Zuhause

Wir stellen vor: Ultralytics YOLOv8YOLOv8 basiert auf den neuesten Entwicklungen im Bereich Deep Learning und Computer Vision und bietet eine unvergleichliche 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 YOLOv8 Docs, eine umfassende Ressource, die dir helfen soll, die Funktionen und Möglichkeiten von zu verstehen und zu nutzen. Egal, ob du ein erfahrener Machine-Learning-Experte oder ein Neuling auf dem Gebiet bist, dieser Hub soll dir helfen, das Potenzial von YOLOv8 in deinen Projekten zu maximieren.

Wo man anfängt

• Installiere ultralytics mit Pip und in wenigen Minuten einsatzbereit   Anfangen
• Vorhersage neue Bilder und Videos mit YOLOv8   Auf Bildern vorhersagen
• Zug ein neues YOLOv8 Modell für deinen eigenen Datensatz   Ein Modell trainieren
• Aufgaben YOLOv8 Aufgaben wie Segmentieren, Klassifizieren, Posieren und Verfolgen   Aufgaben erforschen
• NEU 🚀 Erforschen Datensätze mit erweiterter semantischer und SQL-Suche   Einen Datensatz erforschen

Pass auf: So trainierst du ein YOLOv8 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 ist die neueste Version von YOLO von Ultralytics. Als hochmodernes Modell (SOTA) baut YOLOv8 auf dem Erfolg früherer Versionen auf und führt neue Funktionen und Verbesserungen ein, um die Leistung, Flexibilität und Effizienz zu steigern. YOLOv8 unterstützt eine ganze Reihe von KI-Aufgaben, darunter Erkennung, Segmentierung, Posenschätzung, Verfolgung und Klassifizierung. Diese Vielseitigkeit ermöglicht es den Nutzern, die Fähigkeiten von YOLOv8 in verschiedenen Anwendungen und Bereichen zu nutzen.
• YOLOv9 führt innovative Methoden wie Programmable Gradient Information (PGI) und das Generalized Efficient Layer Aggregation Network (GELAN) ein.

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.

Kommentare