Was ist die Erkennung orientierter Begrenzungsrahmen (OBB)?

Gegenstände unabhängig von ihrer Anordnung oder Ausrichtung zu erkennen, fällt uns Menschen ganz natürlich. Ob Autos an einer Kreuzung oder Boote in einem Hafen – wir können leicht feststellen, worum es sich handelt und in welche Richtung sie zeigen. Für Systeme der künstlichen Intelligenz (AI) ist das jedoch nicht so einfach.

Computer Vision, ein Teilgebiet der KI, das sich mit dem Verständnis von Bildern und Videos befasst, ermöglicht beispielsweise Aufgaben wie die Objekterkennung. Dabei identifizieren und lokalisieren Maschinen Objekte innerhalb einer Szene. Bei der herkömmlichen Objekterkennung werden achsenparallele Begrenzungsrahmen um die Objekte gezeichnet. Diese Rahmen haben gerade Seiten und feste rechte Winkel. Dieser Ansatz funktioniert gut, wenn Objekte aufrecht stehen und nicht zu dicht beieinander liegen.

Wenn Objekte jedoch gekippt oder gedreht sind oder dicht beieinander liegen, hat die herkömmliche Objekterkennung oft Schwierigkeiten, sie präzise zu erfassen. Für solche komplexeren Situationen wurden Verfahren wie die Erkennung orientierter Begrenzungsrahmen (OBB) entwickelt. Im Gegensatz zu gewöhnlichen Begrenzungsrahmen können OBBs gedreht werden, sodass sie dem Winkel und der Form des Objekts entsprechen und es enger und genauer umschließen.

Computer-Vision-Modelle wie Ultralytics YOLO11, das die OBB-Erkennung unterstützt, ermöglichen zahlreiche Echtzeitanwendungen. Besonders nützlich sind sie in Situationen, in denen die Ausrichtung eines Objekts wichtig ist, etwa bei der Luftüberwachung. Darüber hinaus wird die OBB-Erkennung auch im Gesundheitswesen, in der Landwirtschaft und bei der Dokumentenanalyse eingesetzt.

In diesem Artikel erklären wir, was OBB-Erkennung ist, wie sie funktioniert und in welchen Situationen sie in der Praxis eingesetzt wird.

Abb. 1. Eine Beispielvorführung zur OBB-Erkennung von Booten mit YOLO11.

Was ist ein orientierter Begrenzungsrahmen?#

Ein orientierter Begrenzungsrahmen ist ein rechteckiger Rahmen, der in der Computer Vision erkannte Objekte in einem Bild darstellt. Während gewöhnliche Begrenzungsrahmen an den horizontalen und vertikalen Achsen des Bildes ausgerichtet sind, können OBBs gedreht werden, um dem tatsächlichen Winkel des Objekts zu entsprechen.

Diese Drehbarkeit bietet mehrere Vorteile. OBBs können sich genauer an der Ausrichtung eines Objekts orientieren, sodass der Rahmen eng an dessen Form und Richtung anliegt. Dadurch wird die Erkennung genauer und präziser.

OBBs sind besonders nützlich, wenn Objekte nicht exakt aufrecht stehen, etwa bei einem Auto, das in Luftaufnahmen auf einer kurvigen Straße fährt, einem schräg liegenden Buch auf einem Schreibtisch oder einem gedrehten Tumor in einer medizinischen Aufnahme. Indem OBBs den Winkel eines Objekts genauer abbilden, verbessern sie die Erkennungsleistung und verringern Störungen durch den Hintergrund. Sie eignen sich besonders für Anwendungen, bei denen die Ausrichtung eines Objekts ebenso wichtig ist wie seine Position.

Abb. 2. Vergleich von Objekterkennung und OBB-Erkennung.

OBB-Erkennung im Vergleich zur Objekterkennung#

Auf den ersten Blick sehen die OBB-Erkennung und die herkömmliche Objekterkennung möglicherweise ähnlich aus. Sie kommen jedoch in unterschiedlichen Situationen und auf unterschiedliche Weise zum Einsatz. Sehen wir uns den Vergleich anhand eines Beispiels genauer an.

