Ultralytics YOLOv8 für intelligentere Parkraummanagementsysteme

Es kann stressig sein, im Kreis zu fahren und nach einem Parkplatz zu suchen, besonders wenn du spät dran bist. Die herkömmliche Parkplatzsuche kann mühsam und zeitaufwendig sein. Ein durch künstliche Intelligenz (AI) und Computer Vision unterstütztes Parkraumbewirtschaftungssystem kann die Parkplatzsuche jedoch vereinfachen. Es kann die Verfügbarkeit von Parkplätzen besser vorhersehbar machen und Verkehrsstaus reduzieren.

In diesem Artikel zeigen wir dir, wie du Parkraumbewirtschaftungssysteme mit künstlicher Intelligenz und Computer Vision verbessern kannst. Außerdem gehen wir ein schrittweises Programmierbeispiel durch, das dir zeigt, wie du das Ultralytics YOLOv8-Modell verwenden kannst, um ein Parkraumbewirtschaftungssystem mit Computer Vision zu erstellen. Legen wir direkt los!

Probleme bei der herkömmlichen Parkraumbewirtschaftung#

Bevor wir uns mit KI-gestützten intelligenten Parkraumbewirtschaftungssystemen befassen, sehen wir uns die Probleme herkömmlicher Parkraumbewirtschaftungssysteme an.

Ein großes Problem herkömmlicher Systeme sind überfüllte Parkflächen: Auf Parkplätzen stehen mehr Autos als Stellplätze zur Verfügung stehen. Neben dem Zeitverlust bei der Parkplatzsuche führen überfüllte Parkplätze zu höherem Kraftstoffverbrauch und Luftverschmutzung. Ein weiteres Problem ist der Stress für Autofahrer. Einer Umfrage zufolge verbringen etwa 27 % der Menschen mindestens 30 Minuten mit der Parkplatzsuche. Außerdem gaben 43 % der Menschen an, sich wegen eines Parkplatzes bereits verbal mit Fremden gestritten zu haben.

Abb. 1. Ein gestresster Autofahrer. Bildquelle: Envato Elements.

KI erleichtert die Parkraumbewirtschaftung#

Mit KI ausgestattete Parkplätze sollen die Probleme herkömmlicher Parkraumbewirtschaftungssysteme lösen. Computer-Vision-Modelle wie das Ultralytics YOLOv8-Modell und hochauflösende Kameras können Parkplätze überwachen und in Echtzeit Informationen über freie und belegte Stellplätze liefern.

Wie funktioniert das? Ein Computer-Vision-Modell kann Aufnahmen hochauflösender Kameras analysieren, um Fahrzeuge zu erkennen, ihre Bewegungen zu verfolgen und freie Parkplätze zu identifizieren. Das Ultralytics YOLOv8-Modell unterstützt Computer-Vision-Aufgaben wie Objekterkennung und Objektverfolgung und kann Fahrzeuge innerhalb eines Videostreams präzise erkennen und klassifizieren. Durch den Vergleich der erkannten Fahrzeugpositionen mit den vordefinierten Parkflächen kann das System feststellen, ob ein Stellplatz belegt ist oder nicht.

Abb. 2. YOLOv8 erkennt Parkplätze.

Informationen zur Parkplatzverfügbarkeit aus dem visionbasierten System können in verschiedene Anwendungen integriert und für diese erweitert werden:

• Mobile Apps: Mobile Anwendungen können die Parkplatzverfügbarkeit in Echtzeit anzeigen und Autofahrern helfen, schnell und unkompliziert freie Parkplätze zu finden.
• Digitale Beschilderung: Digitale Anzeigen an den Einfahrten von Parkplätzen können die Anzahl verfügbarer Stellplätze anzeigen und Autofahrer zum nächstgelegenen freien Stellplatz leiten.
• Automatisierte Parksysteme: Die Daten können zur Steuerung automatisierter Schranken und Tore verwendet werden. So wird die Einfahrt nur bei verfügbaren Stellplätzen ermöglicht und Autofahrer werden zum nächstgelegenen freien Stellplatz geleitet.

Die Vorteile eines Parkraumbewirtschaftungssystems#

Erkenntnisse zur Parkplatzverfügbarkeit können zahlreiche Vorteile bieten. Aktualisierungen in Echtzeit helfen Autofahrern, direkt zu freien Stellplätzen zu fahren, wodurch der Verkehrsfluss verbessert und der Stress bei der Parkplatzsuche reduziert wird. Betreiber können anhand der Nutzung der Stellplätze den Parkplatz besser verwalten, die Sicherheit durch Überwachung in Echtzeit erhöhen und schnell auf Vorfälle reagieren.

