Ultralytics YOLOv8 für intelligentere Parkmanagementsysteme

Es kann stressig sein, in Warteschleifen um einen Parkplatz zu fahren, besonders wenn du unter Zeitdruck stehst. Die herkömmliche Suche nach einem Parkplatz kann mühsam und zeitaufwendig sein. Ein durch künstliche Intelligenz (KI) und Computer Vision gesteuertes Parkraum-Managementsystem kann die Dinge jedoch vereinfachen. Es macht die Parkplatzverfügbarkeit vorhersehbarer und reduziert das Verkehrsaufkommen.

In diesem Artikel lernen wir, wie man Parkraum-Managementsysteme mit künstlicher Intelligenz und Computer Vision aufrüstet. Wir gehen außerdem ein Schritt-für-Schritt-Codierungsbeispiel durch, um dir zu zeigen, wie du das Ultralytics YOLOv8 Modell nutzen kannst, um ein Computer-Vision-gestütztes Parkraum-Managementsystem zu erstellen. Fangen wir direkt an!

Link to this sectionProbleme beim herkömmlichen Parkplatzmanagement#

Bevor wir KI-gestützte intelligente Parkraum-Managementsysteme besprechen, schauen wir uns die Probleme bei herkömmlichen Systemen an.

Ein großes Problem bei herkömmlichen Systemen ist die Überfüllung von Parkplätzen; es befinden sich mehr Autos auf dem Parkplatz als verfügbare Stellplätze. Abgesehen von der Zeitverschwendung bei der Parkplatzsuche führt Überfüllung zu erhöhtem Kraftstoffverbrauch und Luftverschmutzung. Ein weiteres Problem ist der Stress für den Fahrer. Laut einer Umfrage verbringen etwa 27 % der Menschen mindestens 30 Minuten damit, nach Parkplätzen zu suchen. Außerdem gaben 43 % der Befragten an, schon einmal in verbale Auseinandersetzungen mit Fremden über Parkplätze geraten zu sein.

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

Link to this sectionKI erleichtert das Parkplatzmanagement#

Parkplätze mit integrierter KI zielen darauf ab, die Probleme herkömmlicher Parkraum-Managementsysteme zu lösen. Computer-Vision-Modelle wie das Ultralytics YOLOv8 Modell und hochauflösende Kameras können Parkplätze überwachen und Echtzeit-Updates über verfügbare und belegte Stellplätze liefern.

Wie funktioniert das? Ein Computer-Vision-Modell kann Aufnahmen von hochauflösenden Kameras analysieren, um Fahrzeuge zu erkennen, ihre Bewegungen zu verfolgen und verfügbare Parkplätze zu identifizieren. Das Ultralytics YOLOv8 Modell unterstützt Computer-Vision-Aufgaben wie object detection und object tracking und kann Fahrzeuge in einem Video-Feed präzise identifizieren und klassifizieren. Durch den Vergleich der erkannten Fahrzeugpositionen mit den vordefinierten Parkplätzen kann das System feststellen, ob ein Parkplatz belegt ist oder nicht.

Abb. 2. YOLOv8 erkennt Parkplätze.

Informationen über die Parkplatzverfügbarkeit aus dem vision-basierten System können integriert und in verschiedene Anwendungen erweitert werden:

• Mobile Apps: Mobile Anwendungen können die Verfügbarkeit von Parkplätzen in Echtzeit anzeigen und Fahrern helfen, schnell und einfach freie Plätze zu finden.
• Digitale Beschilderung: Digitale Schilder an Parkplatzeinfahrten können die Anzahl der verfügbaren Plätze anzeigen und Fahrer zum nächsten freien Platz leiten.
• Automatisierte Parksysteme: Die Daten können zur Steuerung von automatischen Schranken und Toren verwendet werden, die die Einfahrt nur erlauben, wenn Plätze verfügbar sind, und die Fahrer zum nächsten freien Platz führen.

Link to this sectionDie Vorteile eines Parkraum-Managementsystems#

Einblicke in die Parkplatzverfügbarkeit können viele Vorteile bieten. Echtzeit-Updates helfen Fahrern, direkt zu freien Plätzen zu fahren, was den Verkehrsfluss glättet und den Stress bei der Parkplatzsuche reduziert. Für Betreiber bedeutet das Verständnis der Parkplatznutzung, dass sie den Parkplatz besser verwalten, die Sicherheit durch Echtzeitüberwachung verbessern und schnell auf Zwischenfälle reagieren können.

Die Automatisierung von Parkfunktionen senkt Kosten, da weniger manueller Arbeitsaufwand erforderlich ist. KI-Systeme erleichtern die Reservierung von Parkplätzen über Mobil- oder Web-Apps, sodass Fahrer Benachrichtigungen über die Verfügbarkeit erhalten und Zeit sowie Geld sparen können. Stadtplaner können diese Daten nutzen, um bessere Straßenführungen zu entwerfen, effektive Parkvorschriften durchzusetzen und neue Parkanlagen zu entwickeln, die Städte effizienter und leichter befahrbar machen.

Abb. 3. Reserviere Parkplätze über eine mobile App.

Link to this sectionProbiere es selbst aus: Parkraummanagement mit YOLOv8#

Nachdem wir nun ein klares Verständnis vom Parkraummanagement und dessen Vorteilen haben, lass uns eintauchen, wie du ein bildbasiertes Parkraummanagementsystem build kannst. Wir verwenden das YOLOv8-Modell, um Fahrzeuge zu erkennen, Parkplätze zu überwachen und deren Belegungsstatus zu bestimmen.

