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-Computer-Vision-Modellen für Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Pose-Schätzung, orientierte Bounding-Boxen und Tracking, die über ein einziges Python-Paket und eine CLI verfügbar sind. YOLO26 basiert auf Fortschritten im Bereich Deep Learning und Computer Vision und bietet eine durchgehende NMS-freie Inferenz sowie ein optimiertes Edge-Deployment. Sein schlankes Design macht es für diverse Anwendungen geeignet und lässt sich leicht an verschiedene Hardwareplattformen anpassen, von Edge-Geräten bis hin zu Cloud-APIs. Für stabile Produktions-Workloads werden sowohl YOLO26 als auch YOLO11 empfohlen.

Entdecke die Ultralytics Docs, eine umfassende Ressource für das YOLO-Paket und die CLI sowie die Ultralytics Platform, die Datenannotation, Cloud-Training und Deployment auf Basis derselben Modelle bereitstellt. Egal, ob du ein erfahrener Machine-Learning-Praktiker oder neu auf diesem Gebiet bist – diese Ressourcen helfen dir dabei, das Beste aus YOLO in deinen Projekten herauszuholen.

Fordere eine Enterprise License für die kommerzielle Nutzung unter Ultralytics Licensing an.

In zwei Befehlen starten#

# 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.

In der Quickstart-Anleitung findest du die vollständige Installations- und Verwendungsreferenz.

Was möchtest du tun?#

Wie diese Dokumentation organisiert ist#

Die meisten Workflow-Befehle von Modellen yolo folgen einer Grammatik, nämlich yolo [TASK] MODE ARGS, wobei Task optional ist. Diese Dokumentation ist nach denselben drei Teilen plus einer Verknüpfung gegliedert:

• 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 dem auszuführenden model mit model= bis hin zu Hyperparametern wie epochs und imgsz.
• Solutions ist die Abkürzung: eine fertige Anwendung wie Objekterkennung 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 die Daten, auf denen die einzelnen Tasks trainiert werden, Guides ist eine umfangreiche Sammlung tiefgehender Anleitungen zu Hardware-Deployment, Hyperparameter-Tuning, Datensatzkonvertierung und vollständigen Projektdurchläufen, Integrations verbindet die Pipeline mit den Trainings- und Deployment-Tools, die du bereits nutzt, und der Abschnitt Reference dokumentiert jede Klasse und Funktion in der Python-API.

Neben dem Python-Paket basieren zwei weitere Umgebungen 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 unterschiedliche Anwendungsfälle an:

• AGPL-3.0 License: Diese OSI-genehmigte Open-Source-Lizenz ist ideal für Studierende und Enthusiasten und fördert offene Zusammenarbeit und Wissensaustausch. Weitere Details findest du in der LICENSE-Datei.
• Enterprise License: Für die Entwicklungs- und Produktionsnutzung ermöglicht diese Lizenz die nahtlose Integration von Ultralytics-Software und KI-Modellen in Geschäftsprodukte und -dienste – einschließlich interner Tools, automatisierter Workflows und Produktions-Deployments –, wobei die Open-Source-Anforderungen der AGPL-3.0 umgangen werden. Kontaktiere uns für den Einstieg über Ultralytics Licensing.

Unsere Lizenzierungsstrategie wurde entwickelt, um sicherzustellen, dass alle Verbesserungen an unseren Open-Source-Projekten an die Community zurückfließen. 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#

Was ist Ultralytics YOLO und wie verbessert es die Objekterkennung?#

Ultralytics YOLO ist die gefeierte YOLO-Serie (You Only Look Once) für Echtzeit-Objekterkennung und Bildsegmentierung. Das neueste Modell, YOLO26, baut auf vorherigen Versionen auf, indem es eine durchgehende NMS-freie Inferenz und ein optimiertes Edge-Deployment einführt. YOLO unterstützt verschiedene Vision-KI-Aufgaben wie detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation und tracking. Seine effiziente Architektur sorgt für exzellente Geschwindigkeit und Genauigkeit und macht es für diverse Anwendungen geeignet, einschließlich Edge-Geräten und Cloud-APIs.

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

Der Einstieg in YOLO ist schnell und unkompliziert. Installiere das Ultralytics-Paket von pip mit pip install ultralytics und führe dann deine erste Vorhersage mit yolo predict model=yolo26n.pt aus – die Modellgewichte werden automatisch heruntergeladen. Umfassende Anleitungen zu conda, Docker und der Installation aus dem Quellcode findest du auf der Quickstart-Seite.

Wie kann ich ein benutzerdefiniertes YOLO-Modell mit meinem Datensatz trainieren?#

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

1. Bereite deinen annotierten Datensatz vor und beschreibe ihn in einer Datensatz-YAML-Datei.
2. Lade ein vortrainiertes Modell, zum Beispiel YOLO("yolo26n.pt") in Python.
3. Starte das Training mit model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640) oder über die Befehlszeile mit yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.

Eine detaillierte Schritt-für-Schritt-Anleitung findest du in unserem Train a Model-Leitfaden, der Beispiele und Tipps zur Optimierung deines Trainingsprozesses enthält.

Welche Lizenzoptionen gibt es für Ultralytics YOLO?#

Ultralytics bietet zwei Lizenzoptionen für YOLO an:

• AGPL-3.0-Lizenz: Diese Open-Source-Lizenz ist ideal für den Bildungsbereich und den nicht-kommerziellen Gebrauch und fördert die offene Zusammenarbeit.
• Enterprise-Lizenz: Für Entwicklungs- und Produktionszwecke, einschließlich interner Tools, automatisierter Workflows und Produktionsbereitstellungen, wobei die Open-Source-Anforderungen der AGPL-3.0 umgangen werden.

Weitere Details findest du auf unserer Licensing-Seite.

Wie kann Ultralytics YOLO für die Echtzeit-Objektverfolgung verwendet werden?#

Ultralytics YOLO unterstützt effizientes und anpassbares Multi-Objekt-Tracking. Rufe YOLO("yolo26n.pt").track(source="path/to/video.mp4") in Python auf oder führe yolo track source=path/to/video.mp4 über die Befehlszeile aus – beides funktioniert mit Videodateien, Live-Streams und Webcam-Eingaben. Eine detaillierte Anleitung zum Einrichten und Ausführen von Objekt-Tracking findest du in unserer Track Mode-Dokumentation, die die Konfiguration und praktische Anwendungen in Echtzeitszenarien erläutert.