Die Automatisierung von Parkfunktionen senkt die Kosten, da weniger manuelle Arbeit erforderlich ist. KI-Systeme erleichtern die Reservierung von Parkplätzen über mobile oder webbasierte Apps. So erhalten Autofahrer Benachrichtigungen zur Verfügbarkeit und sparen Zeit und Geld. Stadtplaner können diese Daten nutzen, um bessere Straßenführungen zu entwerfen, wirksame Parkregelungen durchzusetzen und neue Parkeinrichtungen zu entwickeln, die Städte effizienter und leichter navigierbar machen.

Abb. 3. Parkplätze über eine mobile App reservieren.

Probiere es selbst aus: Parkraumbewirtschaftung mit YOLOv8#

Nachdem wir nun ein klares Verständnis der Parkraumbewirtschaftung und ihrer Vorteile gewonnen haben, zeigen wir dir, wie du ein visionbasiertes Parkraumbewirtschaftungssystem erstellen kannst. Wir verwenden das YOLOv8-Modell, um Fahrzeuge zu erkennen, Parkplätze zu überwachen und ihren Belegungsstatus zu bestimmen.

In diesem Beispiel kannst du ein Video oder einen Kamerastream eines Parkplatzes verwenden. Beachte, dass die maximal unterstützte Bildgröße dieses Beispiels 1920 * 1080 beträgt. Denke vor dem Start daran, dass dieses System auf einer präzisen Fahrzeugerkennung und vordefinierten Koordinaten der Parkflächen beruht.

Die Kamerakalibrierung und Umgebungsfaktoren können die Genauigkeit der Erkennung von Stellplätzen und des Belegungsstatus beeinflussen. Verarbeitungsgeschwindigkeit und Genauigkeit können außerdem je nach Leistung deiner GPU variieren.

Schritt 1: Beginnen wir mit der Installation des Ultralytics-Pakets. Öffne deine Eingabeaufforderung oder dein Terminal und führe den folgenden Befehl aus.

pip install ultralytics

Ausführliche Anweisungen und bewährte Vorgehensweisen zur Installation findest du in unserem Ultralytics-Installationsleitfaden. Falls bei der Installation der für YOLOv8 erforderlichen Pakete Probleme auftreten, bietet unser Leitfaden zu häufigen Problemen Lösungen und hilfreiche Tipps.

Schritt 2: Wir müssen Parkplätze vorauswählen, damit wir die relevanten Bereiche in deinem Videomaterial markieren können. Führe diesen Code aus, um die Benutzeroberfläche zur Vorauswahl von Parkplätzen zu öffnen.

from ultralytics import solutions

solutions.ParkingPtsSelection()

Wie unten gezeigt wird beim Ausführen dieses Codes eine Benutzeroberfläche geöffnet. Erstelle ein Einzelbild oder einen Screenshot deines Eingangsvideos eines Parkplatzes und lade es hoch. Zeichne Begrenzungsrahmen um die Parkplätze und klicke anschließend auf die Speicheroption. Die Informationen zu den ausgewählten Parkplätzen werden in einer JSON-Datei mit dem Namen „bounding_boxes.json“ gespeichert.

Abb. 4. Parkplätze in deinem Videomaterial auswählen.

Schritt 3: Nun kommen wir zum Hauptcode für die Parkraumbewirtschaftung. Importiere zunächst alle erforderlichen Bibliotheken und initialisiere die in Schritt 2 erstellte JSON-Datei.

import cv2
from ultralytics import solutions

polygon_json_path = "bounding_boxes.json"

Schritt 4: Erstelle ein VideoCapture-Objekt, um die Eingabevideodatei zu lesen, und stelle sicher, dass die Videodatei erfolgreich geöffnet wurde.

cap = cv2.VideoCapture("Path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"

Schritt 5: Initialisiere alle benötigten Videoeigenschaften, etwa Breite, Höhe und Bilder pro Sekunde.

w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

Schritt 6: Erstelle als Nächstes ein VideoWriter-Objekt, um die abschließend verarbeitete Videodatei zu speichern.

video_writer = cv2.VideoWriter("parking management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

Schritt 7: Hier initialisieren wir das Parkraumbewirtschaftungssystem mit dem Ultralytics YOLOv8-Modell zur Erkennung von Parkplätzen.

management = solutions.ParkingManagement(model_path="yolov8n.pt")

