Die Rolle von FPS in der Computer Vision verstehen

Eine Zeitlupenwiederholung deines liebsten Sportmoments anzusehen, bei der jedes Detail klar zu erkennen ist, unterscheidet sich deutlich davon, Überwachungsaufnahmen anzusehen, die meist ruckelig und schwer zu verfolgen sind. Der entscheidende technische Unterschied liegt bei FPS, also der Anzahl der Bilder, die pro Sekunde in einem Video angezeigt werden. Eine höhere FPS-Zahl sorgt für flüssige, realitätsnahe Bewegungen, während eine niedrigere FPS-Zahl zu ruckeligen Aufnahmen mit weniger Details führen kann.

Dieses Konzept wirkt sich direkt auf Computer Vision aus, einen Bereich der KI, der Maschinen befähigt, visuelle Daten ähnlich wie Menschen zu interpretieren und zu analysieren. Bei Computer Vision bedeutet eine höhere Bildrate, dass Systeme pro Sekunde mehr Informationen erfassen können, wodurch die Genauigkeit der Objekterkennung und -verfolgung in Echtzeit steigt.

In diesem Artikel betrachten wir die technischen Aspekte von FPS und den Zusammenhang mit Computer-Vision-Anwendungen.

Was bedeutet FPS bei Computer Vision?#

Stell dir vor, du spielst ein Rennspiel: Bei 60 FPS fühlt sich jede Kurve flüssig und reaktionsschnell an, bei 20 FPS reagieren die Steuerungen dagegen verzögert, sodass es schwieriger wird, Hindernissen auszuweichen. Einfach gesagt, kannst du dir FPS als die Anzahl der Standbilder vorstellen, die pro Sekunde angezeigt werden. Mehr Bilder pro Sekunde lassen Bewegungen flüssig und natürlich wirken, während weniger Bilder sie ruckelig erscheinen lassen können.

Wie beim Gaming ist FPS ein wichtiger Bestandteil von Computer-Vision-Anwendungen. Eine höhere FPS-Zahl ermöglicht es, Objekte mit Vision-KI flüssig zu verfolgen, während bei einer niedrigeren FPS-Zahl Details verloren gehen können.

In der Sportanalyse benötigen beispielsweise KI-gestützte Kameras eine höhere Bildrate, um schnelle Pässe, Spielerbewegungen und Ballbahnen verfolgen zu können. Bei einer niedrigeren Bildrate könnte ein wichtiger Kontakt zwischen Fuß und Ball oder eine schnelle Richtungsänderung übersehen werden, was die Genauigkeit der Analyse beeinträchtigt.

Auch bei der Verkehrsüberwachung sind Systeme auf eine hohe FPS-Zahl angewiesen, um in Echtzeit zu schnelle Fahrzeuge zu erkennen und Spurwechsel zu erfassen. Die passende FPS-Zahl hängt von den konkreten Anforderungen der jeweiligen Computer-Vision-Anwendung ab. Dabei gilt es, Leistung, Effizienz und Bildschärfe abzuwägen.

Abb. 1 Vergleich verschiedener Bildraten.

Technische Aspekte der Bildrate bei Computer Vision#

Nachdem wir nun besprochen haben, was FPS bedeutet und wie FPS in der Computer Vision eingesetzt wird, sehen wir uns die technischen Aspekte an und beginnen damit, die FPS-Zahl eines Videos zu berechnen.

Wenn du die Gesamtzahl der Bilder durch die Dauer in Sekunden teilst, erhältst du die FPS-Zahl eines Videos. Hat ein Video beispielsweise 96 Bilder in 4 Sekunden, ergibt das 24 FPS (also 24 Bilder pro Sekunde). 32 Bilder in 4 Sekunden ergeben dagegen 8 FPS. Mit Python-Bibliotheken wie OpenCV kannst du Videometadaten auslesen, Bilder zählen und die FPS-Zahl automatisch berechnen. So wird die Videoanalyse einfacher.

Abb. 2. 24 FPS vs. 8 FPS vs. 4 FPS.

