Startseite

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

Wir stellen vor: Ultralytics YOLO11Die neueste Version des hochgelobten Modells für Objekterkennung und Bildsegmentierung in Echtzeit. YOLO11 basiert auf den neuesten Entwicklungen in den Bereichen Deep Learning und Computer Vision und bietet eine unvergleichliche Leistung in Bezug auf Geschwindigkeit und Genauigkeit. Durch sein schlankes Design eignet es sich für verschiedene Anwendungen und lässt sich leicht an unterschiedliche Hardware-Plattformen anpassen, von Edge-Geräten bis hin zu Cloud-APIs.

Entdecken Sie die Ultralytics Docs, eine umfassende Ressource, die Ihnen helfen soll, die Funktionen und Möglichkeiten der Software zu verstehen und zu nutzen. Ganz gleich, ob Sie ein erfahrener Experte für maschinelles Lernen oder ein Neuling auf diesem Gebiet sind, dieser Hub zielt darauf ab, das Potenzial von YOLO in Ihren Projekten zu maximieren

Wo soll man anfangen?

Beobachten: So trainieren Sie ein YOLO Modell auf Ihrem benutzerdefinierten Datensatz in Google Colab.

YOLO: Eine kurze Geschichte

YOLO (You Only Look Once), ein beliebtes Modell zur Objekterkennung und Bildsegmentierung, wurde von Joseph Redmon und Ali Farhadi an der University of Washington entwickelt. Das im Jahr 2015 eingeführte YOLO wurde aufgrund seiner hohen Geschwindigkeit und Genauigkeit schnell populär.

• YOLOv2, das 2016 veröffentlicht wurde, verbesserte das ursprüngliche Modell durch die Einbeziehung von Chargennormalisierung, Ankerboxen und Dimensionsclustern.
• Mit YOLOv3, das 2018 eingeführt wurde, wurde die Leistung des Modells durch ein effizienteres Backbone-Netz, mehrere Anker und räumliches Pyramiden-Pooling weiter verbessert.
• YOLOv4 wurde 2020 veröffentlicht und führte Innovationen wie die Mosaikdatenerweiterung, einen neuen verankerungsfreien Detektionskopf und eine neue Verlustfunktion ein.
• YOLOv5 hat die Leistung des Modells weiter verbessert und neue Funktionen wie Hyperparameter-Optimierung, integrierte Experimentverfolgung und automatischen Export in gängige Exportformate hinzugefügt.
• YOLOv6 wurde von Meituan im Jahr 2022 freigegeben und wird in vielen autonomen Lieferrobotern des Unternehmens eingesetzt.
• YOLOv7 fügte zusätzliche Aufgaben hinzu, wie z.B. die Posenschätzung auf dem COCO Keypoints-Datensatz.
• YOLOv8 veröffentlicht im Jahr 2023 von Ultralytics. YOLOv8 bietet neue Funktionen und Verbesserungen für mehr Leistung, Flexibilität und Effizienz und unterstützt eine breite Palette von KI-Aufgaben,
• YOLOv9 führt innovative Methoden wie Programmable Gradient Information (PGI) und das Generalized Efficient Layer Aggregation Network (GELAN) ein.
• YOLOv10 wurde von Forschern der Tsinghua-Universität unter Verwendung des Ultralytics Python Paket. Diese Version bietet Fortschritte bei der Objekterkennung in Echtzeit durch die Einführung eines End-to-End-Kopfes, der die Anforderungen der Non-Maximum Suppression (NMS) eliminiert.
• YOLO11 NEU: Ultralytics' neueste YOLO Modelle, die den neuesten Stand der Technik (SOTA) bei verschiedenen Aufgaben, einschließlich Erkennung, Segmentierung, Posenschätzung, Verfolgung und Klassifizierung, liefern und die Fähigkeiten in verschiedenen KI-Anwendungen und -Domänen nutzen.

YOLO Lizenzen: Wie ist Ultralytics YOLO lizenziert?