Schritt 8: Nun durchlaufen wir die Videodatei zur Verarbeitung Bild für Bild. Wenn keine Bilder gelesen werden, wird die Schleife beendet.

while cap.isOpened():
    ret, im0 = cap.read()
    if not ret:
        break

Schritt 9: Innerhalb der Schleife extrahieren wir die vorausgewählten Parkbereiche aus der JSON-Datei und verfolgen die Objekte im Bild mithilfe des YOLOv8-Modells.

json_data = management.parking_regions_extraction(polygon_json_path)
results = management.model.track(im0, persist=True, show=False)

Schritt 10: Dieser Teil der Schleife verarbeitet die Verfolgungsergebnisse und ermittelt die Koordinaten der Begrenzungsrahmen sowie die Klassenbezeichnungen der erkannten Objekte.

if results[0].boxes.id is not None:
    boxes = results[0].boxes.xyxy.cpu().tolist()
    clss = results[0].boxes.cls.cpu().tolist()
    management.process_data(json_data, im0, boxes, clss)

Schritt 11: Der letzte Teil der Schleife zeigt das aktuelle Bild mit Annotationen an und schreibt das verarbeitete Bild in die Ausgabedatei „parking management.avi“.

management.display_frames(im0)
video_writer.write(im0)

Schritt 12: Schließlich können wir die VideoCapture- und VideoWriter-Objekte freigeben und alle Fenster schließen.

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Schritt 13: Speichere dein Skript. Wenn du in deinem Terminal oder an der Eingabeaufforderung arbeitest, führe das Skript mit dem folgenden Befehl aus:

python your_script_name.py

Sieh dir gerne die offizielle Dokumentation von Ultralytics an, wenn du mehr über den Code erfahren möchtest.

Herausforderungen eines automatisierten Parkraumbewirtschaftungssystems#

Intelligente Parksysteme bieten sowohl Autofahrern als auch Unternehmen viele Vorteile. Sie bringen jedoch auch einige Herausforderungen mit sich, die vor der Einführung solcher Lösungen berücksichtigt werden sollten. Sehen wir uns einige davon an.

• Datenschutzbedenken: Diese Systeme erfassen Informationen wie Marke und Modell des Autos einer Person, das Kennzeichen, Ein- und Ausfahrtszeit und Ähnliches.
• Hohe Installationskosten: Sensoren, Kameras, automatisierte Ticketautomaten und KI-Software können teuer in der Installation sein.
• Wartungsanforderungen: Die Wartungshäufigkeit hängt vom KI-System ab, die meisten Systeme müssen jedoch monatlich gewartet werden.

Die Zukunft intelligenter Parksysteme#

Bei der innovativen Parkraumbewirtschaftung der Zukunft wird es darum gehen, modernste Technologien wie KI, selbstfahrende Autos und virtuelle Realität einzusetzen, um das Parkerlebnis insgesamt zu verbessern und die Nachhaltigkeit zu fördern. In Verbindung mit diesen Systemen können selbstfahrende Autos ohne menschliches Eingreifen zu Parkplätzen navigieren und dort parken. Diese Systeme helfen Unternehmen außerdem, mehr Parkplätze zu belegen und ihre Dienstleistungen über mehrere Apps und Websites zu bewerben. Sie reduzieren auch die Kohlenstoffemissionen, die entstehen, wenn Autofahrer auf der Suche nach einem Parkplatz umherfahren.

Schluss mit dem Parkstress#

KI-Modelle wie Ultralytics YOLOv8 und Computer Vision können deinen Parkplatz grundlegend verbessern. Sie verringern die Zeit, die bei der Suche nach freien Stellplätzen durch Umherfahren verloren geht, sparen dir Zeit und reduzieren Emissionen. Diese intelligenten Parkraumbewirtschaftungssysteme lösen häufige Probleme wie Verkehrsstaus, illegales Parken und Frust bei Autofahrern. Die anfängliche Investition ist zwar beträchtlich, doch die langfristigen Vorteile sind erheblich. Investitionen in intelligentes Parken sind entscheidend für nachhaltige Städte und ein reibungsloseres Parkerlebnis für alle.

Möchtest du mehr über KI erfahren? Vernetze dich mit unserer Community! Besuche unser GitHub-Repository, um mehr darüber zu erfahren, wie wir KI nutzen, um innovative Lösungen in verschiedenen Branchen wie dem Gesundheitswesen und der Landwirtschaft zu entwickeln. Arbeite mit uns zusammen, entwickle Innovationen und lerne mit uns! 🚀