Zuhause

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

Wir stellen vor: Ultralytics YOLO11, die neueste Version des hochgelobten Echtzeit-Objekterkennungs- und Bildsegmentierungsmodells. YOLO11 basiert auf den neuesten Fortschritten in den Bereichen Deep Learning und Computer Vision und bietet eine beispiellose Leistung in Bezug auf Geschwindigkeit und Genauigkeit. Durch sein schlankes Design ist es für verschiedene Anwendungen geeignet und lässt sich leicht an unterschiedliche Hardwareplattformen anpassen, von Edge-Geräten bis hin zu Cloud-APIs.

Entdecke die Ultralytics Docs, eine umfassende Ressource, die dir helfen soll, die Funktionen und Möglichkeiten von zu verstehen und zu nutzen. Ganz gleich, ob du ein erfahrener Machine-Learning-Experte oder ein Neuling auf dem Gebiet bist, dieser Hub soll dir helfen, das Potenzial von YOLO in deinen Projekten zu maximieren.

Wo man anfängt

Pass auf: So trainierst du ein YOLO Modell auf deinem eigenen 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. Seit seiner Einführung im Jahr 2015 hat YOLO aufgrund seiner hohen Geschwindigkeit und Genauigkeit schnell an Popularität gewonnen.

• YOLOv2, das 2016 veröffentlicht wurde, verbesserte das ursprüngliche Modell durch die Integration von Stapelnormalisierung, Ankerboxen und Dimensionsclustern.
• YOLOv3, das 2018 auf den Markt kam, verbesserte die Leistung des Modells durch ein effizienteres Backbone-Netzwerk, mehrere Anker und ein räumliches Pyramiden-Pooling weiter.
• YOLOv4 wurde 2020 veröffentlicht und brachte Neuerungen wie die Mosaik-Datenerweiterung, einen neuen ankerlosen Erkennungskopf und eine neue Verlustfunktion.
• 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 veröffentlicht und wird in vielen autonomen Lieferrobotern des Unternehmens eingesetzt.
• YOLOv7 fügte zusätzliche Aufgaben hinzu, wie z.B. die Schätzung der Pose auf dem COCO Keypoints-Datensatz.
• YOLOv8 veröffentlicht im Jahr 2023 von Ultralytics. YOLOv8 führte neue Funktionen und Verbesserungen für mehr Leistung, Flexibilität und Effizienz ein und unterstützt eine ganze Reihe 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, indem sie einen End-to-End-Kopf einführt, der die Anforderungen der Non-Maximum Suppression (NMS) eliminiert.
• YOLO11 🚀 NEU: Ultralytics' neueste YOLO Modelle, die bei verschiedenen Aufgaben wie Erkennung, Segmentierung, Posenschätzung, Verfolgung und Klassifizierung den neuesten Stand der Technik liefern und die Fähigkeiten in verschiedenen KI-Anwendungen und Bereichen nutzen.

YOLO Lizenzen: Wie ist Ultralytics YOLO lizenziert?

Ultralytics bietet zwei Lizenzierungsoptionen für verschiedene Anwendungsfälle:

• AGPL-3.0 Lizenz: Diese von der OSI genehmigte Open-Source-Lizenz ist ideal für Studierende und Enthusiasten und fördert die offene Zusammenarbeit und den Wissensaustausch. Weitere Einzelheiten findest du 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 Waren und Dienstleistungen, ohne die Open-Source-Anforderungen von AGPL-3.0 zu erfüllen. Wenn du unsere Lösungen in ein kommerzielles Angebot einbinden möchtest, wende dich 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 wir wollen sicherstellen, dass unsere Beiträge zum Nutzen aller genutzt und erweitert werden können.

FAQ

Was ist Ultralytics YOLO und wie verbessert es die Objekterkennung?

Ultralytics YOLO ist die neueste Weiterentwicklung der beliebten YOLO (You Only Look Once)-Serie für die Echtzeit-Objekterkennung und Bildsegmentierung. Sie baut auf den Vorgängerversionen 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 Devices und Cloud APIs.

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

Die ersten Schritte mit YOLO sind schnell und einfach. Du kannst 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 findest du in unserer Schnellstart-Anleitung. Sie hilft dir bei der Installation, der Ersteinrichtung und dem Betrieb deines ersten Modells.

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

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

1. Bereite deinen kommentierten Datensatz vor.
2. Konfiguriere 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 findest du in unserem Leitfaden Train a Model mit Beispielen und Tipps zur Optimierung deines Schulungsprozesses.

Welche Lizenzierungsmöglichkeiten gibt es für Ultralytics YOLO ?

Ultralytics bietet zwei Lizenzierungsoptionen für YOLO an:

• AGPL-3.0 Lizenz: Diese Open-Source-Lizenz ist ideal für die pädagogische und nicht-kommerzielle Nutzung 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 Informationen findest du auf unserer Seite zur Lizenzierung.

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

Ultralytics YOLO unterstützt eine effiziente und anpassbare Multi-Objektverfolgung. Um die Tracking-Funktionen zu nutzen, kannst du 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 detaillierte Anleitung zum Einrichten und Ausführen der Objektverfolgung findest du in unserer Dokumentation zum Verfolgungsmodus, in der die Konfiguration und die praktischen Anwendungen in Echtzeitszenarien erläutert werden.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 13 Tagen

Kommentare