Geschwindigkeitsschätzung mit Ultralytics YOLO26#
Was ist eine Geschwindigkeitsschätzung?#
Die Geschwindigkeitsschätzung ist der Vorgang, die Bewegungsgeschwindigkeit eines Objekts in einem bestimmten Kontext zu berechnen. Sie kommt häufig in Anwendungen der Computer Vision zum Einsatz. Mit Ultralytics YOLO26 kannst du jetzt die Geschwindigkeit von Objekten mithilfe von Objektverfolgung sowie Entfernungs- und Zeitdaten berechnen. Das ist entscheidend für Aufgaben wie die Verkehrsüberwachung. Die Genauigkeit der Geschwindigkeitsschätzung wirkt sich unmittelbar auf die Effizienz und Zuverlässigkeit verschiedener Anwendungen aus und ist daher ein wichtiger Bestandteil der Weiterentwicklung intelligenter Systeme und der Entscheidungsfindung in Echtzeit.
Ansehen: Geschwindigkeitsschätzung mit Ultralytics YOLO26
Weitere Einblicke in die Geschwindigkeitsschätzung findest du in unserem Blogbeitrag: Ultralytics YOLO zur Geschwindigkeitsschätzung in Computer-Vision-Projekten
Vorteile der Geschwindigkeitsschätzung#
- Effiziente Verkehrssteuerung: Eine genaue Geschwindigkeitsschätzung hilft, den Verkehrsfluss zu steuern, die Sicherheit zu erhöhen und Staus auf Straßen zu verringern.
- Präzise autonome Navigation: In autonomen Systemen wie selbstfahrenden Autos sorgt eine zuverlässige Geschwindigkeitsschätzung für eine sichere und präzise Fahrzeugnavigation.
- Verbesserte Sicherheit bei der Überwachung: Die Geschwindigkeitsschätzung in der Überwachungsanalyse hilft, ungewöhnliches Verhalten oder potenzielle Bedrohungen zu erkennen und die Wirksamkeit von Sicherheitsmaßnahmen zu verbessern.
Anwendungen in der Praxis#
| Transport | Transport |
|---|---|
 |  |
| Geschwindigkeitsschätzung auf einer Straße mit Ultralytics YOLO26 | Geschwindigkeitsschätzung auf einer Brücke mit Ultralytics YOLO26 |
Geschwindigkeit ist ein Schätzwert
Die Geschwindigkeit ist ein Schätzwert und möglicherweise nicht vollständig genau. Außerdem kann die Schätzung je nach Kameraspezifikationen und anderen Faktoren variieren.
Geschwindigkeit mit YOLO26 schätzen#
Die Lösung SpeedEstimator verfolgt jedes Objekt über mehrere Frames hinweg und wandelt dessen Pixelverschiebung anhand der Video-Bildrate (fps) und eines Maßstabs für die reale Welt (meter_per_pixel) in eine Geschwindigkeit um. Stimme meter_per_pixel auf deine Kameraeinrichtung ab und verwende max_speed, um Ausreißer in verrauschten Tracks zu begrenzen.
# Run a speed example
yolo solutions speed show=True
# Pass a source video
yolo solutions speed source="path/to/video.mp4"
# Adjust meter per pixel value based on camera configuration
yolo solutions speed meter_per_pixel=0.05Argumente für SpeedEstimator#
Hier ist eine Tabelle mit den Argumenten für SpeedEstimator:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer Ultralytics-YOLO-Modelldatei. |
fps | float | 30.0 | Für Geschwindigkeitsberechnungen verwendete Bilder pro Sekunde. |
max_hist | int | 5 | Maximale Anzahl historischer Punkte, die pro Objekt für Geschwindigkeits- und Richtungsberechnungen verfolgt werden. |
meter_per_pixel | float | 0.05 | Skalierungsfaktor zur Umrechnung von Pixelabständen in reale Maßeinheiten. |
max_speed | int | 120 | Maximale Geschwindigkeit in km/h; höhere geschätzte Geschwindigkeiten werden auf diesen Wert begrenzt. |
line_width | int | 2 | Linienstärke für die Boxen, Keypoints und Zählwerte, die von der Lösung eingezeichnet werden. |
verbose | bool | True | Aktiviert das Protokoll der Lösung für jedes Bild, das Eingabeform, Klassenanzahlen und Verarbeitungsgeschwindigkeit enthält. Der Tracking-Aufruf selbst gibt grundsätzlich keine Meldungen aus. |
Die Lösung SpeedEstimator unterstützt die folgenden Parameter für track:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Legt den zu verwendenden Verfolgungsalgorithmus fest. Integrierte Optionen: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Legt den Konfidenzschwellenwert für Erkennungen fest. Niedrigere Werte ermöglichen die Verfolgung weiterer Objekte, können aber auch falsch positive Ergebnisse einschließen. |
