Die Rolle von FPS in der Computer Vision verstehen

Eine Zeitlupenwiederholung deines Lieblingsmoments im Sport, bei der jedes Detail klar zu erkennen ist, unterscheidet sich stark von Überwachungsaufnahmen, die meist ruckelig und schwer zu verfolgen sind. Das entscheidende technische Detail hinter diesen Unterschieden ist FPS, also Bilder pro Sekunde, die 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 es Maschinen ermöglicht, visuelle Daten ähnlich wie Menschen zu interpretieren und zu analysieren. In der Computer Vision bedeutet eine höhere FPS-Zahl, dass Systeme pro Sekunde mehr Informationen erfassen können, wodurch die Genauigkeit der Objekterkennung und -verfolgung in Echtzeit verbessert wird.

In diesem Artikel untersuchen wir die technischen Aspekte von FPS und den Zusammenhang mit Anwendungen der Computer Vision. Legen wir los!

Was bedeutet FPS in der Computer Vision?#

Stell dir vor, du spielst ein Rennspiel: Bei 60 FPS fühlt sich jede Kurve flüssig und direkt an, bei 20 FPS reagieren die Steuerungen jedoch verzögert, sodass das Ausweichen vor Hindernissen schwieriger wird. Einfach ausgedrückt kannst du dir FPS als die Anzahl der Einzelbilder vorstellen, die pro Sekunde angezeigt werden. Mehr Bilder pro Sekunde lassen Bewegungen flüssig und natürlich erscheinen, während weniger Bilder zu einer ruckeligen Darstellung führen können.

Wie beim Gaming sind FPS ein wichtiger Bestandteil von Computer-Vision-Anwendungen. Eine höhere FPS-Zahl ermöglicht die flüssige Objektverfolgung mit Vision AI, während eine niedrigere FPS-Zahl dazu führen kann, dass Details übersehen werden.

Beispielsweise benötigen KI-gestützte Kameras in der Sportanalyse eine höhere FPS-Zahl, um schnelle Pässe, Spielerbewegungen und Flugbahnen des Balls verfolgen zu können. Eine niedrigere FPS-Zahl kann dazu führen, dass ein wichtiger Kontakt zwischen Fuß und Ball oder eine schnelle Richtungsänderung nicht erfasst wird, was die Genauigkeit der Analyse beeinträchtigt.

Auch bei der Verkehrsüberwachung sind Systeme auf eine hohe FPS-Zahl angewiesen, um Geschwindigkeitsüberschreitungen und Spurwechsel in Echtzeit zu erkennen. Die Wahl der richtigen FPS-Zahl hängt von den spezifischen Anforderungen der jeweiligen Computer-Vision-Anwendung ab, wobei Leistung, Effizienz und visuelle Klarheit gegeneinander abgewogen werden müssen.

Abb. 1. Vergleich verschiedener Bildraten.

Technische Aspekte von FPS in der Computer Vision#

Nachdem wir nun besprochen haben, was FPS bedeutet und wie sie in der Computer Vision eingesetzt werden, sehen wir uns die technischen Aspekte genauer an – beginnend mit der Berechnung der FPS-Zahl eines Videos.

Wenn du die Gesamtzahl der Einzelbilder durch die Dauer in Sekunden teilst, erhältst du die FPS-Zahl eines Videos. Hat ein Video beispielsweise über einen Zeitraum von 4 Sekunden 96 Einzelbilder, ergibt das 24 FPS – also 24 Bilder pro Sekunde –, während 32 Einzelbilder über 4 Sekunden 8 FPS ergeben. Python-Bibliotheken wie OpenCV können verwendet werden, um Videometadaten auszulesen, Einzelbilder zu zählen und FPS automatisch zu berechnen, wodurch die Videoanalyse vereinfacht wird.

Abb. 2. 24 FPS im Vergleich zu 8 FPS und 4 FPS.

