Ultralytics YOLOv8 zur Geschwindigkeitsschätzung in Bildverarbeitungsprojekten

Wahrscheinlich haben wir alle schon einmal Geschwindigkeitsbegrenzungsschilder gesehen. Manche von uns haben vielleicht sogar per Post oder E-Mail einen automatischen Bescheid über eine Geschwindigkeitsüberschreitung erhalten. KI-gestützte Verkehrsmanagementsysteme können dank Computer Vision Geschwindigkeitsüberschreitungen automatisch erkennen. Echtzeitaufnahmen von Kameras an Straßenlaternen und Autobahnen werden zur Geschwindigkeitsschätzung und für mehr Verkehrssicherheit genutzt.

Geschwindigkeitsschätzung ist nicht nur für die Sicherheit auf Autobahnen relevant. Sie lässt sich auch im Sport, bei autonomen Fahrzeugen und in vielen weiteren Bereichen einsetzen. In diesem Artikel zeigen wir dir, wie du das Ultralytics-YOLOv8-Modell in deinen Computer-Vision-Projekten zur Geschwindigkeitsschätzung verwenden kannst. Außerdem führen wir dich Schritt für Schritt durch ein Programmierbeispiel, das du selbst ausprobieren kannst.

Geschwindigkeitsschätzung erleichtert das Verkehrsmanagement#

Laut der Weltgesundheitsorganisation (WHO) sterben jährlich etwa 1,16 Millionen Menschen bei Verkehrsunfällen, wobei überhöhte Geschwindigkeit ein wichtiger Faktor ist. Weitere 20 bis 50 Millionen Menschen erleiden Verletzungen, die nicht tödlich sind und häufig zu Behinderungen führen. Die Bedeutung der Verkehrssicherheit kann kaum überschätzt werden – insbesondere, weil Geschwindigkeitsmessungen helfen, Unfälle zu verhindern, Leben zu retten und unsere Straßen sicher und effizient zu halten.

Bei der Geschwindigkeitsschätzung mit Computer Vision werden Objekte in Videobildern erkannt und verfolgt, um ihre Geschwindigkeit zu berechnen. Modelle wie Ultralytics YOLOv8 können Objekte wie Fahrzeuge in aufeinanderfolgenden Bildern erkennen und verfolgen. Das System misst mithilfe kalibrierter Kameras oder Referenzpunkten die von den Objekten zurückgelegte Strecke, um reale Entfernungen zu bestimmen. Indem es misst, wie lange Objekte für die Strecke zwischen zwei Punkten benötigen, berechnet das System ihre Geschwindigkeit anhand des Verhältnisses von Strecke zu Zeit.

Abb. 1 Geschwindigkeitsschätzung mit dem Ultralytics-YOLOv8-Modell.

KI-gestützte Systeme zur Geschwindigkeitsschätzung können nicht nur Raser erfassen, sondern auch Verkehrsdaten sammeln und damit Vorhersagen zum Verkehrsaufkommen treffen. Diese Vorhersagen helfen bei Aufgaben des Verkehrsmanagements, etwa bei der Optimierung von Ampelschaltungen und der Ressourcenverteilung. Erkenntnisse über Verkehrsmuster und Stauursachen können in die Planung neuer Straßen einfließen und so Staus verringern.

Anwendungen der Geschwindigkeitsschätzung in anderen Branchen#

Die Geschwindigkeitsschätzung kommt nicht nur bei der Verkehrsüberwachung zum Einsatz. Sie kann auch die Leistung von Sportlern erfassen, autonomen Fahrzeugen helfen, die Geschwindigkeit von Objekten in ihrer Umgebung zu bestimmen, verdächtiges Verhalten erkennen und vieles mehr. Überall dort, wo eine Kamera die Geschwindigkeit eines Objekts messen kann, lässt sich Geschwindigkeitsschätzung mit Computer Vision einsetzen.

