Grüner Scheck
Link in die Zwischenablage kopiert

Ultralytics YOLOv8 für intelligentere Parkmanagementsysteme

Das Modell Ultralytics YOLOv8 kann Parkmanagementsysteme intelligenter machen. Lerne, Parkplätze in Echtzeit zu verwalten, um deine eigene intelligente Parklösung zu schaffen.

Es kann anstrengend sein, auf der Suche nach einem Parkplatz im Kreis zu fahren, vor allem, wenn du spät dran bist. Die herkömmliche Suche nach einem Parkplatz kann mühsam und zeitraubend sein. Ein Parkraummanagementsystem, das auf künstlicher Intelligenz (KI) und Computer Vision basiert, kann die Dinge jedoch einfacher machen. Es kann die Verfügbarkeit von Parkplätzen vorhersehbarer machen und Verkehrsstaus reduzieren.

In diesem Artikel erfährst du, wie du Parkraumbewirtschaftungssysteme mit künstlicher Intelligenz und Computer Vision aufwerten kannst. Außerdem zeigen wir dir anhand eines Programmierbeispiels Schritt für Schritt, wie du das Ultralytics YOLOv8 Modell nutzen kannst, um ein Computer-Vision-fähiges Parkraummanagement-System zu erstellen. Lass uns gleich loslegen!

Probleme mit der traditionellen Parkplatzbewirtschaftung

Bevor wir über KI-gestützte intelligente Parkraumbewirtschaftungssysteme sprechen, wollen wir uns die Probleme mit herkömmlichen Parkraumbewirtschaftungssystemen ansehen.

Ein großes Problem bei herkömmlichen Systemen sind überfüllte Parkplätze; es gibt mehr Autos auf Parkplätzen als verfügbare Plätze. Neben der Zeitverschwendung bei der Suche nach einem Parkplatz führt die Überfüllung zu übermäßigem Kraftstoffverbrauch und Luftverschmutzung. Ein weiteres Problem ist der Stress der Fahrer. Laut einer Umfrage verbringen rund 27 % der Menschen mindestens 30 Minuten mit der Parkplatzsuche. Außerdem gaben 43 % der Befragten zu, dass sie sich mit Fremden wegen eines Parkplatzes streiten.

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

KI macht die Verwaltung von Parkplätzen einfacher

KI-integrierte Parkplätze sollen die Probleme lösen, mit denen traditionelle Parkraumbewirtschaftungssysteme zu kämpfen haben. Computer-Vision-Modelle wie das ModellUltralytics YOLOv8 und hochauflösende Kameras können Parkplätze überwachen und Echtzeit-Updates über freie und belegte Parkplätze erhalten. 

Wie funktioniert das? Ein Computer-Vision-Modell kann das Bildmaterial von hochauflösenden Kameras analysieren, um Fahrzeuge zu erkennen, ihre Bewegungen zu verfolgen und freie Parkplätze zu identifizieren. Das Modell Ultralytics YOLOv8 unterstützt Computer-Vision-Aufgaben wie Objekterkennung und Objektverfolgung und kann Fahrzeuge in einem Video genau identifizieren und klassifizieren. Durch den Vergleich der erkannten Standorte der Fahrzeuge mit den vordefinierten Parkplätzen kann das System feststellen, ob ein Parkplatz belegt ist oder nicht.

Abb. 2. Parkraummanagement mit Ultralytics YOLOv8 .

Die Informationen über die Verfügbarkeit von Parkplätzen aus dem Vision-basierten System können in verschiedene Anwendungen integriert und erweitert werden:

  • Mobile Apps: Mobile Anwendungen können die Verfügbarkeit von Parkplätzen in Echtzeit anzeigen und den Fahrern helfen, freie Plätze schnell und einfach zu finden.
  • Digitale Beschilderung: Digitale Schilder an den Parkplatzeingängen können die Anzahl der freien Plätze anzeigen und die Fahrer zum nächsten freien Platz leiten.
  • Automatisierte Parksysteme: Die Daten können genutzt werden, um automatische Schranken und Tore zu steuern, die die Einfahrt nur zulassen, wenn Plätze frei sind, und die Fahrer zum nächsten freien Platz leiten.