Faktoren, die die Bildrate eines Videos beeinflussen#

Die Bildrate allein zu berechnen, reicht jedoch nicht aus, um technische Entscheidungen bei der Entwicklung von Computer-Vision-Lösungen zu treffen. Wichtig ist auch, die verschiedenen Faktoren zu berücksichtigen, die die tatsächlich erreichbare Bildrate beeinflussen können, etwa die Leistungsfähigkeit der Hardware, Softwareoptimierungen und Umgebungsbedingungen.

Hier ein genauerer Blick auf diese Faktoren:

• Leistungsfähigkeit der Hardware: Die Qualität des Kamerasensors und die Rechenleistung des Geräts bestimmen, wie viele Bilder pro Sekunde aufgenommen werden. Bessere Hardware unterstützt in der Regel eine höhere Bildrate und sorgt für flüssigere Videos.
• Softwareoptimierungen: Effiziente Software zur Videokodierung und -verarbeitung hilft dabei, Einzelbilder schnell zu extrahieren und zu analysieren. So wird das Video ohne unnötige Verzögerungen verarbeitet.
• Umgebungsbedingungen: Beleuchtung und Bewegung in einer Szene beeinflussen, wie klar die Einzelbilder aufgenommen werden. Gute Lichtverhältnisse und mäßige Bewegung können die Bildrate verbessern, während schlechte Bedingungen unter Umständen eine höhere Bildrate erfordern, um die Bildschärfe zu erhalten.
• Speicherbedarf: Bei einer höheren Bildrate werden mehr Bilder pro Sekunde aufgenommen, was zu größeren Dateien führt. Dadurch steigt der Speicherbedarf und es ist eine schnellere Datenverarbeitung erforderlich, um eine flüssige Wiedergabe sicherzustellen.

Die Bildrate bei Computer-Vision-Anwendungen#

KI-Modelle wie Ultralytics YOLO11, die Computer-Vision-Aufgaben in Echtzeit unterstützen, können zur Analyse von Videos mit hoher Bildrate eingesetzt werden. Diese Echtzeitfähigkeit ist entscheidend für Anwendungen wie autonomes Fahren, Überwachung und Robotik, bei denen selbst kleine Verzögerungen zu erheblichen Fehlern führen können.

Sehen wir uns einige praktische Anwendungen von Vision-KI an, bei denen eine hohe FPS-Zahl für Genauigkeit und Leistung entscheidend ist.

Höhere Bildraten für Überwachungs- und Sicherheitslösungen#

Überwachungssysteme in stark frequentierten Bereichen wie Autobahnen verwenden eine hohe Bildrate, um auch kleinste Details zu erfassen und schnell fahrende Fahrzeuge klar aufzunehmen. Diese Bildschärfe ist für Systeme zur automatischen Kennzeichenerkennung (ANPR) entscheidend, da sie auf hochwertige Aufnahmen angewiesen sind, um Fahrzeuge genau zu identifizieren.

In solchen Systemen können Modelle wie Ultralytics YOLO11 Kennzeichen direkt im Videostream erkennen. Sobald ein Kennzeichen erkannt wurde, kommt die optische Zeichenerkennung (OCR) zum Einsatz, die Textbilder in maschinenlesbare Zeichen umwandelt, um die Kennzeichendaten auszulesen. So lassen sich Fahrzeuge schnell und genau identifizieren, was die Durchsetzung der Verkehrsregeln und die allgemeine Sicherheit verbessert.

Abb. 3. Kennzeichenerkennung mit YOLO11.

Anforderungen an die Bildrate autonomer Systeme verstehen#

Stell dir ein selbstfahrendes Auto an einem Stoppschild vor, das seine Umgebung sorgfältig analysiert, um zu entscheiden, ob es sicher weiterfahren kann. Das Auto muss nahezu augenblicklich Entscheidungen treffen. Dafür muss es visuelle Daten in Echtzeit erfassen und verarbeiten.