Hier sind einige Beispiele für den Einsatz der Geschwindigkeitsschätzung:

• Die autonomen Fahrzeuge von Tesla nutzen visuelle Geschwindigkeitsschätzung, um Kollisionen zu vermeiden.
• Intelligente Städte erforschen die Ganganalyse von Fußgängern, um Gehgeschwindigkeiten zu erfassen und die Mobilität und Sicherheit im Stadtverkehr zu verbessern. Diese Systeme können Autofahrer auf Fußgänger aufmerksam machen und Unfälle verhindern.
• Systeme zur Überwachung des Tierverhaltens nutzen die Geschwindigkeitsschätzung, um Bewegungen von Tieren zu verfolgen und Anzeichen von Stress oder Krankheit zu erkennen.

Abb. 2. Mit der Geschwindigkeitsschätzung lässt sich die Gehgeschwindigkeit einer Person messen.

Die Vorteile der Geschwindigkeitsschätzung mit Computer Vision#

Visuelle Systeme zur Geschwindigkeitsschätzung ersetzen herkömmliche sensorgestützte Verfahren, da sie genauer, kostengünstiger und flexibler sind. Anders als Systeme, die auf teure Sensoren wie LiDAR angewiesen sind, nutzt Computer Vision gewöhnliche Kameras, um die Geschwindigkeit in Echtzeit zu überwachen und auszuwerten. Computer-Vision-Lösungen zur Geschwindigkeitsschätzung lassen sich in die vorhandene Verkehrsinfrastruktur integrieren. Außerdem können diese Systeme so entwickelt werden, dass sie komplexe Aufgaben wie die Fahrzeugtypenerkennung und die Analyse von Verkehrsmustern übernehmen, um den Verkehrsfluss und die Sicherheit insgesamt zu verbessern.

Probier es selbst aus: Geschwindigkeitsschätzung mit Ultralytics YOLOv8#

Nachdem wir nun die Geschwindigkeitsschätzung und ihre Anwendungsbereiche kennen, sehen wir uns genauer an, wie du sie mithilfe von Code in deine Computer-Vision-Projekte integrieren kannst. Mit dem Ultralytics YOLOv8-Modell erkennen wir fahrende Fahrzeuge und schätzen ihre Geschwindigkeit.

In diesem Beispiel verwenden wir ein aus dem Internet heruntergeladenes Video von Autos auf einer Straße. Du kannst dasselbe Video oder ein beliebiges passendes Video verwenden. Das Ultralytics-YOLOv8-Modell erkennt und verfolgt jedes Fahrzeug. Die Geschwindigkeitsschätzung wandelt die Strecke, die jedes verfolgte Fahrzeug über mehrere Bilder zurücklegt, in eine Geschwindigkeit um. Dabei verwendet sie die Bildrate des Videos und einen Maßstab in Metern pro Pixel.

Bevor wir loslegen, solltest du beachten, dass die Entfernungsberechnung in diesem Fall nur näherungsweise erfolgt. Sie basiert auf dem euklidischen Pixelabstand multipliziert mit einem geschätzten Wert für Meter pro Pixel. Eine Kamerakalibrierung wird nicht berücksichtigt, daher ist die Geschwindigkeitsschätzung möglicherweise nicht vollständig genau.

Schritt 1: Installiere zunächst das Ultralytics-Paket. Öffne die Eingabeaufforderung oder das Terminal und führe den unten gezeigten Befehl aus.

pip install ultralytics

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

Schritt 2: Importiere als Nächstes die erforderlichen Bibliotheken. Die OpenCV-Bibliothek hilft uns bei der Videoverarbeitung.

import cv2
from ultralytics import solutions

Schritt 3: In diesem Schritt öffnen wir die Eingabevideodatei mit dem VideoCapture-Modul von OpenCV. Außerdem ermitteln wir die Breite und Höhe des Videos sowie die Bilder pro Sekunde (fps).

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
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 4: Hier initialisieren wir den Video-Writer, um die Ergebnisse der Geschwindigkeitsschätzung zu speichern. Die Ausgabevideodatei wird unter dem Namen „speed_estimation.avi“ gespeichert.

