Geschwindigkeitsschätzung mit Ultralytics YOLO26#
Was ist Geschwindigkeitsschätzung?#
Geschwindigkeitsschätzung bezeichnet den Prozess, die Bewegungsgeschwindigkeit eines Objekts in einem bestimmten Kontext zu berechnen, und wird häufig in Anwendungen der Computer Vision eingesetzt. Mit Ultralytics YOLO26 kannst du jetzt die Geschwindigkeit von Objekten mithilfe von Objektverfolgung sowie Entfernungs- und Zeitdaten berechnen – entscheidend für Aufgaben wie Verkehrsüberwachung und Sicherheitsmonitoring. Die Genauigkeit der Geschwindigkeitsschätzung beeinflusst direkt die Effizienz und Zuverlässigkeit verschiedener Anwendungen und ist damit eine zentrale Komponente für die Weiterentwicklung intelligenter Systeme und Echtzeitentscheidungen.
Watch: Speed Estimation using Ultralytics YOLO26
Weitere Informationen zur Geschwindigkeitsschätzung findest du in unserem Blogbeitrag: Ultralytics YOLO zur Geschwindigkeitsschätzung in Computer-Vision-Projekten
Vorteile der Geschwindigkeitsschätzung#
- Effiziente Verkehrssteuerung: Eine genaue Geschwindigkeitsschätzung unterstützt die Steuerung des Verkehrsflusses, erhöht die Sicherheit und reduziert Staus auf Straßen.
- Präzise autonome Navigation: In autonomen Systemen wie selbstfahrenden Autos sorgt eine zuverlässige Geschwindigkeitsschätzung für eine sichere und genaue Navigation von Fahrzeugen.
- Verbesserte Sicherheit durch Überwachung: Die Geschwindigkeitsschätzung in der Überwachungsanalyse hilft dabei, ungewöhnliches Verhalten oder potenzielle Bedrohungen zu erkennen und die Wirksamkeit von Sicherheitsmaßnahmen zu verbessern.
Anwendungen in der Praxis#
| Verkehr | Verkehr |
|---|---|
 |  |
| Geschwindigkeitsschätzung auf einer Straße mit Ultralytics YOLO26 | Geschwindigkeitsschätzung auf einer Brücke mit Ultralytics YOLO26 |
Die Geschwindigkeit ist ein Schätzwert
Die Geschwindigkeit ist ein Schätzwert und möglicherweise nicht vollständig genau. Außerdem kann die Schätzung je nach Kameraspezifikationen und damit verbundenen Faktoren variieren.
Geschwindigkeit mit YOLO26 schätzen#
Die Lösung SpeedEstimator verfolgt jedes Objekt über mehrere Einzelbilder hinweg und wandelt seine Pixelverschiebung mithilfe der Bildrate des Videos (fps) und einer realen Maßstabskala (meter_per_pixel) in eine Geschwindigkeit um. Passe meter_per_pixel an deine Kameraeinrichtung an und verwende max_speed, um Ausreißer aus verrauschten Objektverläufen 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 von SpeedEstimator#
Hier ist eine Tabelle mit den Argumenten von SpeedEstimator:
| Argument | Typ | Standardwert | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer YOLO-Modell-Datei von Ultralytics. |
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 der Pixeldistanz in reale Einheiten. |
max_speed | int | 120 | Maximale Geschwindigkeitsbegrenzung in visuellen Overlays (für Warnungen verwendet). |
line_width | int | 2 | Linienstärke für die von der Lösung gezeichneten Boxen, Keypoints und Zählwerte. |
verbose | bool | True | Aktiviert das Protokoll der Lösung pro Frame mit Eingabeform, Klassenanzahlen und Verarbeitungsgeschwindigkeit. Der Tracking-Aufruf selbst bleibt immer ohne Ausgabe. |
Die Lösung SpeedEstimator ermöglicht die Verwendung der Parameter von track:
| Argument | Typ | Standardwert | 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 Konfidenzschwellenwert für Erkennungen fest. Niedrigere Werte ermöglichen das Verfolgen weiterer Objekte, können aber Fehlalarme einschließen. |
iou | float | 0.7 | Legt den Schwellenwert für Intersection over Union (IoU) zum Filtern überlappender Erkennungen fest. |