Ist das autonome Fahrzeug mit Kameras ausgestattet, die Aufnahmen mit einer höheren Bildrate machen können, erhält es einen kontinuierlicheren und detailreicheren Bildstrom. Diese verbesserte visuelle Eingabe ermöglicht es dem Auto, Hindernisse, Fußgänger und andere Fahrzeuge schnell zu erkennen. So kann das Fahrzeug zeitnah auf Veränderungen in seiner Umgebung reagieren.

Würden die Kameras Bilder mit einer niedrigeren Bildrate verarbeiten, könnte das Fahrzeug eine ruckeligere, weniger detailreiche Sicht erhalten. Dadurch könnte sich die Reaktionszeit verlängern, was das Risiko erhöht, wichtige Informationen zu übersehen und die Sicherheit möglicherweise zu gefährden.

Der Zusammenhang zwischen Bildrate und Sportanalyse#

Im Sport ist es entscheidend, jede Bewegung präzise zu erfassen, denn Entscheidungen in Sekundenbruchteilen können über Sieg oder Niederlage entscheiden. Mit Technologien, die eine höhere Bildrate unterstützen, können wir jede noch so kleine Bewegung festhalten. Trainer, Analysten und Sportler können Spielszenen in Zeitlupe ansehen, ohne etwas zu verpassen. Außerdem hilft eine klare Einzelbildansicht Schiedsrichtern, in Sportarten wie Tennis, Fußball und Cricket präzisere Entscheidungen zu treffen.

Eine interessante Volleyballstudie untersuchte beispielsweise, wie eine höhere Bildrate die Leistungsbewertung verbessert. Eine Erhöhung der Bildrate von 30 auf 240 verbesserte die Klarheit von Bewegungen und die Objektverfolgung deutlich. Auch die Genauigkeit der Schlaganalyse stieg, sodass Trainer Handpositionen, Ballkontaktpunkte und Sprungtechnik präziser beurteilen konnten. Außerdem zeigte die Studie, dass eine höhere Bildrate Bewegungsunschärfe verringerte und dadurch Aufschläge und Abwehrreaktionen leichter zu analysieren waren.

Abb. 4. Niedrige und hohe FPS im Hinblick auf die Bewegungsschärfe im Vergleich.

Wann eine niedrige Bildrate bei der Videoanalyse sinnvoll ist#

Nicht alle Computer-Vision-Anwendungen erfordern Aufnahmen mit einer hohen Bildrate. In vielen Fällen reicht abhängig von der jeweiligen Aufgabe eine niedrigere Bildrate aus, um genaue Ergebnisse zu erzielen. In den folgenden Bereichen ist eine niedrigere Bildrate besonders geeignet:

• Nachbearbeitung und Analyse ohne Echtzeitverarbeitung: Bei Anwendungen wie der Verkehrsüberwachung und der Menschenmengenanalyse ist es nicht immer notwendig, jedes Einzelbild mit hoher Bildrate aufzunehmen. Auch eine niedrigere Bildrate kann genügend Daten liefern, um Bewegungsmuster wie den Fahrzeugfluss, die Fußgängerdichte und Stautrends zu analysieren. Werden redundante Einzelbilder reduziert, sinken Speicherbedarf und Rechenaufwand, während die Analyse weiterhin genau bleibt.
• Zeitrafferbasierte Umweltüberwachung: Um langsame Veränderungen wie Pflanzenwachstum, Baufortschritt oder Gletscherbewegungen zu verfolgen, reicht es aus, alle paar Minuten oder einmal täglich ein Einzelbild aufzunehmen. So werden langfristige Veränderungen wirksam dokumentiert und gleichzeitig Speicherplatz gespart.
• Umgebungen mit begrenzten Ressourcen: Bei der Überwachung von Wildtieren und abgelegenen Sicherheitsbereichen hilft eine niedrigere Bildrate, Akkuleistung und Speicherplatz zu sparen. Bewegungsgesteuerte Kameras mit 5–10 FPS können wichtige Ereignisse über einen längeren Zeitraum erfassen und eignen sich daher besonders für Installationen ohne Netzanschluss.

