中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Ultralytics YOLO-Dokumentation#
Ultralytics YOLO ist eine Familie von Computer-Vision-Modellen für die Echtzeit-Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung, orientierte Begrenzungsrahmen und Objektverfolgung. Sie sind über ein einziges Python-Paket und eine CLI verfügbar. YOLO26 baut auf Fortschritten im Deep Learning und in der Computer Vision auf und bietet optionale NMS-freie End-to-End-Inferenz sowie eine optimierte Bereitstellung auf Edge-Geräten. Dank seines schlanken Designs eignet sich das Modell für zahlreiche Anwendungen und lässt sich leicht an unterschiedliche Hardwareplattformen anpassen – von Edge-Geräten bis hin zu Cloud-APIs. Für stabile Produktionslasten werden sowohl YOLO26 als auch YOLO11 empfohlen.
Entdecke die Ultralytics-Dokumentation – eine umfassende Informationsquelle zum YOLO-Paket und zur CLI sowie zur Ultralytics Platform, die dieselben Modelle um Datenannotation, Cloud-Training und Bereitstellung ergänzt. Ganz gleich, ob du über langjährige Erfahrung im maschinellen Lernen verfügst oder neu auf diesem Gebiet bist: Diese Ressourcen helfen dir, das Beste aus YOLO für deine Projekte herauszuholen.
Beantrage eine Enterprise-Lizenz für die kommerzielle Nutzung über Ultralytics Licensing.
Entdecke die YOLO27-Vorschau mit Details zur Architektur, vorläufigen Benchmarks und Anwendungsbeispielen für die Zeit nach der Veröffentlichung. Die Modelle durchlaufen derzeit die abschließende F&E; die Markteinführung wird noch in diesem Jahr erwartet. Die Modelle sind noch nicht verfügbar, und ein Veröffentlichungstermin steht noch nicht fest.
Erstelle aus einem einzelnen Foto eine Tiefenkarte mit einer Entfernungsangabe in Metern für jedes Pixel.
In zwei Befehlen loslegen#
# Install the ultralytics package from PyPI
pip install ultralytics
# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'Die Modellgewichte und das Beispielbild werden automatisch heruntergeladen. Das annotierte Ergebnis wird in dem Verzeichnis gespeichert, das der Befehl ausgibt – beim ersten Ausführen runs/detect/predict.
In der Anleitung Schnellstart findest du alle Installationsmethoden und erfährst, wie du deine erste Vorhersage ausführst.
Was möchtest du tun?#
Ein vortrainiertes YOLO26-Modell mit deinem eigenen Datensatz feinabstimmen und dabei die Augmentierung sowie Hyperparameter für das Training mit mehreren GPUs anpassen
Lade ein vortrainiertes Modell und erhalte Begrenzungsrahmen, Masken oder Schlüsselpunkte mit wenigen Zeilen Python-Code oder einem einzigen CLI-Befehl.
Verfolge Objekte mit dauerhaften IDs mithilfe von TrackTrack (Standard), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT oder FastTracker.
Fertige Computer-Vision-Apps für Objektzählung, Heatmaps, Warteschlangenverwaltung, Sicherheitsalarme und Trainingsprogramme – ganz ohne Training.
Exportiere trainierte Modelle nach ONNX, TensorRT oder OpenVINO, um schnelle Inferenz auf Edge-Geräten, Mobilgeräten und Cloud-Servern auszuführen.
Vergleiche YOLO26, YOLO11, SAM 3, RT-DETR und alle anderen unterstützten Architekturen nach Geschwindigkeit, Genauigkeit und Anwendungsfall.
Schlage Klassen, Funktionen und Methodensignaturen der Python-API nach. Sie werden bei jeder neuen Veröffentlichung automatisch aus dem Quellcode generiert.
Die neueste veröffentlichte Modellfamilie von Ultralytics bietet optionale NMS-freie End-to-End-Inferenz und ein besseres Verhältnis zwischen Genauigkeit und Latenz als YOLO11.
So ist diese Dokumentation aufgebaut#
Die meisten Befehle für Modellabläufe in yolo folgen derselben Syntax: yolo [TASK] MODE ARGS. Dabei ist Task optional. Auch diese Dokumentation ist nach denselben drei Bestandteilen gegliedert – ergänzt um eine Abkürzung:
- Aufgabe beschreibt, was du aus einem Bild herausholen möchtest: Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung oder orientierte Begrenzungsrahmen.
- Modus beschreibt, wie du ein Modell verwendest: trainieren, validieren, Vorhersagen erstellen, exportieren, verfolgen oder Benchmarks ausführen.
- Argumente konfigurieren den Befehl. Dazu gehören das Modell, das mit
model=ausgeführt wird, sowie Hyperparameter wieepochsundimgsz. - Lösungen sind die Abkürzung: eine fertige Anwendung, etwa zur Objektzählung oder als Sicherheitsalarm, die Task und Mode vollständig umgeht.
