Geschwindigkeitsschätzung mit Ultralytics YOLO26 🚀#
Was ist Geschwindigkeitsschätzung?#
Speed estimation ist der Prozess der Berechnung der Bewegungsrate eines Objekts in einemgegebenen Kontext und wird häufig in computer vision-Anwendungen eingesetzt. Mit Ultralytics YOLO26 kannst du jetzt die Geschwindigkeit von Objekten mithilfe von object tracking zusammen mit Distanz- und Zeitdaten berechnen, was für Aufgaben wie Verkehrsüberwachung und Überwachung von entscheidender Bedeutung ist. Die Genauigkeit der Geschwindigkeitsabschätzung beeinflusst direkt die Effizienz und Zuverlässigkeit verschiedener Anwendungen, was sie zu einer Schlüsselkomponente bei der Weiterentwicklung intelligenter Systeme und Echtzeit-Entscheidungsprozesse macht.
Watch: Speed Estimation using Ultralytics YOLO26
Für tiefergehende Einblicke in die Geschwindigkeitsabschätzung lies unseren Blogbeitrag: Ultralytics YOLO for Speed Estimation in Computer Vision Projects
Vorteile der Geschwindigkeitsschätzung#
- Effiziente Verkehrssteuerung: Eine genaue Geschwindigkeitsschätzung hilft dabei, den Verkehrsfluss zu managen, die Sicherheit zu erhöhen und Staus auf Straßen zu reduzieren.
- Präzise autonome Navigation: In autonomen Systemen wie self-driving cars sorgt eine zuverlässige Geschwindigkeitsabschätzung für eine sichere und genaue Fahrzeugnavigation.
- Verbesserte Überwachungssicherheit: Die Geschwindigkeitsschätzung in der Überwachungsanalyse hilft, ungewöhnliches Verhalten oder potenzielle Bedrohungen zu identifizieren, was die Effektivität von Sicherheitsmaßnahmen verbessert.
Praxisanwendungen#
| Transportwesen | Transportwesen |
|---|---|
 |  |
| Geschwindigkeitsschätzung auf der Straße mit Ultralytics YOLO26 | Geschwindigkeitsschätzung auf einer Brücke mit Ultralytics YOLO26 |
Geschwindigkeit ist eine Schätzung
Die Geschwindigkeit ist eine Schätzung und möglicherweise nicht vollkommen genau. Zudem kann die Schätzung je nach Kameraspezifikationen und damit verbundenen Faktoren variieren.
Geschwindigkeit mit YOLO26 schätzen#
Die SpeedEstimator-Lösung verfolgt jedes Objekt über Frames hinweg und konvertiert dessen Pixelverschiebung mithilfe der Video-Framerate (fps) und eines realen Maßstabs (meter_per_pixel) in eine Geschwindigkeit. Passe meter_per_pixel an dein Kamera-Setup an und verwende max_speed, um Ausreißer aus verrauschten Tracks herauszufiltern.