Faktoren, die die FPS-Zahl eines Videos beeinflussen#

Die Berechnung der FPS-Zahl allein reicht jedoch nicht aus, um technische Entscheidungen bei der Entwicklung von Computer-Vision-Lösungen zu treffen. Ebenso wichtig ist es, die verschiedenen Faktoren zu berücksichtigen, die sich auf die effektive Bildrate auswirken können, etwa die Hardwarekapazitäten, Softwareoptimierungen und Umgebungsbedingungen.

Hier siehst du dir diese Faktoren genauer an:

• Hardwarekapazitäten: Die Qualität des Kamerasensors und die Rechenleistung des Geräts können bestimmen, wie viele Einzelbilder pro Sekunde erfasst werden. Bessere Hardware unterstützt in der Regel eine höhere FPS-Zahl und sorgt für flüssigere Videos.
• Softwareoptimierungen: Effiziente Software zur Videokodierung und -verarbeitung hilft dabei, Einzelbilder schnell zu extrahieren und zu analysieren. Dadurch wird sichergestellt, dass das Video ohne unnötige Verzögerungen verarbeitet wird.
• Umgebungsbedingungen: Die Beleuchtung und die Bewegung in einer Szene beeinflussen, wie klar Einzelbilder erfasst werden. Gute Beleuchtung und moderate Bewegungen können die FPS-Zahl verbessern, während schlechte Bedingungen möglicherweise eine höhere FPS-Zahl erfordern, um die Klarheit beizubehalten.
• Speicherbedarf: Eine höhere FPS-Zahl erfasst mehr Einzelbilder pro Sekunde, wodurch größere Dateien entstehen. Das erhöht den Speicherbedarf und erfordert eine schnellere Datenverarbeitung, um eine flüssige Wiedergabe sicherzustellen.

FPS in Computer-Vision-Anwendungen#

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

Sehen wir uns einige Vision-AI-Anwendungen aus der Praxis an, bei denen eine hohe FPS-Zahl für Genauigkeit und Leistung unerlässlich ist.

Eine höhere Bildrate für Überwachungs- und Sicherheitslösungen#

Überwachungssysteme, die stark frequentierte Bereiche wie Autobahnen überwachen, verwenden eine hohe FPS-Zahl, um kleinste Details zu erfassen und schnell fahrende Fahrzeuge eindeutig zu dokumentieren. Diese Klarheit ist für Systeme zur automatischen Kennzeichenerkennung (ANPR) unerlässlich, da sie auf Aufnahmen guter Qualität angewiesen sind, um Fahrzeuge präzise zu identifizieren.

In solchen Systemen können Modelle wie Ultralytics YOLO11 eingesetzt werden, um Kennzeichen direkt aus dem Videostream zu erkennen. Sobald ein Kennzeichen erkannt wurde, wird die optische Zeichenerkennung (OCR), die Textbilder in maschinenlesbare Zeichen umwandelt, zum Auslesen der Kennzeichendaten verwendet. Dieser Prozess ermöglicht eine schnelle und präzise Fahrzeugidentifikation und verbessert die Verkehrsüberwachung sowie die allgemeine Sicherheit.

Abb. 3. Erkennung von Kennzeichen mit YOLO11.

FPS-Anforderungen für autonome 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, wofür visuelle Daten in Echtzeit erfasst und verarbeitet werden müssen.

Wenn das autonome Fahrzeug mit Kameras ausgestattet ist, die Aufnahmen mit einer höheren FPS-Zahl erfassen können, erhält es einen kontinuierlicheren und detailreicheren Bilddatenstrom. Diese verbesserte visuelle Eingabe ermöglicht es dem Auto, Hindernisse, Fußgänger und andere Fahrzeuge schnell zu erkennen. Dadurch kann das Fahrzeug umgehend auf Veränderungen in seiner Umgebung reagieren.