iou | float | 0.7 | Legt den Schwellenwert für die Schnittmenge über Vereinigung (IoU) fest, um überlappende Erkennungen herauszufiltern. |
classes | list | None | Filtert die Ergebnisse nach Klassenindex. Beispielsweise verfolgt classes=[0, 2, 3] nur die angegebenen Klassen. |
device | str | None | Legt das Gerät für die Inferenz fest (z. B. cpu, cuda:0 oder 0). So kannst du für die Modellausführung zwischen CPU, einer bestimmten GPU oder anderen Rechengeräten wählen. |
imgsz | int or tuple | 640 | Zielbildgröße für die Inferenz: eine Ganzzahl für ein quadratisches Bild oder ein (height, width)-Paar. Die Formen werden an den Modellschritt angepasst. |
max_det | int | 300 | Maximale Anzahl der Erkennungen, die pro Bild vor der Verfolgung beibehalten werden. Dadurch wird die Anzahl der Objekte begrenzt, die eine Lösung in dichten Szenen verarbeitet. |
quantize | int or str | None | Inferenzpräzision: 16 (FP16) oder 32/unset (FP32) für PyTorch- und TorchScript-Modelle außerhalb der CPU; andere Formate verwenden die Präzision, die ihr Artefakt und ihre Laufzeitumgebung vorgeben. Ersetzt das veraltete Argument half. |
Außerdem werden die folgenden Visualisierungsoptionen unterstützt:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
show | bool | False | Wenn True aktiviert ist, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für unmittelbares visuelles Feedback während der Entwicklung oder beim Testen. |
show_labels | bool | True | Zeigt für jede Erkennung eine Bezeichnung in der visuellen Ausgabe an. So lassen sich erkannte Objekte sofort erkennen. |
Häufig gestellte Fragen#
Die Schätzung der Objektgeschwindigkeit mit Ultralytics YOLO26 kombiniert Objekterkennung und Objektverfolgung. Das Modell erkennt Objekte in jedem Frame, verfolgt sie über mehrere Frames hinweg und berechnet anhand der Bildrate und des Maßstabs
meter_per_pixeldie Geschwindigkeit aus der zwischen den Frames zurückgelegten Entfernung. Das Python-Beispiel oben führt diese gesamte Verarbeitungskette aus – übergib dein Video und passemeter_per_pixelan deine Kamera an. Weitere Informationen findest du in unserem offiziellen Blogbeitrag.Die Geschwindigkeitsschätzung mit Ultralytics YOLO26 bietet erhebliche Vorteile für das Verkehrsmanagement:
- Mehr Sicherheit: Schätze Fahrzeuggeschwindigkeiten präzise, um überhöhte Geschwindigkeiten zu erkennen und die Verkehrssicherheit zu verbessern.
- Überwachung in Echtzeit: Nutze die Objekterkennung von YOLO26 in Echtzeit, um den Verkehrsfluss und Staus effektiv zu überwachen.
- Skalierbarkeit: Stelle das Modell auf unterschiedlichen Hardwarekonfigurationen bereit – von Edge-Geräten bis hin zu Servern – und ermögliche so flexible, skalierbare Lösungen für umfangreiche Implementierungen.
Weitere Anwendungsmöglichkeiten findest du unter Vorteile der Geschwindigkeitsschätzung.
Ja, YOLO26 lässt sich in andere KI-Frameworks wie TensorFlow und PyTorch integrieren. Ultralytics unterstützt den Export von YOLO26-Modellen in verschiedene Formate wie ONNX, TensorRT und CoreML. Dadurch ist eine reibungslose Zusammenarbeit mit anderen ML-Frameworks gewährleistet.
So exportierst du ein YOLO26-Modell in das ONNX-Format:
yolo export model=yolo26n.pt format=onnxWeitere Informationen zum Exportieren von Modellen findest du in unserem Leitfaden zum Export.
Die Genauigkeit der Geschwindigkeitsschätzung mit Ultralytics YOLO26 hängt von mehreren Faktoren ab, darunter die Qualität der Objektverfolgung, die Auflösung und Bildrate des Videos sowie Umgebungsbedingungen. Der Geschwindigkeitsschätzer liefert zwar zuverlässige Schätzungen, diese sind jedoch möglicherweise nicht hundertprozentig genau, da die Verarbeitungsgeschwindigkeit der Frames variieren und Objekte verdeckt werden können.
Hinweis: Berücksichtige stets die Fehlermarge und überprüfe die Schätzungen nach Möglichkeit anhand von Referenzdaten.
Weitere Tipps zur Verbesserung der Genauigkeit findest du im Abschnitt Argumente
SpeedEstimator.