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

Schritt 5: Jetzt können wir das Objekt zur Geschwindigkeitsschätzung mit dem Ultralytics-YOLOv8-Modell und der Bildrate des Videos initialisieren. Der Wert meter_per_pixel legt den Maßstab der Szene in der realen Welt fest. Passe ihn also gerne an deine Kamerakonfiguration an.

speed_obj = solutions.SpeedEstimator(
    model="yolov8n.pt",
    fps=fps,
    meter_per_pixel=0.05,
    show=True,
)

Sieh dir alle von uns unterstützten Modelle an, um herauszufinden, welches Modell am besten zu deinem Projekt passt.

Schritt 6: Der Kern des Skripts verarbeitet das Video Bild für Bild. Wir lesen jedes Bild ein. Die Geschwindigkeitsschätzung erkennt und verfolgt Objekte, schätzt ihre Geschwindigkeit und gibt das annotierte Bild zurück, das in die Ausgabevideodatei geschrieben wird.

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    results = speed_obj(im0)
    video_writer.write(results.plot_im)

Schritt 7: Zum Schluss geben wir die Videoaufnahme- und Writer-Objekte frei und schließen alle OpenCV-Fenster.

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

Schritt 8: Speichere dein Skript. Wenn du im Terminal oder in der Eingabeaufforderung arbeitest, führe das Skript mit dem folgenden Befehl aus:

python your_script_name.py

Die Herausforderungen der visuellen Geschwindigkeitsschätzung#

Es ist auch wichtig, die Herausforderungen bei der Umsetzung der Geschwindigkeitsschätzung mit Computer Vision zu kennen. Ungünstige Wetterbedingungen wie Regen, Nebel oder Schnee können das System beeinträchtigen, da sie die Sicht auf die Straße behindern. Ebenso können Verdeckungen durch andere Fahrzeuge oder Objekte es den Systemen erschweren, die Geschwindigkeit eines Zielfahrzeugs genau zu verfolgen und zu schätzen. Schlechte Lichtverhältnisse, die Schatten oder Blendungen durch die Sonne verursachen, können die Geschwindigkeitsschätzung zusätzlich erschweren.

Eine weitere Herausforderung ist die Rechenleistung. Um die Geschwindigkeit in Echtzeit zu schätzen, müssen wir große Mengen visueller Daten von hochwertigen Verkehrskameras verarbeiten. Deine Lösung benötigt möglicherweise teure Hardware, um all das zu bewältigen und einen schnellen, verzögerungsfreien Betrieb sicherzustellen.

Ein weiteres Problem ist der Datenschutz. Die von diesen Systemen erfassten Daten können Angaben zum Fahrzeug einer Person enthalten, etwa Marke, Modell und Kennzeichen, die möglicherweise ohne deren Zustimmung erhoben werden. Manche modernen HD-Kameras können sogar die Insassen im Fahrzeug aufnehmen. Eine solche Datenerfassung kann schwerwiegende ethische und rechtliche Fragen aufwerfen, die mit größter Sorgfalt behandelt werden müssen.

Mit Vollgas in die Zukunft#

Das Ultralytics-YOLOv8-Modell bietet eine flexible und effiziente Lösung für zahlreiche Anwendungen zur Geschwindigkeitsschätzung. Zwar gibt es Herausforderungen, etwa die Genauigkeit unter schwierigen Bedingungen und den Schutz der Privatsphäre, doch die Vorteile sind erheblich. Die Geschwindigkeitsschätzung mit Computer Vision ist im Vergleich zu älteren Methoden kostengünstiger, anpassungsfähiger und präziser. Sie ist in Bereichen wie Verkehr, Sport, Überwachung und selbstfahrenden Autos nützlich. Angesichts all dieser Vorteile und Anwendungsmöglichkeiten dürfte sie ein wichtiger Bestandteil zukünftiger intelligenter Systeme sein.

Interessierst du dich für KI? Vernetze dich mit unserer Community! Sieh dir unser GitHub-Repository an und erfahre mehr darüber, wie wir KI nutzen, um innovative Lösungen in verschiedenen Branchen wie dem Gesundheitswesen und der Landwirtschaft zu entwickeln. Arbeite mit uns zusammen, bringe neue Ideen ein und lerne mit uns!