Object Detection

Dieser Funktionsblock ist so konzipiert, dass er spezifische Objekte in einem Bild mithilfe eines auf YOLOv4 basierenden Objekterkennungsmodells erkennt. Benutzer können die Objektklasse auswählen, die sie erkennen möchten, und einen Vertrauensschwellenwert für den Erkennungsprozess festlegen.

📥 Eingänge

Image Any Das Eingangsbild, in dem Objekte erkannt werden sollen.

📤 Ausgänge

Image Any Die Ausgabe zeigt das modifizierte Bild mit hervorgehobenen erkannten Objekten in Rechtecken.

Object Count Diese Ausgabe gibt die Gesamtzahl der erkannten Objekte im Eingangsbild zurück.

Object Center Locations Gibt die Mittelpunktkoordinaten der erkannten Objekte zurück und ermöglicht die Verfolgung mehrerer Erkennungen.

Object Sizes (w, h) Die Größen der erkannten Objekte, dargestellt durch deren Breiten und Höhen.

Rectangles Koordinaten der Rechtecke, die die erkannten Objekte umschließen, was mehrere Erkennungen ermöglicht.

🕹️ Steuerungen

Confidence Threshold % Ein Schieberegler zur Anpassung des Vertrauensschwellenwerts für Erkennungen. Die Anpassung dieses Wertes hilft dabei, weniger sichere Erkennungen herauszufiltern.

Select Detection Class Ein Dropdown-Menü zur Auswahl der spezifischen Objektklassen, die erkannt werden sollen, aus den verfügbaren Optionen.

🎨 Funktionen

Multiple Detection Classes Benutzer können aus vordefinierten Klassen wählen, wie „Alle“, „Mensch“, „Tiere“, „Innen“ und „Außen“.

Dynamic Confidence Adjustment Der Schwellenwertschieberegler ermöglicht Echtzeitanpassungen der Empfindlichkeit des Erkennungsalgorithmus.

Comprehensive Outputs Mehrere Ausgaben bieten detailliertes Feedback zu erkannten Objekten, einschließlich Bildmodifikationen, Zählungen und Informationen zu den Begrenzungsrahmen.

📝 Nutzungshinweise

1. Connect Input: Schließen Sie ein Bild an, das potenzielle Objekte enthält, an den Eingang an.

2. Select Class: Wählen Sie eine gewünschte Klasse aus dem Dropdown-Menü Select Detection Class, um festzulegen, wonach der Objekterkennungsalgorithmus suchen soll.

3. Set Confidence: Passen Sie den Schieberegler Confidence Threshold % an, um festzulegen, wie sicher das Modell sein soll, um ein Objekt als erkannt zu betrachten.

4. Evaluate: Führen Sie den Block aus, um die Objekterkennung durchzuführen. Das modifizierte Bild und die Erkennungsergebnisse werden als Ausgaben bereitgestellt.

📊 Bewertung

Wenn er ausgeführt wird, analysiert dieser Funktionsblock das Eingangsbild auf das Vorhandensein der ausgewählten Objekte und gibt Modifikationen des Originalbildes zusammen mit quantitativen Erkennungsdaten zurück.

💡 Tipps und Tricks

Choosing Detection Class

Die Auswahl einer spezifischen Klasse (wie „Tiere“ oder „Mensch“) kann falsch-positive Ergebnisse erheblich reduzieren und den Erkennungsprozess zuverlässiger machen.

Adjusting Confidence Threshold

Das Senken des Vertrauensschwellenwerts ermöglicht die Erkennung von mehr Objekten, kann jedoch falsche Erkennungen einführen. Es ist eine gute Idee, ein Gleichgewicht basierend auf Ihrem spezifischen Anwendungsfall zu finden.

Using with Other Blocks

Dieser Funktionsblock funktioniert gut in Kombination mit anderen Bildverarbeitungsblöcken wie Image ROI oder Image Threshold, um das Bild vor der Erkennung vorzubereiten.

Performance Optimization

Wenn die Erkennung in Echtzeit erfolgt, sollten Sie in Betracht ziehen, die Eingangsbildgröße vor der Verbindung mit diesem Block zu reduzieren, um die Verarbeitungsgeschwindigkeit zu erhöhen.

🛠️ Fehlersuche

No Detections

Wenn keine Objekte erkannt werden, stellen Sie sicher, dass gültige Eingabebilder verwendet werden, und passen Sie den Vertrauensschwellenwert an. Sie sollten auch überprüfen, ob die ausgewählte Erkennungsklasse mit den Objekten im Bild übereinstimmt.

Slow Processing Speed

Beim Erkennen von Objekten in größeren Bildern sollten Sie in Betracht ziehen, das Bild zu verkleinern oder ein Bild mit niedrigerer Auflösung zu verwenden, was die Erkennungszeiten erheblich verkürzen kann.