Wenn die Kameras Bilder mit einer niedrigeren FPS-Zahl verarbeiten würden, könnte das Fahrzeug eine ruckeligere und weniger detailreiche Ansicht erhalten. Dies könnte seine Reaktionszeit verlängern, das Risiko erhöhen, wichtige Informationen zu übersehen, und möglicherweise die Sicherheit beeinträchtigen.

Der Zusammenhang zwischen FPS und Sportanalyse#

Jede Bewegung präzise zu erfassen, ist im Sport entscheidend, denn Entscheidungen im Bruchteil einer Sekunde können den Unterschied zwischen Sieg und Niederlage ausmachen. Technologien mit Unterstützung für eine höhere FPS-Zahl ermöglichen es, jedes noch so kleine Bewegungsdetail aufzuzeichnen, sodass Trainer, Analysten und Sportler Spielzüge in Zeitlupe ansehen können, ohne einen Moment zu verpassen. Außerdem helfen sie Schiedsrichtern bei Sportarten wie Tennis, Fußball und Cricket, präzisere Entscheidungen zu treffen, da sie eine klare Ansicht der Aktion Einzelbild für Einzelbild liefern.

Beispielsweise untersuchte eine interessante Studie im Volleyball, wie eine höhere FPS-Zahl die Leistungsbewertung verbessert. Die Erhöhung der FPS-Zahl von 30 auf 240 verbesserte die Bewegungsschärfe und die Objektverfolgung deutlich. Auch die Genauigkeit der Analyse von Schmetterbällen nahm zu, sodass Trainer die Handposition, die Kontaktpunkte mit dem Ball und die Sprungtechnik präziser nachvollziehen konnten. Darüber hinaus zeigte die Studie, dass eine höhere FPS-Zahl Bewegungsunschärfe reduzierte, wodurch Aufschläge und Abwehrreaktionen leichter analysiert werden konnten.

Abb. 4. Vergleich niedriger und hoher FPS im Hinblick auf Bewegungsschärfe.

Wann eine niedrige FPS-Zahl in der Videoanalyse sinnvoll ist#

Nicht alle Computer-Vision-Anwendungen erfordern die Aufzeichnung von Aufnahmen mit einer hohen FPS-Zahl. In vielen Fällen reicht abhängig von der jeweiligen Aufgabe eine niedrigere FPS-Zahl aus, um genaue Ergebnisse zu erzielen. In den folgenden wichtigen Bereichen wird eine niedrigere FPS-Zahl bevorzugt:

• Offline-Nachbearbeitung und -Analyse: Für Anwendungen wie Verkehrsüberwachung und Menschenmengenanalyse ist es nicht immer erforderlich, jedes Einzelbild mit einer hohen FPS-Zahl zu erfassen. Eine niedrigere FPS-Zahl kann weiterhin genügend Daten liefern, um Bewegungsmuster wie Verkehrsfluss, Fußgängerdichte und Stautrends zu analysieren. Durch das Entfernen redundanter Einzelbilder reduziert dieser Ansatz den Speicherbedarf und die Rechenlast und erhält dabei die Genauigkeit der Analyse.
• Zeitrafferbasierte Umweltüberwachung: Zur Verfolgung langsamer Veränderungen wie Pflanzenwachstum, Baufortschritt oder Gletscherbewegung reicht es aus, alle paar Minuten oder einmal täglich ein Einzelbild zu erfassen. So werden langfristige Veränderungen dokumentiert und gleichzeitig Speicherplatz gespart.
• Umgebungen mit begrenzten Ressourcen: Bei der Überwachung von Wildtieren und abgelegenen Sicherheitsbereichen hilft eine niedrigere FPS-Zahl, Akkulaufzeit und Speicherplatz zu sparen. Bewegungsgesteuerte Kameras mit 5–10 FPS können über längere Zeiträume wichtige Ereignisse erfassen und eignen sich daher ideal für netzunabhängige Installationen.

