中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Ultralytics YOLO-Dokumentation#
Ultralytics YOLO ist eine Modellfamilie für Computer Vision in Echtzeit, die Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Pose-Schätzung, orientierte Begrenzungsrahmen und Tracking ermöglicht und über ein einziges Python-Paket und eine CLI verfügbar ist. YOLO26 baut auf Fortschritten im Deep Learning und in der Computer Vision auf und bietet optional eine End-to-End-Inferenz ohne NMS sowie eine optimierte Bereitstellung auf Edge-Geräten. Dank seines schlanken Designs eignet sich das Modell für verschiedene Anwendungen und lässt sich problemlos an unterschiedliche Hardwareplattformen anpassen – von Edge-Geräten bis hin zu Cloud-APIs. Für stabile Workloads in der Produktion empfehlen wir sowohl YOLO26 als auch YOLO11.
Entdecke die Ultralytics-Dokumentation – eine umfassende Ressource zum YOLO-Paket und zur CLI sowie zur Ultralytics Platform, die dieselben Modelle um Datenannotation, Cloud-Training und Bereitstellung ergänzt. Ganz gleich, ob du erfahren in Machine Learning bist oder gerade erst in das Gebiet einsteigst: Diese Ressourcen helfen dir, YOLO optimal für deine Projekte zu nutzen.
Beantrage eine Enterprise-Lizenz für die kommerzielle Nutzung über Ultralytics Licensing.
Entdecke die YOLO27-Vorschau mit Details zur Architektur, vorläufigen Benchmarks und Beispielen für die Nutzung nach der Veröffentlichung. Die Modelle befinden sich in der abschließenden Forschungs- und Entwicklungsphase; 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, die für jedes Pixel eine Entfernung in Metern angibt.
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 Durchlauf ist das runs/detect/predict.
In der Kurzanleitung 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 Augmentierung sowie Hyperparameter für das Training mit mehreren GPUs anpassen
Lade ein vortrainiertes Modell und erhalte mit wenigen Python-Zeilen oder einem einzigen CLI-Befehl Begrenzungsrahmen, Masken oder Keypoints
Verfolge Objekte mit dauerhaften IDs mithilfe von TrackTrack (Standard), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT oder FastTracker
Fertige Vision-Apps für Objektzählung, Heatmaps, Warteschlangenverwaltung, Sicherheitsalarme und Trainingseinheiten – ohne erforderliches Training
Exportiere trainierte Modelle nach ONNX, TensorRT oder OpenVINO, um auf Edge-Geräten, Mobilgeräten und Cloud-Servern schnelle Inferenz auszuführen
Vergleiche YOLO26, YOLO11, SAM 3, RT-DETR und alle anderen unterstützten Architekturen nach Geschwindigkeit, Genauigkeit und Einsatzgebiet
Schlage Klassen, Funktionen und Methodensignaturen der Python-API nach, die bei jeder neuen Veröffentlichung automatisch aus dem Quellcode generiert werden
Die neueste veröffentlichte Modellfamilie von Ultralytics bietet optional eine End-to-End-Inferenz ohne NMS und ein verbessertes Verhältnis von Genauigkeit zu Latenz gegenüber YOLO11
So ist diese Dokumentation aufgebaut#
Die meisten Befehle für Modellworkflows yolo folgen einer einheitlichen Syntax: yolo [TASK] MODE ARGS. Dabei ist Task optional. Diese Dokumentation ist nach denselben drei Bestandteilen und einer zusätzlichen Abkürzung gegliedert:
- Aufgabe beantwortet die Frage, was du aus einem Bild herausholen möchtest: Erkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Pose-Schätzung oder orientierte Begrenzungsrahmen.
- Modus beantwortet die Frage, wie du ein Modell verwendest: trainieren, validieren, Vorhersagen treffen, exportieren, verfolgen oder benchmarks ausführen.
- Argumente legen den Befehl fest – vom auszuführenden Modell über
model=bis hin zu Hyperparametern wieepochsundimgsz. - Lösungen sind die Abkürzung: eine fertige Anwendung wie die Objektzählung oder ein Sicherheitsalarm, für die Aufgabe und Modus vollständig entfallen.
Alles Weitere ergänzt diese Syntax: Modelle listet alle Architekturen auf, die du an model= übergeben kannst – YOLO26, YOLO11, SAM 3, RT-DETR und weitere. Datensätze enthält die Datensätze, mit denen die jeweilige Aufgabe trainiert wird. Anleitungen bietet eine umfangreiche Sammlung ausführlicher Schritt-für-Schritt-Anleitungen zu Themen wie Hardwarebereitstellung, Hyperparameteroptimierung, Datensatzkonvertierung und vollständigen Projektdurchläufen. Integrationen verbindet die Pipeline mit den Trainings- und Bereitstellungswerkzeugen, die du bereits nutzt. Im Abschnitt Referenz sind alle Klassen und Funktionen der Python-API dokumentiert.
Neben dem Python-Paket gibt es zwei weitere Angebote, die dieselben Modelle nutzen: 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 offene Zusammenarbeit und den Wissensaustausch. Weitere Informationen findest du in der Datei LICENSE.
- Enterprise-Lizenz: Diese Lizenz ermöglicht die nahtlose Integration der Software und KI-Modelle von Ultralytics in Geschäftsprodukte und -dienste für Entwicklung und Produktion. Dazu zählen interne Tools, automatisierte Workflows und Bereitstellungen in der Produktion. Die Open-Source-Anforderungen der AGPL-3.0 entfallen. Wende dich zum Einstieg über Ultralytics Licensing an uns.
Unsere Lizenzstrategie soll sicherstellen, dass alle Verbesserungen an unseren Open-Source-Projekten an die Community zurückfließen. Wir glauben an Open Source und möchten mit unserer Arbeit dazu beitragen, dass alle davon profitieren und sie weiterentwickeln können.
Häufig gestellte Fragen#
Ultralytics YOLO ist die renommierte YOLO-Reihe (You Only Look Once) für die Objekterkennung und Bildsegmentierung in Echtzeit. Das neueste Modell, YOLO26, baut auf früheren Versionen auf und führt optional eine End-to-End-Inferenz ohne NMS sowie eine optimierte Bereitstellung auf Edge-Geräten ein. YOLO unterstützt verschiedene KI-Aufgaben für Computer Vision, darunter Erkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Pose-Schätzung und orientierte Begrenzungsrahmen. Außerdem kann YOLO erkannte Objekte über Videobilder hinweg verfolgen. Die effiziente Architektur sorgt für hohe Geschwindigkeit und Genauigkeit und macht das Modell für vielfältige Anwendungen geeignet, auch auf Edge-Geräten und mit 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 Kurzanleitung.Das Training eines benutzerdefinierten YOLO-Modells mit deinem Datensatz umfasst einige ausführliche Schritte:
- Bereite deinen annotierten Datensatz vor und beschreibe ihn in einer YAML-Datei für den Datensatz.
- 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 Schritt-für-Schritt-Anleitung mit Beispielen und Tipps zur Optimierung deines Trainings findest du in unserem Leitfaden Ein Modell trainieren.
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 Entwicklungs- und Produktionszwecke, einschließlich interner Tools, automatisierter Workflows und Bereitstellungen in der Produktion. Die Open-Source-Anforderungen der AGPL-3.0 entfallen.
Weitere Informationen findest du auf unserer Seite zu Lizenzen.
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 ausführliche Anleitung zur Einrichtung und Ausführung des Objekt-Trackings findest du in unserer Dokumentation zum Tracking-Modus. Sie erläutert die Konfiguration und praktische Anwendungen in Echtzeitszenarien.
