Fahrzeug- und Objekt-Erkennungssystem

Eine webbasierte Anwendung zur Echtzeit-Objekterkennung und -Verfolgung mittels YOLOv11. Die Anwendung unterstützt sowohl Live-Webcam-Streams als auch die Verarbeitung hochgeladener Videodateien.

Funktionen

• Webcam-Erkennung: Echtzeit-Objekterkennung über die Webcam
• Video-Upload: Hochladen und Verarbeiten von Videodateien mit Objekterkennung
• Objekt-Tracking: Persistente Verfolgung von Objekten mit eindeutigen IDs über Frames hinweg
• Visuelle Markierungen: Bounding Boxes und Labels für erkannte Objekte
• Browser-basiert: Einfacher Zugriff über den Webbrowser

Voraussetzungen

• Python 3.12 oder höher
• Webcam (für Live-Erkennung)
• YOLO-Modell (yolo11s.pt) im Hauptverzeichnis

Installation

1. Repository klonen oder herunterladen

2. Erforderliche Python-Pakete installieren:

pip3 install flask opencv-python numpy ultralytics

3. Sicherstellen, dass die Modelldatei yolo11s.pt im Hauptverzeichnis vorhanden ist

Verwendung

Anwendung starten

python3 app.py

Die Anwendung ist dann unter http://localhost:8080 erreichbar.

Webcam-Erkennung

1. Öffnen Sie http://localhost:8080 im Browser
2. Klicken Sie auf "Start Webcam Detection"
3. Die Webcam wird aktiviert und Objekte werden in Echtzeit erkannt und markiert
4. Jedes Objekt erhält eine Track-ID und Klassenbeschriftung

Video-Upload

1. Öffnen Sie http://localhost:8080 im Browser
2. Wählen Sie eine Videodatei über das Upload-Formular aus
3. Klicken Sie auf "Upload Video"
4. Das Video wird verarbeitet und mit Objekterkennungen angezeigt

Projektstruktur

.
├── app.py                    # Haupt-Flask-Anwendung
├── yolo11s.pt               # YOLOv11-Modell (erforderlich)
├── templates/               # HTML-Templates
│   ├── index.html          # Startseite
│   ├── webcam.html         # Webcam-Anzeige
│   └── play_video.html     # Video-Wiedergabe
├── uploads/                # Hochgeladene Videos (automatisch erstellt)
└── highway1.mp4            # Beispielvideo

Technische Details

Verwendete Technologien

• Flask: Web-Framework für Routing und Template-Rendering
• OpenCV: Videobearbeitung und Frame-Manipulation
• Ultralytics YOLO: YOLOv11-Modell für Objekterkennung und Tracking
• NumPy: Array-Operationen für Bilddaten

Verarbeitungs-Pipeline

1. Frame-Erfassung: Webcam oder Videodatei als Quelle
2. Frame-Skipping: Verarbeitung jedes 2. Frames zur Leistungsoptimierung
3. Größenanpassung: Alle Frames werden auf 1020x600 Pixel skaliert
4. YOLO-Tracking: Objekterkennung mit persistenten Track-IDs
5. Annotation: Zeichnen von Bounding Boxes und Labels
6. Streaming: Übertragung als MJPEG-Stream an den Browser

Objekterkennung

• Erkennt verschiedene Objektklassen (abhängig vom YOLO-Modell)
• Vergibt eindeutige Track-IDs für jedes Objekt
• Beschriftung im Format: {Track-ID} - {Klassenname}
• Grüne Bounding Boxes um erkannte Objekte
• Magenta-farbene Textbeschriftungen

Leistungsoptimierung

• Frame-Skipping: Nur jeder 2. Frame wird verarbeitet, um CPU-Last zu reduzieren
• Feste Auflösung: Einheitliche Größe von 1020x600 Pixel für alle Frames
• Effizientes Streaming: JPEG-Kompression für Frame-Übertragung

Einschränkungen

• Keine Validierung der Upload-Dateigröße
• Keine automatische Bereinigung hochgeladener Dateien
• Feste Frame-Dimensionen (1020x600)
• Keine Fehlerbehandlung bei Webcam-Zugriffsproblemen

Hinweise

• Bei der ersten Verwendung kann das Laden des YOLO-Modells einige Sekunden dauern
• Die Erkennungsgenauigkeit hängt vom verwendeten YOLO-Modell ab
• Frame-Skipping kann bei sehr schnell bewegten Objekten zu Erkennungslücken führen
• Hochgeladene Videos werden im Ordner uploads/ gespeichert und müssen manuell gelöscht werden

Lizenz

Projekt basiert auf Ressourcen von Pyresearch