Ultralytics bietet zwei Lizenzierungsoptionen für unterschiedliche Anwendungsfälle:

• AGPL-3.0 Lizenz: Diese von der OSI genehmigte Open-Source-Lizenz ist ideal für Studenten und Enthusiasten und fördert die offene Zusammenarbeit und den Wissensaustausch. Weitere Einzelheiten finden Sie in der LICENSE-Datei.
• Unternehmenslizenz: Diese Lizenz wurde für die kommerzielle Nutzung entwickelt und ermöglicht die nahtlose Integration von Ultralytics Software und KI-Modellen in kommerzielle Produkte und Dienstleistungen unter Umgehung der Open-Source-Anforderungen von AGPL-3.0. Wenn Ihr Szenario die Einbettung unserer Lösungen in ein kommerzielles Angebot beinhaltet, wenden Sie sich an Ultralytics Licensing.

Mit unserer Lizenzierungsstrategie wollen wir sicherstellen, dass alle Verbesserungen an unseren Open-Source-Projekten an die Gemeinschaft zurückgegeben werden. Die Prinzipien von Open Source liegen uns sehr am Herzen ❤️, und unser Ziel ist es, zu gewährleisten, dass unsere Beiträge in einer Weise genutzt und erweitert werden können, die für alle von Vorteil ist.

FAQ

Was ist Ultralytics YOLO und wie verbessert es die Objekterkennung?

Ultralytics YOLO ist die jüngste Weiterentwicklung der beliebten YOLO (You Only Look Once) Serie für Echtzeit-Objekterkennung und Bildsegmentierung. Sie baut auf früheren Versionen auf und bietet neue Funktionen und Verbesserungen für mehr Leistung, Flexibilität und Effizienz. YOLO unterstützt verschiedene KI-Aufgaben wie Erkennung, Segmentierung, Posenschätzung, Verfolgung und Klassifizierung. Seine hochmoderne Architektur sorgt für überragende Geschwindigkeit und Genauigkeit und eignet sich daher für verschiedene Anwendungen, einschließlich Edge-Geräte und Cloud-APIs.

Wie kann ich mit der Installation und Einrichtung von YOLO beginnen?

Die ersten Schritte mit YOLO sind schnell und einfach. Sie können das Paket Ultralytics mit pip installieren und in wenigen Minuten einsatzbereit sein. Hier ist ein einfacher Installationsbefehl:

pip install ultralytics

Eine umfassende Schritt-für-Schritt-Anleitung finden Sie in unserer Schnellstart-Anleitung. Dieser Leitfaden hilft Ihnen bei der Installation, der Ersteinrichtung und der Inbetriebnahme Ihres ersten Modells.

Wie kann ich ein benutzerdefiniertes YOLO Modell auf meinem Datensatz trainieren?

Das Training eines benutzerdefinierten YOLO Modells auf Ihrem Datensatz umfasst einige detaillierte Schritte:

1. Bereiten Sie Ihren kommentierten Datensatz vor.
2. Konfigurieren Sie die Trainingsparameter in einer YAML-Datei.
3. Verwenden Sie die yolo TASK train Befehl, um das Training zu starten. (Jede TASK hat sein eigenes Argument)

Hier ist ein Beispielcode für die Aufgabe "Objekterkennung":

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640

Eine ausführliche Anleitung finden Sie in unserem Leitfaden Train a Model, der Beispiele und Tipps zur Optimierung Ihres Schulungsprozesses enthält.

Welche Lizenzierungsmöglichkeiten gibt es für Ultralytics YOLO ?

Ultralytics bietet zwei Lizenzierungsoptionen für YOLO:

• AGPL-3.0 Lizenz: Diese Open-Source-Lizenz ist ideal für den Einsatz im Bildungsbereich und für nicht-kommerzielle Zwecke und fördert die offene Zusammenarbeit.
• Unternehmenslizenz: Sie ist für kommerzielle Anwendungen gedacht und ermöglicht die nahtlose Integration der Software Ultralytics in kommerzielle Produkte ohne die Einschränkungen der AGPL-3.0 Lizenz.

Weitere Einzelheiten finden Sie auf unserer Seite Lizenzierung.

Wie kann Ultralytics YOLO für die Objektverfolgung in Echtzeit genutzt werden?

Ultralytics YOLO unterstützt eine effiziente und anpassbare Multi-Objektverfolgung. Um die Verfolgungsmöglichkeiten zu nutzen, können Sie die yolo track Befehl wie unten gezeigt:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

Eine ausführliche Anleitung zum Einrichten und Ausführen der Objektverfolgung finden Sie in unserer Dokumentation zum Tracking-Modus, in der die Konfiguration und praktische Anwendungen in Echtzeitszenarien erläutert werden.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 20 Tagen

Kommentare