Ultralytics YOLOv8 für intelligentere Parkraummanagementsysteme

Es kann stressig sein, im Kreis herumzufahren, um einen Parkplatz zu finden, besonders wenn man spät dran ist. Die traditionelle Art der Parkplatzsuche kann mühsam und zeitaufwendig sein. Ein Parkraum-Managementsystem, das auf künstlicher Intelligenz (KI) und Computer Vision basiert, kann die Dinge jedoch vereinfachen. Es kann die Parkplatzverfügbarkeit besser vorhersagbar machen und die Verkehrsstaus reduzieren.

In diesem Artikel erfahren wir, wie man Parkraummanagementsysteme mit künstlicher Intelligenz und Computer Vision aufrüsten kann. Wir werden auch ein Schritt-für-Schritt-Beispiel durchgehen, um Ihnen zu zeigen, wie Sie das Ultralytics YOLOv8-Modell verwenden können, um ein Computer-Vision-gestütztes Parkraummanagementsystem zu erstellen. Los geht's!

Probleme mit der traditionellen Parkplatzverwaltung

Bevor wir uns mit KI-gestützten intelligenten Parkraummanagementsystemen befassen, wollen wir uns die Probleme herkömmlicher Parkraummanagementsysteme ansehen.

Ein großes Problem bei traditionellen Systemen sind überfüllte Parkplätze; es gibt mehr Autos auf den Parkplätzen als verfügbare Stellplätze. Abgesehen von der Zeitverschwendung bei der Parkplatzsuche führt die Überfüllung zu übermäßigem Kraftstoffverbrauch und Luftverschmutzung. Ein weiteres Problem ist der Stress der Fahrer. Laut einer Umfrage verbringen etwa 27 % der Menschen mindestens 30 Minuten mit der Suche nach einem Parkplatz. Außerdem gaben 43 % der Befragten zu, sich wegen Parkplätzen in Wortgefechte mit Fremden verwickelt zu haben.

‍

KI erleichtert die Verwaltung von Parkplätzen

Mit KI integrierte Parkplätze zielen darauf ab, die Probleme zu lösen, mit denen traditionelle Parkraumverwaltungssysteme konfrontiert sind. Computer-Vision-Modelle wie das Ultralytics YOLOv8-Modell und hochauflösende Kameras können Parkplätze überwachen und Echtzeit-Updates über verfügbare und belegte Parkplätze erhalten. 

Wie funktioniert das? Ein Computer-Vision-Modell kann Aufnahmen von hochauflösenden 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 in einem Video-Feed genau identifizieren und klassifizieren. Durch den Vergleich der erkannten Positionen der Fahrzeuge mit den vordefinierten Parkplätzen kann das System feststellen, ob ein Parkplatz belegt ist oder nicht.

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

• Mobile Apps: Mobile Anwendungen können die Echtzeit-Verfügbarkeit von Parkplätzen anzeigen und Fahrern helfen, freie Plätze schnell und einfach zu finden.
  ‍
• Digitale Beschilderung: Digitale Schilder an Parkplatzeinfahrten können die Anzahl der verfügbaren Plätze anzeigen und Fahrer zum nächstgelegenen freien Platz leiten.
  ‍
• Automatisierte Parksysteme: Die Daten können verwendet werden, um automatisierte Schranken und Tore zu steuern, die nur dann die Einfahrt ermöglichen, wenn Plätze frei sind, und die Fahrer zum nächstgelegenen freien Platz zu führen.

Die Vorteile eines Parkraummanagementsystems

Einblicke in die Parkplatzverfügbarkeit können viele Vorteile bieten. Echtzeit-Updates helfen Fahrern, direkt zu freien Plätzen zu fahren, wodurch der Verkehrsfluss reibungsloser wird und der Stress bei der Parkplatzsuche reduziert wird. Für Betreiber bedeutet das Verständnis, wie Stellplätze genutzt werden, dass sie das Gelände besser verwalten, die Sicherheit durch Echtzeitüberwachung verbessern und schnell auf Vorfälle reagieren können.

Die Automatisierung von Parkfunktionen senkt die Kosten, da weniger manuelle Arbeit erforderlich ist. KI-Systeme erleichtern die Reservierung von Parkplätzen über mobile Apps oder Webanwendungen, sodass Fahrer Benachrichtigungen über die Verfügbarkeit erhalten und Zeit und Geld sparen. Stadtplaner können diese Daten nutzen, um bessere Straßenlayouts zu entwerfen, effektive Parkvorschriften durchzusetzen und neue Parkmöglichkeiten zu entwickeln, die Städte effizienter und leichter navigierbar machen.

‍

Probieren Sie es selbst aus: Parkraummanagement mit YOLOv8

Nachdem wir nun ein klares Verständnis von Parkraummanagement und seinen Vorteilen haben, wollen wir uns ansehen, wie Sie ein System für visionsbasiertes Parkraummanagement aufbauen können. Wir werden das YOLOv8-Modell verwenden, um Fahrzeuge zu erkennen, Parkplätze zu überwachen und deren Belegungsstatus zu bestimmen.

In diesem Beispiel können Sie einen Video- oder Kamerastream eines Parkplatzes verwenden. Bitte beachten Sie, dass die maximal unterstützte Bildgröße für dieses Beispiel 1920 * 1080 beträgt. Bevor wir beginnen, denken Sie daran, dass dieses System auf einer genauen Fahrzeugerkennung und vordefinierten Parkplatzkoordinaten basiert. 