Die Vorteile eines Parkmanagementsystems

Einblicke in die Verfügbarkeit von Parkplätzen können viele Vorteile bieten. Echtzeit-Updates helfen den Fahrern, freie Plätze direkt anzufahren, was den Verkehrsfluss flüssiger macht und den Stress bei der Parkplatzsuche verringert. Wenn die Betreiber wissen, wie die Parkplätze genutzt werden, können sie den Parkplatz besser verwalten, die Sicherheit durch Echtzeitüberwachung verbessern und schnell auf Zwischenfälle reagieren.

Die Automatisierung von Parkvorgängen senkt die Kosten, indem sie den Bedarf an manueller Arbeit reduziert. KI-Systeme erleichtern die Reservierung von Parkplätzen über Mobil- oder Web-Apps, so dass die Fahrer/innen Benachrichtigungen über die Verfügbarkeit erhalten und Zeit und Geld sparen. Stadtplaner können diese Daten nutzen, um bessere Straßenpläne zu entwerfen, effektive Parkvorschriften durchzusetzen und neue Parkmöglichkeiten zu entwickeln, die die Städte effizienter und übersichtlicher machen.

Abb. 3. Reserviere Stellplätze über eine mobile App.

Versuch es selbst: Parkraummanagement mit YOLOv8

Nachdem wir nun ein klares Verständnis von Parkraumbewirtschaftung und ihren Vorteilen haben, wollen wir uns ansehen, wie du ein visionäres Parkraumbewirtschaftungssystem aufbauen kannst. Wir werden das Modell nutzen YOLOv8 Modell, um Fahrzeuge zu erkennen, Parkplätze zu überwachen und ihren Belegungsstatus zu bestimmen.

In diesem Beispiel kannst du einen Video- oder Kamerastream eines Parkplatzes verwenden. Bitte beachte, dass die maximal unterstützte Bildgröße in diesem Beispiel 1920 * 1080 beträgt. Bevor wir beginnen, erinnere dich daran, dass dieses System auf eine genaue Fahrzeugerkennung und vordefinierte Parkplatzkoordinaten angewiesen ist. 

Die Kamerakalibrierung und Umgebungsfaktoren können die Genauigkeit der Raumerkennung und des Belegungsstatus beeinflussen. Die Verarbeitungsgeschwindigkeit und die Genauigkeit können auch je nach Leistung deiner GPU variieren.

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


pip install ultralytics

In unserem Ultralytics Installationshandbuch findest du ausführliche Anweisungen und bewährte Verfahren für den Installationsprozess. Wenn du bei der Installation der erforderlichen Pakete für YOLOv8 auf Probleme stößt, findest du in unserem Leitfaden für häufige Probleme Lösungen und hilfreiche Tipps.

Schritt 2: Wir müssen eine Vorauswahl von Parkplätzen treffen, damit wir die Bereiche von Interesse in deinem Filmmaterial markieren können. Führe diesen Code aus, um die Benutzeroberfläche für die Vorauswahl von Parkplätzen zu öffnen.


from ultralytics import solutions
solutions.ParkingPtsSelection()

Wie unten dargestellt, öffnet sich eine Benutzeroberfläche, wenn du diesen Code ausführst. Nimm ein Bild oder einen Screenshot von deinem Eingangsvideo eines Parkplatzes auf und lade es hoch. Nachdem du Begrenzungsrahmen um die Parkplätze gezeichnet hast, klicke auf die Option "Speichern". Deine ausgewählten Parkplatzinformationen werden in einer JSON-Datei namens "bounding_boxes.json" gespeichert .

Abb. 4. Auswählen von Parkplätzen in deinem Filmmaterial.

Schritt 3: Jetzt können wir mit dem Hauptcode für die Parkplatzverwaltung beginnen. Beginne damit, alle benötigten 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 Eingangsvideodatei zu lesen und stelle sicher, dass die Videodatei erfolgreich geöffnet wird.