Computer-Vision-Modelle wie YOLO11 lassen sich darauf trainieren, Objekte in verschiedenen realen Anwendungen, etwa bei der industriellen Inspektion, zu erkennen und zu klassifizieren. Betrachten wir eine Montagelinie in einer Fabrik, auf der verschiedene Maschinenteile über ein Förderband laufen. Einige Teile liegen möglicherweise ordentlich, andere sind aufgrund von Vibrationen oder der Bewegungsgeschwindigkeit leicht gedreht, gekippt oder überlappen sich.

Bei der herkömmlichen Objekterkennung werden aufrechte rechteckige Rahmen verwendet, die an den horizontalen und vertikalen Bildrändern ausgerichtet sind. Ist ein Teil gedreht, passt der Rahmen möglicherweise nicht richtig: Er kann einen Teil des Objekts auslassen oder zu viel vom Hintergrund einschließen. Dadurch werden die Erkennungen ungenauer, und das System kann das Teil weniger zuverlässig identifizieren.

Nehmen wir nun an, du verwendest stattdessen die OBB-Erkennung. In diesem Fall kann das Modell einen Rahmen zeichnen, der gedreht wird und sich dem exakten Winkel jedes Teils anpasst. Ein schräg liegendes Zahnrad oder Bauteil wird eng von einem Rahmen umschlossen, der seiner Form und Ausrichtung entspricht. Das bedeutet höhere Präzision, weniger Fehler und zuverlässigere Ergebnisse, insbesondere bei Anwendungsfällen wie der automatisierten Qualitätskontrolle oder dem robotergestützten Sortieren.

Beliebte Modelle zur OBB-Erkennung#

Nachdem wir nun besser verstehen, was OBB-Erkennung ist, sehen wir uns einige der am häufigsten verwendeten Vision-AI-Modelle an, die sie unterstützen.

Mehrere fortschrittliche Computer-Vision-Modelle wurden speziell für die Erkennung gedrehter oder gekippter Objekte entwickelt. Die Ultralytics-YOLO-Modelle sind besonders bekannt für ihre zuverlässige und effiziente OBB-Erkennung.

Frühere Versionen wie Ultralytics YOLOv5 wurden für die standardmäßige Objekterkennung entwickelt. Spätere Versionen wie Ultralytics YOLOv8 und das neuere YOLO11 (inzwischen abgelöst durch Ultralytics YOLO26) führten native Unterstützung für die OBB-Erkennung ein. Insbesondere YOLO11 bietet Genauigkeit auf dem neuesten Stand der Technik, ohne Abstriche bei der Geschwindigkeit zu machen. Damit ist es eine leistungsstarke Option für Echtzeitanwendungen.

Vortrainierte YOLO11-OBB-Modelle wie YOLO11n-obb werden mit Datensätzen wie DOTAv1 trainiert. Dieser enthält Luftaufnahmen, die mit verschiedenen Objektklassen wie Flugzeugen, Schiffen und Tennisplätzen annotiert sind, die in unterschiedlichen Winkeln und Ausrichtungen zu sehen sind.

Diese Modelle sind außerdem in fünf Größen erhältlich – von Nano (n-obb) bis Extra Large (x-obb) –, um unterschiedlichen Leistungsanforderungen gerecht zu werden. Dank dieser Vielseitigkeit lassen sie sich in verschiedenen Branchen einsetzen: von der Überwachung städtischer Infrastruktur und der Prüfung von Maschinen bis hin zum Lesen schräg stehender Texte in gescannten Dokumenten.

Ultralytics YOLO11 speziell für die Erkennung orientierter Begrenzungsrahmen trainieren#

In vielen realen Situationen unterscheiden sich die Objekte, die du erkennen musst, möglicherweise deutlich von denen in standardmäßigen Trainingsdatensätzen. Werkzeuge an einer Produktionslinie, Produktverpackungen oder Bauteile auf einer Leiterplatte können beispielsweise gedreht, unregelmäßig angeordnet oder anders geformt sein.

Um solche individuellen Objekte präzise zu erkennen, insbesondere wenn ihre Ausrichtung wichtig ist, solltest du Modelle wie Ultralytics YOLO11 mit eigenen Bildern und Beschriftungen trainieren. Dieses Verfahren wird als individuelles Training bezeichnet.

