortung unterbricht.
Die computergestützte Bildverarbeitung bietet den Landwirten eine bessere Lösung für die Überwachung und Verfolgung von Tieren, ohne dass physische Markierungen erforderlich sind. Die Objektverfolgung kann den Landwirten wertvolle Einblicke in das Verhalten und die Gesundheit der Tiere geben. So lassen sich beispielsweise Lahmheiten erkennen, die sich auf die Art und Weise auswirken, wie ein Tier läuft. Mithilfe der Objektverfolgung können Landwirte subtile Veränderungen in der Bewegung erkennen und Gesundheitsprobleme frühzeitig angehen.
Neben der Überwachung des Gesundheitszustands kann die computergestützte Bildverarbeitung den Landwirten auch 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 der manuellen Arbeit und die Minimierung des Stresses für die Tiere ist die computergestützte Überwachung ein praktisches und effizientes Werkzeug für die moderne Landwirtschaft.
Die Verfolgung von Objekten hat im Fertigungssektor viele Anwendungsfälle. Zum Beispiel können Objekterkennungs- und -verfolgungssysteme Produktionslinien überwachen. Produkte oder Rohmaterialien können auf einfache Weise 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 zu erfüllen. So kann beispielsweise ein defektes Produkt mit Hilfe eines Fehlererkennungssystems identifiziert und mit Hilfe der Objektverfolgung verfolgt werden, um sicherzustellen, dass es ordnungsgemäß entsorgt wird.
Eine weitere wichtige Anwendung der Objektverfolgung in der Fertigung betrifft die Sicherheit. Objektverfolgungssysteme können eingesetzt werden, um Arbeiter in potenziell gefährlichen Produktionsumgebungen zu erkennen und zu verfolgen. Gefährliche Bereiche können mit Hilfe von Computer-Vision-Systemen markiert und ständig überwacht werden, und die Aufsichtspersonen können benachrichtigt werden, wenn sich die (verfolgten) Arbeiter solchen Bereichen nähern. Solche Sicherheitssysteme können auch zur Erkennung und Verfolgung von Ausrüstungen eingesetzt werden, um Diebstähle zu verhindern .
Die Objektverfolgung in Echtzeit ist in Sicherheits- und Überwachungssystemen weit verbreitet. Diese Systeme können zur Überwachung öffentlicher Plätze, Verkehrsknotenpunkte und großer Einzelhandelsumgebungen wie Einkaufszentren eingesetzt werden. In großen, überfüllten Bereichen kann diese Technologie eingesetzt werden, um verdächtige Personen oder das Verhalten von Menschenmengen zu verfolgen und so eine nahtlose Überwachungslösung zu schaffen. Während der Pandemie wurden beispielsweise Objektverfolgungssysteme eingesetzt, um überfüllte Bereiche zu überwachen und sicherzustellen, dass die Menschen den sozialen Abstand wahren.
Die Objektverfolgung kann auch bei 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 Systeme zur Geschwindigkeitsschätzung. Sie können ein Fahrzeug erkennen und verfolgen, um seine Geschwindigkeit zu bestimmen.
Nachdem wir nun einige Anwendungen für die Objektverfolgung erkundet haben, wollen wir nun besprechen, wie Sie diese mit dem Ultralytics YOLO11-Modell ausprobieren können.
Um loszulegen, installieren Sie das Ultralytics Python-Paket mit pip, conda oder Docker. Wenn Sie während der Installation auf Probleme stoßen, finden Sie in unserem Leitfaden für häufige Probleme hilfreiche Tipps zur Fehlerbehebung.
Sobald Sie das Paket erfolgreich installiert haben, führen Sie den folgenden Code aus. Er beschreibt, wie das Ultralytics YOLO11-Modell geladen und zum Verfolgen von Objekten 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 - klein, mittel, groß und extragroß.
Sie können sich auch dafür entscheiden, ein benutzerdefiniertes Modell anstelle eines vordefinierten Modells zu verwenden. Bei der benutzerdefinierten Schulung wird ein vorab trainiertes Modell auf Ihre spezifische Anwendung abgestimmt.
Wie bereits erwähnt, wird die Objektverfolgung für die folgenden YOLO11-Modelle unterstützt: Objekterkennung, Posenschätzung und Instanzsegmentierung. Wenn Sie eine spezielle Anwendung haben, die Verfolgung beinhaltet, können Sie jedes dieser Modelle je nach Anwendung individuell trainieren. Sie können ein Modell mithilfe des Ultralytics Python-Pakets oder der codefreien Plattform Ultralytics HUB individuell 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 im Sicherheitsbereich. Es kann Objekte in Echtzeit erkennen und verfolgen und so Unternehmen und Branchen dabei helfen, 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 an einer nahtlosen Übernahme von Computer-Vision-Funktionen interessiert sind.
Um mehr zu erfahren, besuchen Sie unser GitHub-Repository und beteiligen Sie sich an unserer Community. Entdecken Sie KI-Anwendungen für selbstfahrende Autos und die Landwirtschaft auf unseren Lösungsseiten. 🚀
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
TR
VI
AR.webp)