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 Bild 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 fertig verarbeitete Videodatei zu speichern.


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

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


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

Schritt 8: Jetzt gehen wir die Videodatei Bild für Bild durch, um sie zu verarbeiten. Wenn keine Bilder 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 Parkregionen 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 ermittelt die Bounding-Box-Koordinaten und 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: Im letzten Teil der Schleife wird das aktuelle Bild mit Anmerkungen angezeigt und das verarbeitete Bild in die Ausgabevideodatei "Parkraummanagement.avi" geschrieben .


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

Schritt 12: Zum Schluss können wir die VideoCapture- und VideoWriter-Objekte freigeben und alle Fenster zerstören.


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

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


python your_script_name.py

Wenn der Code erfolgreich ausgeführt wird, sieht deine Ausgabedatei wie folgt aus:

Abb. 5. Das Ergebnis der Parkraumbewirtschaftung mit YOLOv8.

Wenn du mehr über den Code erfahren möchtest, kannst du dir die offiziellen Dokumente von Ultralytics ansehen.

Herausforderungen eines automatisierten Parkraumbewirtschaftungssystems

Intelligente Parksysteme bieten sowohl den Autofahrern als auch den Unternehmen viele Vorteile. Sie bringen jedoch auch einige Herausforderungen mit sich, die vor der Einführung solcher Lösungen berücksichtigt werden sollten. Werfen wir einen Blick auf einige von ihnen.

  • Bedenken bezüglich des Datenschutzes: 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: Die Installation von Sensoren, Kameras, Fahrkartenautomaten und KI-Software kann teuer sein. 
  • Wartungsanforderungen: Die Häufigkeit der Wartung hängt vom jeweiligen KI-System ab, aber die meisten Systeme müssen monatlich gewartet werden.

Die Zukunft der intelligenten Parksysteme

Bei der innovativen Parkraumbewirtschaftung der Zukunft geht es darum, modernste Technologien wie KI, selbstfahrende Autos und virtuelle Realität zu nutzen, um das gesamte Parkerlebnis zu verbessern und die Nachhaltigkeit zu fördern. Wenn diese Systeme integriert werden, können selbstfahrende Autos ohne menschliches Zutun zu Parkplätzen navigieren und dort einparken. Diese Systeme helfen auch Unternehmen, mehr Parkplätze zu besetzen und ihre Dienstleistungen über verschiedene Apps und Websites zu bewerben. Sie reduzieren auch die Kohlenstoffemissionen, die durch Autofahrer/innen auf der Suche nach einem Parkplatz verursacht werden.

Schluss mit dem Parkplatzproblem

KI-Modelle, wie Ultralytics YOLOv8und Computer Vision können deinen Parkplatz verändern. Sie reduzieren die Suche nach Parkplätzen drastisch, sparen Zeit und reduzieren Emissionen. Diese intelligenten Parkraumbewirtschaftungssysteme lösen gängige Probleme wie Staus, Falschparken und Fahrerfrust. Auch wenn es sich um eine Anfangsinvestition handelt, sind die langfristigen Vorteile beträchtlich. Die Investition in intelligentes Parken ist der Schlüssel zur Schaffung nachhaltiger Städte und eines reibungsloseren Parkerlebnisses für alle.

Willst du mehr über KI erfahren? Verbinde dich mit unserer Community! In unserem GitHub-Repository erfährst du mehr darüber, wie wir KI einsetzen, um innovative Lösungen in verschiedenen Branchen wie dem Gesundheitswesen und der Landwirtschaft zu entwickeln. Arbeite mit uns zusammen, entwickle Innovationen und lerne mit uns! 🚀

Facebook-LogoTwitter-LogoLinkedIn-LogoKopier-Link-Symbol

Lies mehr in dieser Kategorie

Lass uns gemeinsam die Zukunft
der KI gestalten!

Beginne deine Reise in die Zukunft des maschinellen Lernens