中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Ultralytics YOLO-Dokumentation#
Ultralytics YOLO ist eine Familie von Echtzeit-Modellen der Computer Vision für Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifikation, Posenkeschätzung, orientierte Bounding Boxes und Tracking, verfügbar über ein Python-Paket und CLI. YOLO26 basiert auf Fortschritten im Bereich Deep Learning und Computer Vision und bietet eine End-to-End-Inferenz ohne NMS sowie optimiertes Edge-Deployment. Das schlanke Design macht YOLO26 für verschiedene Anwendungen geeignet und leicht an unterschiedliche Hardwareplattformen anpassbar, von Edge-Geräten bis hin zu Cloud-APIs. Für stabile Produktionsumgebungen werden sowohl YOLO26 als auch YOLO11 empfohlen.
Entdecke die Ultralytics-Dokumentation, eine umfassende Ressource zum YOLO-Paket und CLI sowie zur Ultralytics Platform, die Datenannotation, Cloud-Training und Deployment auf Basis derselben Modelle ergänzt. Egal, ob du ein erfahrener Praktiker im Bereich Machine Learning oder neu auf diesem Gebiet bist, diese Ressourcen helfen dir dabei, das Beste aus YOLO in deinen Projekten herauszuholen.
Fordere eine Enterprise-Lizenz für die kommerzielle Nutzung unter Ultralytics Licensing an.
Verwandle ein einzelnes Foto in eine Tiefenkarte mit einer Distanz in Metern für jeden 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, und das annotierte Ergebnis wird unter runs/detect/predict gespeichert.
Siehe den Quickstart-Leitfaden für die vollständige Installations- und Nutzungsreferenz.
Was möchtest du tun?#
Fine-Tuning eines vortrainierten YOLO26-Modells mit deinem eigenen Datensatz, Anpassung von Augmentierung und Hyperparametern für das Multi-GPU-Training
Lade ein vortrainiertes Modell und erhalte Bounding Boxes, Masken oder Keypoints in wenigen Zeilen Python oder einem einzigen CLI-Befehl
Verfolge Objekte mit persistenten IDs mithilfe von TrackTrack (Standard), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT oder FastTracker
Fertige Vision-Apps für Objektzählung, Heatmaps, Warteschlangenmanagement, Sicherheitsalarme und Workouts, ganz ohne Training
Exporteiere trainierte Modelle nach ONNX, TensorRT oder OpenVINO für schnelle Inferenz auf Edge-Geräten, Mobilhardware und Cloud-Servern
Vergleiche YOLO26, YOLO11, SAM 3, RT-DETR und jede andere unterstützte Architektur nach Geschwindigkeit, Genauigkeit und Anwendungsfall
Schlage Klassen, Funktionen und Methodensignaturen für die Python API nach, automatisch aus dem Quellcode generiert bei jedem neuen Release
Die neueste Modellfamilie von Ultralytics liefert NMS-freie End-to-End-Inferenz mit einem verbesserten Verhältnis von Genauigkeit zu Latenz gegenüber YOLO11
Wie diese Dokumentation organisiert ist#
Die meisten Befehle des Modell-Workflows yolo folgen einer Grammatik, yolo [TASK] MODE ARGS, wobei Task optional ist, und diese Dokumentation ist um dieselben drei Teile plus eine Abkürzung herum organisiert:
- Task beantwortet was du von einem Bild möchtest: detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation oder oriented boxes.
- Mode beantwortet wie du ein Modell verwendest: train, validate, predict, export, track oder benchmark.
- Args konfiguriert den Befehl, von welchem model mit
model=auszuführen bis hin zu Hyperparametern wieepochsundimgsz. - Solutions ist die Abkürzung: eine fertige Anwendung wie Objektzählung oder ein Sicherheitsalarm, die Task und Mode komplett überspringt.