Hier findest du eine genauere Schritt-für-Schritt-Anleitung zum Training von Ultralytics YOLO11 für die OBB-Erkennung:

• Bilder sammeln: Sammle Bilder, die deine Zielobjekte aus verschiedenen Blickwinkeln, Positionen und realen Umgebungen zeigen.
• Objekte annotieren: Beschrifte jedes Objekt mithilfe von Werkzeugen mit OBB-Unterstützung durch gedrehte Begrenzungsrahmen (OBBs), um sowohl die Position als auch die Ausrichtung zu erfassen.
• Datensatz vorbereiten: Ordne deine Bilder und Labels im YOLO-OBB-Datensatzformat an und erstelle eine YAML-Konfigurationsdatei mit den Namen deiner Klassen und den Pfaden zu den Datensätzen.
• Modell trainieren: Wähle eine Ultralytics-YOLO11-Modellversion, die deinen Anforderungen entspricht, und starte den Trainingsprozess, damit das Modell anhand deiner beschrifteten Bilder lernen kann.
• Bewerten und bereitstellen: Teste dein trainiertes Modell mit neuen Bildern, bewerte seine Genauigkeit und setze es in praktischen Anwendungen wie der Fertigung, der Luftüberwachung oder der Dokumentenanalyse ein.

Anwendungsbereiche der OBB-Erkennung#

Objekte, die nicht zentriert oder geneigt sind, kommen in der Praxis häufig vor. Sehen wir uns einige Beispiele an, bei denen die OBB-Erkennung durch die präzise Erkennung dieser Objekte einen echten Unterschied macht.

Röntgenbildanalyse mit OBB-Erkennung#

Die OBB-Erkennung kann die Analyse medizinischer Bilder durch höhere Präzision weiter verbessern. Medizinische Bilder zeigen häufig anatomische Strukturen wie Tumore, Organe oder Knochen. Diese Strukturen haben oft unregelmäßige Formen und unterschiedliche Ausrichtungen. Da sich OBBs drehen können, um sich dem Winkel eines Objekts anzupassen, ermöglichen sie eine genauere Lokalisierung und Vermessung – entscheidende Faktoren für Diagnose und Behandlungsplanung.

Dieser Ansatz ist besonders effektiv bei der Analyse von Röntgenbildern mit Knochenbrüchen, bei denen Position und Ausrichtung der Knochen entscheidend sind. So wurde die OBB-Erkennung beispielsweise zur Analyse von Röntgenbildern kindlicher Ellenbogen eingesetzt. Durch die Anpassung an die Ausrichtung der Knochen konnte sie die Erkennungsgenauigkeit verbessern.

Abb. 3. Röntgenbilder (a, d) mit Objekterkennung (b, e) und Erkennung orientierter Begrenzungsrahmen (c, f).

Luftüberwachung mit OBB-Erkennung#

Die Luftüberwachung ist ein wichtiges Instrument in Bereichen wie öffentlicher Sicherheit, Umweltüberwachung und Stadtplanung. Mit Drohnen oder Satelliten aufgenommene Bilder können dabei helfen, Objekte wie Schiffe, Fahrzeuge und Gebäude zu erkennen. Auf diesen Bildern erscheinen Objekte jedoch oft klein und in ungewöhnlichen Winkeln, wodurch sie schwerer präzise zu erkennen sind.

Die OBB-Erkennung löst dieses Problem, indem sie die Begrenzungsrahmen neigt und so an den Winkel des jeweiligen Objekts anpasst. Dadurch lassen sich Größe und Ausrichtung eines Objekts genauer messen, was fundiertere Entscheidungen in Bereichen wie Stadtplanung, Verteidigung, Katastrophenschutz und Umweltüberwachung ermöglicht.

Ein interessantes Beispiel für OBB-Erkennung ist die Schiffsverfolgung in der maritimen Überwachung. Satellitenbilder zeigen Schiffe aufgrund von Wetter, Beleuchtung oder Bewegung häufig in unterschiedlichen Winkeln und Größen. OBBs können sich an diese Veränderungen anpassen und so die Erkennung verbessern, insbesondere bei kleineren oder teilweise verdeckten Schiffen.