Die richtige FPS-Zahl für Deep-Learning-Anwendungen wählen#

Die Auswahl der idealen FPS-Zahl erfordert ein Gleichgewicht zwischen Leistung und Systembeschränkungen. Bei der Optimierung von FPS für Deep-Learning-Anwendungen solltest du folgende Aspekte berücksichtigen:

• Leistung und Ressourcen ausbalancieren: Eine höhere FPS-Zahl verbessert die Reaktionsfähigkeit, erhöht aber auch den Energie- und Rechenbedarf. Eine dynamische Anpassung der FPS-Zahl, die Verwendung von Einzelbildinterpolation und die Optimierung der Hardware können dazu beitragen, eine flüssige Leistung aufrechtzuerhalten, ohne das System zu überlasten.
• Anwendungsspezifische Anforderungen: Verschiedene Anwendungen haben unterschiedliche FPS-Anforderungen. Akkubetriebene Geräte sollten eine niedrigere FPS-Zahl verwenden, um Energie zu sparen, während Echtzeitsysteme wie Drohnen und autonome Fahrzeuge für schnelle und präzise Reaktionen eine höhere FPS-Zahl benötigen.
• Tests und Optimierung: FPS-Einstellungen sollten idealerweise unter verschiedenen Bedingungen hinsichtlich Beleuchtung und Bewegung getestet werden. Die Bewertung der Latenz und der direkte Vergleich verschiedener FPS-Stufen helfen dabei, das beste Gleichgewicht zwischen Reaktionsfähigkeit, visueller Qualität und Ressourceneffizienz zu bestimmen.

Zukünftige Innovationen und FPS-Optimierung für KI-Modelle#

Fortschritte in der KI und bei der Hardwareoptimierung machen höhere Bildraten auch in Umgebungen mit begrenzten Ressourcen immer leichter erreichbar. Branchen wie Film, Sport und Robotik können beispielsweise von einer intelligenteren Verwaltung der Bildrate profitieren, bei der Systeme FPS dynamisch an die Komplexität der Bewegung und die Rechenleistung anpassen. KI-gestützte Einzelbildinterpolation verbessert außerdem die Flüssigkeit von Videos, indem sie in Echtzeit zusätzliche Einzelbilder erzeugt.

Unterdessen treibt ein aktueller Durchbruch von NVIDIA die FPS-Leistung noch weiter voran. DLSS 4 (Deep-Learning-Supersampling) führt die Mehrfachbildgenerierung ein, bei der KI zusätzliche Einzelbilder vorhersagt und erzeugt. Dadurch wird die Bildrate um bis zu das Achtfache erhöht und gleichzeitig die Systemauslastung reduziert.

Indem DLSS 4 einen Teil der Darstellung von der KI übernehmen lässt, sorgt es für flüssigere Bilder, ohne die Hardware zusätzlich zu belasten, und verbessert dadurch sowohl Leistung als auch Effizienz.

Wichtige Erkenntnisse#

FPS ist mehr als nur ein Maß für flüssige Bilder; FPS ermöglicht Echtzeitentscheidungen in KI und Computer Vision. Jedes Einzelbild eines Videos erfasst wichtige Daten und ermöglicht es Maschinen, Objekte zu verfolgen, Bewegungen zu analysieren und auf dynamische Umgebungen zu reagieren. Ob selbstfahrende Autos, die Hindernissen ausweichen, oder Überwachungssysteme, die Bedrohungen sofort erkennen: Die richtige FPS-Zahl gewährleistet Genauigkeit und Effizienz.

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

Möchtest du mehr über KI erfahren? Entdecke unser GitHub-Repository und werde Teil unserer Community. Bereit, deine eigenen Computer-Vision-Projekte zu starten? Sieh dir unsere Lizenzierungsoptionen an. Erfahre, wie Computer Vision im Gesundheitswesen die Effizienz verbessert, und entdecke die Auswirkungen von KI in der Fertigung, indem du unsere Lösungsseiten besuchst!