Alles andere unterstützt diese Grammatik: Models listet jede Architektur auf, die du an model= übergeben kannst — YOLO26, YOLO11, SAM 3, RT-DETR und mehr —, Datasets liefert, worauf jede Task trainiert, Guides ist eine umfassende Sammlung eingehender Anleitungen zu Hardware-Deployment, Hyperparameter-Tuning, Datensatzkonvertierung und vollständigen Projektdurchläufen, Integrations verbindet die Pipeline mit den Trainings- und Deployment-Tools, die du bereits verwendest, und der Reference-Abschnitt dokumentiert jede Klasse und Funktion in der Python API.
Über das Python-Paket hinaus laufen zwei weitere Oberflächen auf denselben Modellen: die Ultralytics Platform für Cloud-Annotation, Training und Deployment 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 Lizenzierungsoptionen für verschiedene Anwendungsfälle an:
- AGPL-3.0 License: Diese OSI-approved Open-Source-Lizenz ist ideal für Studierende und Enthusiasten und fördert offene Zusammenarbeit und Wissensaustausch. Siehe die LICENSE-Datei für weitere Details.
- Unternehmenslizenz: Für Entwicklungs- und Produktionseinsätze ermöglicht diese Lizenz die nahtlose Integration von Ultralytics-Software und KI-Modellen in Geschäftsprodukte und -dienste, einschließlich interner Tools, automatisierter Workflows und Produktivbereitstellungen, ohne die Open-Source-Anforderungen der AGPL-3.0. Wende dich zum Einstieg über Ultralytics Licensing an uns.
Unsere Lizenzierungsstrategie soll sicherstellen, dass alle Verbesserungen unserer Open-Source-Projekte an die Community zurückgegeben werden. Wir glauben an Open Source, und unsere Mission ist es sicherzustellen, dass unsere Beiträge auf eine Weise genutzt und erweitert werden können, die allen zugutekommt.
FAQ#
Ultralytics YOLO ist die gefeierte YOLO-Serie (You Only Look Once) für Echtzeit-Objekterkennung und Bildsegmentierung. Das neueste Modell, YOLO26, baut auf früheren Versionen auf, indem es NMS-freie End-to-End-Inferenz und optimiertes Edge-Deployment einführt. YOLO unterstützt verschiedene vision AI tasks wie detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation und oriented bounding boxes und kann erkannte Objekte über Video-Frames hinweg track. Seine effiziente Architektur sorgt für hervorragende Geschwindigkeit und Genauigkeit, wodurch es sich für vielfältige Anwendungen eignet, einschließlich Edge-Geräten und Cloud-APIs.
Der Einstieg in YOLO ist schnell und unkompliziert. Installiere das Ultralytics-Paket von pip mit
pip install ultralyticsund führe dann deine erste Vorhersage mityolo predict model=yolo26n.ptaus — die Modellgewichte werden automatisch heruntergeladen. Für umfassende Anweisungen zu conda, Docker und der Installation aus dem Quellcode besuche die Quickstart-Seite.Das Training eines benutzerdefinierten YOLO-Modells mit deinem Datensatz umfasst einige detaillierte Schritte:
- Bereite deinen annotierten Datensatz vor und beschreibe ihn in einer Datensatz-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.
Für eine detaillierte Schritt-für-Schritt-Anleitung schaue dir unseren Train a Model-Leitfaden an, der Beispiele und Tipps zur Optimierung deines Trainingsprozesses enthält.
Ultralytics bietet zwei Lizenzierungsoptionen für YOLO an:
- AGPL-3.0 License: Diese Open-Source-Lizenz ist ideal für Bildungs- und nicht-kommerzielle Zwecke und fördert offene Zusammenarbeit.
- Enterprise License: Für Entwicklungs- und Produktionsnutzung, einschließlich interner Tools, automatisierter Workflows und Produktions-Deployments, unter Umgehung der Open-Source-Anforderungen der AGPL-3.0.
Weitere Details findest du auf unserer Licensing-Seite.
Ultralytics YOLO unterstützt effizientes und anpassbares Multi-Objekt-Tracking. 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, Live-Streams und Webcam-Eingaben. Eine detaillierte Anleitung zum Einrichten und Ausführen der Objektverfolgung findest du in unserer Track Mode-Dokumentation, die die Konfiguration und praktische Anwendungen in Echtzeitszenarien erklärt.