In diesem Beispiel kannst du ein Video oder einen Kamerastream eines Parkplatzes verwenden. Bitte beachte, dass die maximal unterstützte Bildgröße für dieses Beispiel 1920 * 1080 beträgt. Bevor wir beginnen, denke daran, dass dieses System auf genauer Fahrzeugerkennung und vordefinierten Koordinaten der Parkplätze basiert.

Kamerakalibrierung und Umwelteinflüsse können die Genauigkeit der Platzerkennung und den Belegungsstatus beeinflussen. Die Verarbeitungsgeschwindigkeit und Genauigkeit können 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

Beziehe dich auf unsere Ultralytics Installationsanleitung für detaillierte Anweisungen und bewährte Verfahren zum Installationsprozess. Solltest du bei der Installation der erforderlichen Pakete für YOLOv8 auf Probleme stoßen, bietet unsere Anleitung zu häufigen Problemen Lösungen und hilfreiche Tipps.

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

from ultralytics import solutions

solutions.ParkingPtsSelection()

Wie unten gezeigt, öffnet sich beim Ausführen dieses Codes eine Benutzeroberfläche. Mache ein Bild oder einen Screenshot deines Eingangsvideos von einem Parkplatz und lade es hoch. Nachdem du Begrenzungsrahmen um die Parkplätze gezeichnet hast, klicke auf die Speichern-Option. Deine ausgewählten Informationen zu den Parkplätzen werden in einer JSON-Datei mit dem Namen ‘bounding_boxes.json’ gespeichert.

Abb. 4. Auswählen von Parkplätzen in deinem Videomaterial.

Schritt 3: Jetzt können wir uns dem Hauptcode für das Parkraummanagement widmen. Beginne damit, alle erforderlichen Bibliotheken zu importieren und die JSON-Datei zu initialisieren, die wir in Schritt 2 erstellt haben.

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, wie 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: Als Nächstes können wir ein VideoWriter-Objekt erstellen, um die endgültige verarbeitete Videodatei zu speichern.

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

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

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

Schritt 8: Jetzt gehen wir die Videodatei Frame für Frame zur Verarbeitung durch. Wenn keine Frames gelesen werden, wird die Schleife unterbrochen.

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 Frame 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 Tracking-Ergebnisse und erhält die Bounding-Box-Koordinaten sowie die Klassenkennzeichnungen 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 umfasst die Anzeige des aktuellen Frames mit Anmerkungen und das Schreiben des verarbeiteten Frames in die Ausgabevideodatei “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 von deinem Terminal oder deiner Eingabeaufforderung aus arbeitest, führe das Skript mit dem folgenden Befehl aus:

python your_script_name.py

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

Link to this sectionHerausforderungen eines automatisierten Parkraum-Managementsystems#

Intelligente Parksysteme bieten sowohl Fahrern als auch Unternehmen viele Vorteile. Sie bringen jedoch auch einige Herausforderungen mit sich, die vor der Implementierung solcher Lösungen berücksichtigt werden sollten. Lass uns einen Blick auf einige davon werfen.

• Datenschutzbedenken: Diese Systeme erfassen Informationen wie Marke und Modell des individuellen Autos, das Kennzeichen, die Zeit der Einfahrt und Ausfahrt usw.
• Hohe Installationskosten: Sensoren, Kameras, automatisierte Ticketautomaten und KI-Software können teuer in der Installation sein.
• Wartungsanforderungen: Die Häufigkeit der Wartung hängt vom KI-System ab, aber die meisten Systeme erfordern eine monatliche Wartung.

Link to this sectionDie Zukunft intelligenter Parksysteme#

Innovatives Parkmanagement wird in Zukunft darauf ausgerichtet sein, modernste Technologien wie KI, selbstfahrende Autos und virtuelle Realität zu nutzen, um das gesamte Parkerlebnis zu verbessern und die Nachhaltigkeit zu fördern. Wenn sie in diese Systeme integriert sind, werden selbstfahrende Autos in der Lage sein, ohne menschliches Eingreifen zu Parkplätzen zu navigieren und einzuparken. Diese Systeme helfen Unternehmen auch dabei, mehr Parkplätze zu belegen und ihre Dienstleistungen über verschiedene Apps und Websites zu bewerben. Sie reduzieren zudem die CO2-Emissionen, die durch Fahrer entstehen, die nach einem Parkplatz suchen.

Link to this sectionParkprobleme beenden#

KI-Modelle wie Ultralytics YOLOv8 und Computer Vision können deinen Parkplatz verwandeln. Sie reduzieren die Parkplatzsuche drastisch, sparen dir Zeit und senken die Emissionen. Diese intelligenten Parkraum-Managementsysteme gehen gängige Probleme wie Stau, illegales Parken und Frustration bei Fahrern an. Obwohl eine anfängliche Investition erforderlich ist, sind die langfristigen Vorteile erheblich. Die Investition in intelligentes Parken ist der Schlüssel zur Schaffung nachhaltiger Städte und eines reibungsloseren Parkerlebnisses für alle.

Möchtest du mehr über KI erfahren? Vernetze dich mit unserer Community! Entdecke unser GitHub Repository, um mehr darüber zu erfahren, wie wir KI nutzen, um innovative Lösungen in verschiedenen Branchen wie Gesundheitswesen und Landwirtschaft zu schaffen. Arbeite zusammen, sei innovativ und lerne mit uns! 🚀