Die richtige Bildrate für Deep-Learning-Anwendungen auswählen#

Um die ideale FPS-Zahl auszuwählen, musst du Leistung und Systembeschränkungen gegeneinander abwägen. Bei der Optimierung der FPS-Zahl für Deep-Learning-Anwendungen solltest du Folgendes berücksichtigen:

• Leistung und Ressourcen gegeneinander abwägen: Eine höhere Bildrate verbessert die Reaktionsfähigkeit, erhöht aber auch den Energie- und Rechenbedarf. Eine dynamische Anpassung der Bildrate, die Interpolation von Einzelbildern und die Optimierung der Hardware können für eine flüssige Leistung sorgen, ohne das System zu überlasten.
• Anwendungsspezifische Anforderungen: Je nach Anwendung gelten unterschiedliche Anforderungen an die Bildrate. Akkubetriebene Geräte sollten eine niedrigere Bildrate verwenden, um Energie zu sparen. Echtzeitsysteme wie Drohnen und autonome Fahrzeuge benötigen dagegen eine höhere Bildrate, um schnell und genau zu reagieren.
• Testen und Optimieren: Die FPS-Einstellungen sollten idealerweise unter unterschiedlichen Licht- und Bewegungsbedingungen getestet werden. Latenz messen und verschiedene FPS-Stufen direkt miteinander vergleichen hilft dabei, das beste Gleichgewicht zwischen Reaktionsfähigkeit, Bildqualität und Ressourceneffizienz zu finden.

Künftige Innovationen und Optimierung der Bildrate für KI-Modelle#

Fortschritte bei KI und der Hardwareoptimierung ermöglichen höhere Bildraten, selbst in Umgebungen mit begrenzten Ressourcen. Branchen wie Film, Sport und Robotik können beispielsweise von einer intelligenteren Steuerung der Bildrate profitieren: Systeme passen die Bildrate dynamisch an die Komplexität der Bewegung und die verfügbare Rechenleistung an. KI-gestützte Zwischenbildberechnung verbessert außerdem die Videoflüssigkeit, indem sie in Echtzeit zusätzliche Einzelbilder erzeugt.

Unterdessen sorgt ein aktueller Durchbruch von NVIDIA für weitere Fortschritte bei der Bildrate. DLSS 4 (Deep Learning Super Sampling) führt die Generierung mehrerer Einzelbilder ein: Dabei nutzt KI Vorhersagen, um zusätzliche Einzelbilder zu erzeugen. So lässt sich die Bildrate um bis zu das Achtfache steigern und gleichzeitig die Systemauslastung verringern.

Indem DLSS 4 einen Teil der Bildberechnung der KI überlässt, sorgt es für flüssigere Bilder, ohne die Hardware zusätzlich zu belasten. Das verbessert sowohl die Leistung als auch die Effizienz.

Die wichtigsten Erkenntnisse#

Die Bildrate ist mehr als nur ein Maß für flüssige Bilder: Sie ermöglicht KI und Computer Vision, Entscheidungen in Echtzeit zu treffen. Jedes Einzelbild eines Videos enthält wichtige Daten, mit denen Maschinen Objekte verfolgen, Bewegungen analysieren und auf dynamische Umgebungen reagieren können. Ob selbstfahrende Autos Hindernissen ausweichen oder Überwachungssysteme Bedrohungen sofort erkennen – die richtige Bildrate sorgt für Genauigkeit und Effizienz.

Bei der Zukunft der Bildrate geht es nicht nur darum, sie zu erhöhen, sondern auch darum, sie intelligent zu optimieren. Diese Entwicklung wird Computer-Vision-Systeme in zahlreichen Branchen schneller, innovativer und ressourceneffizienter machen.

Möchtest du mehr über KI erfahren? Entdecke unser GitHub-Repository und werde Teil unserer Community. Möchtest du eigene Computer-Vision-Projekte starten? Informiere dich über unsere Lizenzoptionen. Erfahre, wie Computer Vision im Gesundheitswesen die Effizienz steigert, und entdecke auf unseren Lösungsseiten die Auswirkungen von KI in der Fertigung.