classes | list | None | Filtert Ergebnisse nach Klassenindex. Beispielsweise 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 die Auswahl zwischen CPU, einer bestimmten GPU oder anderen Rechengeräten für die Modellausführung. |
imgsz | int or tuple | 640 | Ziel-Inferenzbildgröße: eine ganze Zahl für ein quadratisches Bild oder ein (height, width)-Paar. Die Formate werden an die Modellschrittweite angepasst. |
max_det | int | 300 | Maximale Anzahl pro Frame beibehaltener Detektionen vor dem Tracking, wodurch die Objekte begrenzt werden, die eine Solution in dichten Szenen verarbeitet. |
quantize | int or str | None | Inferenzpräzision: 16 (FP16) oder 32/nicht gesetzt (FP32) für PyTorch- und TorchScript-Modelle; andere Formate berechnen mit der Präzision, die ihr Artefakt und ihre Laufzeit auswählen. Ersetzt das veraltete half-Flag. |
Zusätzlich werden die folgenden Visualisierungsoptionen unterstützt:
| Argument | Typ | Standardwert | Beschreibung |
|---|---|---|---|
show | bool | False | Wenn True, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Dies ist nützlich für unmittelbares visuelles Feedback während der Entwicklung oder des Testens. |
show_conf | bool | True | Zeigt neben dem Label den Konfidenzwert für jede Erkennung an. Dadurch erhältst du Einblick in die Sicherheit des Modells bei jeder Erkennung. |
show_labels | bool | True | Zeigt Labels für jede Erkennung in der visuellen Ausgabe an. Dies ermöglicht ein unmittelbares Verständnis der erkannten Objekte. |
FAQ#
Die Schätzung der Objektgeschwindigkeit mit Ultralytics YOLO26 kombiniert Objekterkennung und Objektverfolgung. Das Modell erkennt Objekte in jedem Einzelbild, verfolgt sie über mehrere Einzelbilder hinweg und wandelt die zwischen den Einzelbildern zurückgelegte Entfernung mithilfe der Bildrate und der
meter_per_pixel-Skala in eine Geschwindigkeit um. Das Python-Beispiel oben führt diese vollständige Verarbeitungskette aus – übergib dein Video und passemeter_per_pixelan deine Kamera an. Weitere Hintergrundinformationen findest du in unserem offiziellen Blogbeitrag.Die Verwendung von Ultralytics YOLO26 zur Geschwindigkeitsschätzung bietet im Verkehrsmanagement erhebliche Vorteile:
- Erhöhte Sicherheit: Schätze die Fahrzeuggeschwindigkeit präzise, um Geschwindigkeitsüberschreitungen zu erkennen und die Verkehrssicherheit zu verbessern.
- Überwachung in Echtzeit: Nutze die Echtzeitfähigkeit von YOLO26 zur Objekterkennung, um Verkehrsfluss und Staus effektiv zu überwachen.
- Skalierbarkeit: Setze das Modell auf verschiedenen Hardwarekonfigurationen ein – von Edge-Geräten bis hin zu Servern – und stelle so flexible und skalierbare Lösungen für umfangreiche Implementierungen bereit.
Weitere Anwendungen findest du unter Vorteile der Geschwindigkeitsschätzung.
Ja, YOLO26 kann in andere KI-Frameworks wie TensorFlow und PyTorch integriert werden. Ultralytics unterstützt den Export von YOLO26-Modellen in verschiedene Formate wie ONNX, TensorRT und CoreML und gewährleistet so eine reibungslose Interoperabilität mit anderen ML-Frameworks.
So exportierst du ein YOLO26-Modell in das ONNX-Format:
yolo export model=yolo26n.pt format=onnxWeitere Informationen zum Export 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 Schätzwerte, ist aufgrund von Schwankungen bei der Verarbeitungsgeschwindigkeit der Einzelbilder und Verdeckungen von Objekten möglicherweise nicht zu 100 % genau.
Hinweis: Berücksichtige stets die Fehlerquote und validiere die Schätzwerte nach Möglichkeit mit Daten zur tatsächlichen Referenz.
Tipps zur weiteren Verbesserung der Genauigkeit findest du im Abschnitt zu den Argumenten
SpeedEstimator.