Alles Weitere ergänzt diese Syntax: Modelle führt alle Architekturen auf, die du an model= übergeben kannst – YOLO26, YOLO11, SAM 3, RT-DETR und weitere. Datensätze stellt die Datensätze bereit, mit denen die einzelnen Aufgaben trainiert werden. Anleitungen bietet eine umfangreiche Sammlung ausführlicher Anleitungen zu Themen wie Hardwarebereitstellung, Hyperparameteroptimierung, Datensatzkonvertierung und vollständigen Projektdurchläufen. Integrationen verbindet die Pipeline mit den Trainings- und Bereitstellungstools, die du bereits verwendest. Im Bereich Referenz werden schließlich alle Klassen und Funktionen der Python-API dokumentiert.
Neben dem Python-Paket gibt es zwei weitere Angebote, die auf denselben Modellen basieren: die Ultralytics Platform für Annotation, Training und Bereitstellung in der Cloud sowie Ultralytics Inference, eine eigenständige Rust-Bibliothek und CLI zum Ausführen exportierter Modelle ohne Python-Laufzeitumgebung.
YOLO-Lizenzen: Wie ist Ultralytics YOLO lizenziert?#
Ultralytics bietet zwei Lizenzoptionen für unterschiedliche Anwendungsfälle:
- AGPL-3.0-Lizenz: Diese von der OSI anerkannte Open-Source-Lizenz eignet sich ideal für Studierende und Enthusiasten und fördert die offene Zusammenarbeit und den Wissensaustausch. Weitere Informationen findest du in der Datei LICENSE.
- Enterprise-Lizenz: Diese Lizenz ist für Entwicklung und Produktion vorgesehen. Sie ermöglicht die nahtlose Integration von Ultralytics-Software und KI-Modellen in geschäftliche Produkte und Dienstleistungen, einschließlich interner Tools, automatisierter Arbeitsabläufe und Produktivsysteme, ohne die Open-Source-Anforderungen der AGPL-3.0. Wende dich für den Einstieg über Ultralytics Licensing an uns.
Unsere Lizenzstrategie soll sicherstellen, dass Verbesserungen an unseren Open-Source-Projekten an die Community zurückgegeben werden. Wir setzen auf Open Source und möchten mit unseren Beiträgen allen zugutekommen und ermöglichen, sie weiterzuentwickeln.
Häufig gestellte Fragen#
Ultralytics YOLO ist die bekannte YOLO-Reihe (Du siehst nur einmal) für die Objekterkennung und Bildsegmentierung in Echtzeit. Das neueste Modell, YOLO26, baut auf früheren Versionen auf und bietet optionale NMS-freie End-to-End-Inferenz sowie eine optimierte Bereitstellung auf Edge-Geräten. YOLO unterstützt verschiedene KI-Aufgaben für die Bildverarbeitung, darunter Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und orientierte Begrenzungsrahmen. Außerdem kann YOLO erkannte Objekte über Videobilder hinweg verfolgen. Die effiziente Architektur sorgt für hohe Geschwindigkeit und Genauigkeit und eignet sich dadurch für vielfältige Anwendungen, auch auf Edge-Geräten und über Cloud-APIs.
Der Einstieg in YOLO ist schnell und unkompliziert. Installiere das Ultralytics-Paket über pip mit
pip install ultralyticsund führe anschließend mityolo predict model=yolo26n.ptdeine erste Vorhersage aus – die Modellgewichte werden automatisch heruntergeladen. Eine ausführliche Anleitung zu conda, Docker und der Installation aus dem Quellcode findest du auf der Seite Schnellstart.Das Training eines eigenen YOLO-Modells mit deinem Datensatz umfasst einige ausführliche Schritte:
- Bereite deinen annotierten Datensatz vor und beschreibe ihn in einer Dataset-YAML-Datei.
- Lade ein vortrainiertes Modell, zum Beispiel
YOLO("yolo26n.pt"), in Python. - Starte das Training mit
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)oder über die Befehlszeile mityolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.
Eine ausführliche Anleitung findest du unter Ein Modell trainieren. Sie enthält Beispiele und Tipps zur Optimierung deines Trainingsablaufs.
Ultralytics bietet für YOLO zwei Lizenzoptionen:
- AGPL-3.0-Lizenz: Diese Open-Source-Lizenz eignet sich ideal für Bildungszwecke und die nicht kommerzielle Nutzung und fördert die offene Zusammenarbeit.
- Enterprise-Lizenz: Für Entwicklung und Produktion, einschließlich interner Tools, automatisierter Arbeitsabläufe und Produktivsysteme, ohne die Open-Source-Anforderungen der AGPL-3.0.
Weitere Informationen findest du auf unserer Seite zu Lizenzen.
Ultralytics YOLO unterstützt eine effiziente und anpassbare Verfolgung mehrerer Objekte. Rufe
YOLO("yolo26n.pt").track(source="path/to/video.mp4")in Python auf oder führeyolo track source=path/to/video.mp4über die Befehlszeile aus – beides funktioniert mit Videodateien, Livestreams und Webcam-Aufnahmen. Eine ausführliche Anleitung zur Einrichtung und Ausführung der Objektverfolgung findest du in unserer Dokumentation zum Track-Modus. Dort werden die Konfiguration und praktische Anwendungen in Echtzeitszenarien erläutert.