Abb. 4. Ein Blick auf den Einsatz der OBB-Erkennung für die maritime Überwachung.

OBB-Erkennung in der Landwirtschaft#

Das Sortieren von Feldfrüchten nach der Ernte ist ein entscheidender Schritt, um die Qualität sicherzustellen, bevor sie verpackt und auf den Markt gebracht werden. Viele Systeme eignen sich gut für runde Früchte wie Äpfel und Orangen, doch lange und schmale Feldfrüchte wie Karotten oder die Sprossen des Wasserreises lassen sich deutlich schwieriger verarbeiten. Ihre Formen variieren, und sie liegen oft in unterschiedlichen Winkeln, wodurch sie schwer präzise zu erkennen und zu sortieren sind.

Um dieses Problem zu lösen, haben Forscher ein System entwickelt, das mithilfe der Erkennung gedrehter Begrenzungsrahmen (OBB) diese Feldfrüchte präziser identifiziert und klassifiziert. Das System kann mehrere Feldfrüchte in einem Bild erkennen, selbst wenn sie schräg liegen oder sich überlappen, und ihre Qualität und Position in Echtzeit bewerten.

Vor- und Nachteile der OBB-Erkennung#

Hier sind einige Vorteile der OBB-Erkennung:

• Verbesserte Eingaben für nachgelagerte Aufgaben: Computer-Vision-Aufgaben wie Instanzsegmentierung und Objektverfolgung können bessere Ergebnisse erzielen, wenn sie präzisere Objekterkennungen erhalten.
• Verbesserte räumliche Orientierung: Indem OBBs den Ausrichtungswinkel erfassen, ermöglichen sie es, die Ausrichtung und Richtung eines Objekts zu verstehen.
• Weniger Überlappungen in dicht bevölkerten Szenen: OBBs verringern Mehrdeutigkeiten, indem sie Objekte enger umschließen – auch in belebten oder unübersichtlichen Szenen.

Auch wenn die OBB-Erkennung die Genauigkeit in komplexen Szenen verbessern kann, solltest du einige Einschränkungen beachten:

• Höhere Empfindlichkeit gegenüber Störungen: Kleine Fehler bei der Winkelvorhersage können die Erkennungsgenauigkeit stärker beeinträchtigen, insbesondere bei dicht angeordneten oder länglichen Objekten.
• Spezialisierte Werkzeuge erforderlich: Da nicht alle Plattformen zur Beschriftung und zum Training OBBs von Haus aus unterstützen, sind für die Arbeit damit möglicherweise zusätzliche Werkzeuge oder Einrichtungsschritte nötig.
• Begrenzte Verfügbarkeit von Datensätzen: Im Vergleich zur herkömmlichen Objekterkennung gibt es derzeit weniger öffentlich verfügbare Datensätze mit OBB-Annotationen. Dadurch kann der Einstieg oder der Vergleich von Ergebnissen etwas schwieriger sein.

Die wichtigsten Erkenntnisse#

Die Erkennung orientierter Begrenzungsrahmen erleichtert es Computer-Vision-Lösungen, Objekte zu erkennen, die nicht perfekt gerade oder ausgerichtet sind. Indem sie sowohl die Position als auch die Ausrichtung von Objekten erfasst, verbessert die OBB-Erkennung die Genauigkeit bei realen Anwendungen wie der Analyse medizinischer Bilder, der Überwachung von Ackerland und der Auswertung von Satellitenbildern.

Da Modelle wie Ultralytics YOLO11 die OBB-Erkennung zugänglicher machen, wird sie für viele Branchen zu einer praktischen Option. Ob du es mit geneigten, überlappenden oder ungewöhnlich geformten Objekten zu tun hast: Die OBB-Erkennung erhöht die Präzision, die herkömmliche Methoden oft nicht erreichen.

Interessierst du dich für KI? Entdecke unser GitHub-Repository, tausche dich mit unserer Community aus und sieh dir unsere Lizenzoptionen an, um dein Computer-Vision-Projekt zu starten. Erfahre auf unseren Lösungsseiten mehr über Innovationen wie KI im Einzelhandel und Computer Vision in der Logistikbranche.