# 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=0.05SpeedEstimator-Argumente#
Hier ist eine Tabelle mit den SpeedEstimator-Argumenten:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer Ultralytics YOLO-Modelldatei. |
fps | float | 30.0 | Bilder pro Sekunde für Geschwindigkeitsberechnungen. |
max_hist | int | 5 | Maximale Anzahl historischer Punkte pro Objekt für Geschwindigkeits-/Richtungsberechnungen. |
meter_per_pixel | float | 0.05 | Skalierungsfaktor für die Umrechnung von Pixelabständen in reale Einheiten. |
max_speed | int | 120 | Maximales Geschwindigkeitslimit in visuellen Overlays (verwendet für Warnungen). |
line_width | int | 2 | Linienstärke für die Boxen, Keypoints und Zählungen, die die Lösung zeichnet. |
verbose | bool | True | Aktiviert das pro-Frame-Protokoll der Lösung für Eingabeform, Klassenzahlen und Verarbeitungsgeschwindigkeit. Der Tracking-Aufruf selbst verläuft immer im Hintergrund. |
Die SpeedEstimator-Lösung ermöglicht die Verwendung von track-Parametern:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Gibt den zu verwendenden Tracking-Algorithmus an. Integrierte Optionen: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Legt den Konfidenz-Schwellenwert für Detektionen fest; niedrigere Werte ermöglichen die Verfolgung von mehr Objekten, können aber zu falsch-positiven Ergebnissen führen. |
iou | float | 0.7 | Legt den Schwellenwert für die Intersection over Union (IoU) zum Filtern überlappender Detektionen fest. |
classes | list | None | Filtert Ergebnisse nach Klassenindex. Zum Beispiel verfolgt classes=[0, 2, 3] nur die angegebenen Klassen. |
device | str | None | Gibt das Gerät für die Inferenz an (z. B. cpu, cuda:0 oder 0). Ermöglicht Benutzern die Auswahl zwischen CPU, einer spezifischen GPU oder anderen Rechengeräten für die Modellausführung. |
Zusätzlich werden die folgenden Visualisierungsoptionen unterstützt:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
show | bool | False | Falls True, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für unmittelbares visuelles Feedback während der Entwicklung oder des Testens. |
show_conf | bool | True | Zeigt den Konfidenzwert für jede Erkennung neben dem Label an. Bietet Einblick in die Gewissheit des Modells für jede Erkennung. |
show_labels | bool | True | Zeigt Labels für jede Erkennung in der visuellen Ausgabe an. Ermöglicht ein sofortiges Verständnis der erkannten Objekte. |
FAQ#
Die Abschätzung der Objektgeschwindigkeit mit Ultralytics YOLO26 kombiniert object detection und Tracking. Das Modell erkennt Objekte in jedem Frame, verfolgt sie über Frames hinweg und konvertiert die zwischen Frames zurückgelegte Distanz mithilfe der Framerate und des
meter_per_pixel-Maßstabs in eine Geschwindigkeit. Das Python example above führt diese vollständige Pipeline aus – übermittle dein Video und passemeter_per_pixelan deine Kamera an. Weitere Hintergründe findest du in unserem official blog post.Die Verwendung von Ultralytics YOLO26 für die Geschwindigkeitsschätzung bietet signifikante Vorteile im Verkehrsmanagement:
- Erhöhte Sicherheit: Schätze Fahrzeuggeschwindigkeiten genau ein, um überhöhte Geschwindigkeit zu erkennen und die Verkehrssicherheit zu verbessern.
- Echtzeitüberwachung: Profitiere von der Echtzeit-Objekterkennungsfähigkeit von YOLO26, um den Verkehrsfluss und Staus effektiv zu überwachen.
- Skalierbarkeit: Deploye das Modell auf verschiedenen Hardware-Setups, von edge devices bis hin zu Servern, um flexible und skalierbare Lösungen für groß angelegte Implementierungen zu gewährleisten.
Weitere Anwendungen findest du unter advantages of speed estimation.
Ja, YOLO26 kann in andere KI-Frameworks wie TensorFlow und PyTorch integriert werden. Ultralytics bietet Unterstützung für den Export von YOLO26-Modellen in verschiedene Formate wie ONNX, TensorRT und CoreML, um eine reibungslose Interoperabilität mit anderen ML-Frameworks zu gewährleisten.
Um ein YOLO26-Modell in das ONNX-Format zu exportieren:
yolo export model=yolo26n.pt format=onnxErfahre mehr über den Modellexport in unserem guide on export.
Die accuracy der Geschwindigkeitsabschätzung mit Ultralytics YOLO26 hängt von mehreren Faktoren ab, einschließlich der Qualität des Objekt-Trackings, der Auflösung und Framerate des Videos sowie Umweltvariablen. Zwar liefert der Geschwindigkeitsestimator zuverlässige Schätzungen, er ist jedoch aufgrund von Abweichungen bei der Frame-Verarbeitungsgeschwindigkeit und Objektverdeckung möglicherweise nicht zu 100 % genau.
Hinweis: Berücksichtige immer einen Fehlertoleranzbereich und validiere die Schätzungen nach Möglichkeit mit Ground-Truth-Daten.
Tipps zur weiteren Verbesserung der Genauigkeit findest du im Abschnitt Arguments
SpeedEstimatorsection.