Die Kamerakalibrierung und Umweltfaktoren können die Genauigkeit der Raumerkennung und des Belegungsstatus beeinträchtigen. Die Verarbeitungsgeschwindigkeit und Genauigkeit können auch je nach Leistung Ihrer GPU variieren.

Schritt 1: Beginnen wir mit der Installation des Ultralytics-Pakets. Öffnen Sie Ihre Eingabeaufforderung oder Ihr Terminal und führen Sie den folgenden Befehl aus.

pip install ultralytics

In unserem Ultralytics Installationsleitfaden finden Sie detaillierte Anweisungen und Best Practices für den Installationsprozess. Sollten bei der Installation der erforderlichen Pakete für YOLOv8 Probleme auftreten, bietet unser Leitfaden zu häufigen Problemen Lösungen und hilfreiche Tipps.

Schritt 2: Wir müssen Parkplätze vorab auswählen, damit wir die interessierenden Bereiche in Ihrem Filmmaterial markieren können. Führen Sie diesen Code aus, um die Benutzeroberfläche zur Vorauswahl von Parkplätzen zu öffnen.

from ultralytics import solutions
solutions.ParkingPtsSelection()

Wie unten gezeigt, öffnet sich eine Benutzeroberfläche, wenn Sie diesen Code ausführen. Nehmen Sie einen Frame oder Screenshot Ihres Eingangsvideos von einem Parkplatz auf und laden Sie ihn hoch. Nachdem Sie Begrenzungsrahmen um die Parkplätze gezeichnet haben, klicken Sie auf die Speicheroption. Ihre ausgewählten Parkplatzinformationen werden in einer JSON-Datei mit dem Namen 'bounding_boxes.json' gespeichert.

‍

Schritt 3: Nun können wir zum Hauptcode für die Parkplatzverwaltung übergehen. Beginnen Sie mit dem Importieren aller erforderlichen Bibliotheken und der Initialisierung der JSON-Datei, die wir in Schritt 2 erstellt haben.

import cv2
from ultralytics import solutions

polygon_json_path = "bounding_boxes.json"

Schritt 4: Erstellen Sie ein VideoCapture-Objekt, um die Eingabevideodatei zu lesen und stellen Sie sicher, dass die Videodatei erfolgreich geöffnet wird.

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

Schritt 5: Initialisieren Sie 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 Parkraummanagementsystem mit dem Ultralytics YOLOv8-Modell zur Erkennung von Parkplätzen.

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

Schritt 8: Nun 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 mit dem YOLOv8-Modell.

 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 ruft die Bounding-Box-Koordinaten und die Klassenbezeichnungen der erkannten Objekte ab.

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: Abschließend können wir die VideoCapture- und VideoWriter-Objekte freigeben und alle Fenster zerstören.

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

Schritt 13: Speichern Sie Ihr Skript. Wenn Sie von Ihrem Terminal oder Ihrer Eingabeaufforderung aus arbeiten, führen Sie das Skript mit dem folgenden Befehl aus:

python your_script_name.py

Besuchen Sie gerne die offizielle Dokumentation von Ultralytics, wenn Sie mehr über den Code erfahren möchten.

Herausforderungen eines automatisierten Parkhausmanagementsystems

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. Werfen wir einen Blick auf einige davon.

• Bedenken in Bezug auf den Datenschutz: Diese Systeme sammeln Informationen wie die Marke und das Modell des Autos einer Person, das Nummernschild, die Zeit der Ein- und Ausfahrt usw.
  ‍
• Hohe Kosten für die Installation: Sensoren, Kameras, Fahrkartenautomaten und KI-Software können in der Installation teuer sein.
  ‍
• Wartungsanforderungen: Die Häufigkeit der Wartung hängt vom KI-System ab, aber die meisten Systeme erfordern eine monatliche Wartung.

Die Zukunft intelligenter Parksysteme

Innovatives Parkraummanagement in der Zukunft wird den Einsatz modernster Technologien wie KI, selbstfahrende Autos und virtuelle Realität beinhalten, um das gesamte Parkerlebnis zu verbessern und die Nachhaltigkeit zu fördern. Bei der Integration in diese Systeme können selbstfahrende Autos ohne menschliches Zutun zu Parkplätzen navigieren und parken. Diese Systeme helfen Unternehmen auch dabei, mehr Parkplätze zu belegen und ihre Dienstleistungen über mehrere Apps und Websites zu bewerben. Sie reduzieren auch die Anzahl der Kohlenstoffemissionen, die von Fahrern verursacht werden, die auf der Suche nach einem Parkplatz herumfahren.

Parkplatzprobleme beenden

KI-Modelle, wie Ultralytics YOLOv8, und Computer Vision können Ihren Parkplatz transformieren. Sie reduzieren das Kreisen auf der Suche nach Parkplätzen erheblich, sparen Ihnen Zeit und reduzieren Emissionen. Diese intelligenten Parkraummanagementsysteme gehen gängige Probleme wie Staus, Falschparken und Frustration der Fahrer an. Obwohl eine anfängliche Investition erforderlich ist, sind die langfristigen Vorteile erheblich. Investitionen in intelligentes Parken sind der Schlüssel zur Schaffung nachhaltiger Städte und eines reibungsloseren Parkerlebnisses für alle.

Möchten Sie mehr über KI erfahren? Vernetzen Sie sich mit unserer Community! Erkunden Sie 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. Arbeiten Sie mit uns zusammen, entwickeln Sie Innovationen und lernen Sie mit uns! 🚀