Umfassende Tutorials zu Ultralytics YOLO#

Willkommen bei den YOLO-Leitfäden von Ultralytics. Unsere umfassenden Tutorials behandeln verschiedene Aspekte des YOLO-Modells zur Objekterkennung – vom Training und der Vorhersage bis zur Bereitstellung. YOLO basiert auf PyTorch und zeichnet sich bei der Objekterkennung in Echtzeit durch außergewöhnliche Geschwindigkeit und Genauigkeit aus.

Ob Anfänger oder Experte im Bereich Deep Learning – unsere Tutorials bieten wertvolle Einblicke in die Implementierung und Optimierung von YOLO für deine Computer-Vision-Projekte.

Anleitungen#

Die Anleitungen sind nach Projektphase gruppiert – von der Einrichtung der Umgebung und der Datenaufbereitung über Training, Auswertung, Bereitstellung und Inferenzoptimierung bis hin zu Edge-Hardware. So kannst du direkt zu dem Schritt springen, an dem du gerade arbeitest.

Erste Schritte und Planung#

• Conda-Schnelleinstieg: Schritt-für-Schritt-Anleitung zum Einrichten einer Conda-Umgebung für Ultralytics. Erfahre, wie du das Ultralytics-Paket effizient mit Conda installierst und verwendest.
• Docker-Schnelleinstieg: Vollständige Anleitung zum Einrichten und Verwenden von Ultralytics-YOLO-Modellen mit Docker. Erfahre, wie du Docker installierst, die GPU-Unterstützung verwaltest und YOLO-Modelle in isolierten Containern ausführst, um eine einheitliche Entwicklung und Bereitstellung sicherzustellen.
• AzureML-Schnelleinstieg: Starte mit Ultralytics-YOLO-Modellen auf der Azure-Machine-Learning-Plattform von Microsoft. Erfahre, wie du deine Objekterkennungsprojekte in der Cloud trainierst, bereitstellst und skalierst.
• Modal-Schnelleinstieg: Führe Ultralytics YOLO26 auf der serverlosen Cloud-Plattform Modal aus. Die Anleitung behandelt Authentifizierung, GPU-Inferenz und Trainingsaufträge mit dauerhaftem Speicher – ganz ohne selbst verwaltete Infrastruktur.
• Ziele für ein Computer-Vision-Projekt festlegen: Erfahre Schritt für Schritt, wie du klare und messbare Ziele für dein Computer-Vision-Projekt festlegst. Lerne, warum eine präzise Problemstellung wichtig ist und wie sie als Fahrplan für dein Projekt dient.
• Schritte eines Computer-Vision-Projekts: Erfahre mehr über die wichtigsten Schritte eines Computer-Vision-Projekts, darunter das Festlegen von Zielen, die Auswahl von Modellen, die Datenaufbereitung und die Auswertung der Ergebnisse.
• YOLO-Architektur erklärt: Verfolge die Entwicklung der YOLO-Architektur von YOLOv3 bis YOLO26 in Backbone, Neck und Erkennungskopf. Die Anleitung behandelt C2f, C3k2, C2PSA-Aufmerksamkeit sowie ankerfreie und NMS-freie Designs.

Daten vorbereiten#

• Datenerfassung und Annotation: Entdecke Tools, Techniken und bewährte Methoden zur Erfassung und Annotation von Daten, um hochwertige Eingaben für deine Computer-Vision-Modelle zu erstellen.
• Annotierte Daten vorverarbeiten: Erfahre, wie du Daten für Computer Vision mit YOLO26 vorverarbeitest, etwa durch Skalierung von Bildern, Normalisierung, Aufteilung des Datensatzes, Datenerweiterung und explorative Datenanalyse (EDA).
• YOLO-Datenerweiterung: Lerne das gesamte Spektrum der Datenerweiterungstechniken in YOLO kennen – von grundlegenden Transformationen bis hin zu fortgeschrittenen Strategien zur Verbesserung der Robustheit und Leistung von Modellen.
• COCO in YOLO konvertieren: Vollständige Anleitung zum Konvertieren von COCO-JSON-Annotationen ins YOLO-Format für das Training. Behandelt Erkennung, Segmentierung und Keypoints, einschließlich der Zuordnung von Klassen-IDs und häufiger Fehler bei der Konvertierung.
• Training mit COCO JSON: Trainiere YOLO direkt mit COCO-JSON-Annotationen, ohne sie ins YOLO-Format zu konvertieren. Verwende dazu eine benutzerdefinierte Datensatzklasse und einen Trainer.

Trainieren und feinabstimmen#

• Tipps zum Modelltraining: Entdecke Tipps zur Optimierung von Batch-Größen, zur Verwendung von gemischter Genauigkeit, zum Einsatz vortrainierter Gewichte und mehr, damit das Training deines Computer-Vision-Modells zum Kinderspiel wird.
• YOLO mit eigenen Daten feinabstimmen: Vollständige Anleitung zum Feinabstimmen von YOLO26 mit eigenen Datensätzen und vortrainierten Gewichten. Behandelt Transfer Learning, das Einfrieren von Schichten, die Auswahl des Optimierers, Training in zwei Phasen und die Fehlerbehebung.
• YOLO26-Trainingsrezept: Vollständige Dokumentation der Hyperparameter, Datenerweiterungsabläufe und Optimierereinstellungen, die zum Trainieren der offiziellen YOLO26-Basisprüfpunkte auf COCO verwendet werden, ergänzt durch praktische Hinweise zur Feinabstimmung.
• Hyperparameter-Abstimmung: Erfahre, wie du deine YOLO-Modelle optimierst, indem du Hyperparameter mithilfe der Tuner-Klasse und genetischer Evolutionsalgorithmen feinabstimmst.
• Wissensdestillation: Erfahre, wie du die Modellleistung verbesserst, indem du mithilfe merkmalsbasierter Destillation Wissen von einem größeren Lehrermodell auf ein kleineres Schülermodell überträgst.
• K-Fold-Kreuzvalidierung: Erfahre, wie du die Generalisierung von Modellen mithilfe der K-Fold-Kreuzvalidierung verbesserst.
• Trainer anpassen: Erfahre, wie du den YOLO-Trainer ableitest, um benutzerdefinierte Metriken zu protokollieren, einen nach Klassen gewichteten Verlust hinzuzufügen, das Speichern von Modellen anzupassen, das Backbone einzufrieren oder freizugeben und Lernraten pro Schicht festzulegen.
• Anleitung zur YAML-Konfiguration von Modellen: Ein umfassender Einblick in die Definitionen der Ultralytics-Modellarchitektur. Entdecke das YAML-Format, erfahre, wie das Modulauflösungssystem funktioniert, und lerne, benutzerdefinierte Module nahtlos einzubinden.

Auswertung und Fehlerbehebung#

• YOLO-Leistungsmetriken ⭐ WICHTIG: Lerne die wichtigsten Metriken wie mAP, IoU und den F1-Wert kennen, mit denen die Leistung deiner YOLO-Modelle bewertet wird. Mit praktischen Beispielen und Tipps, wie du Erkennungsgenauigkeit und Geschwindigkeit verbesserst.
• Einblicke in die Modellbewertung und Feinabstimmung: Bewerte Computer-Vision-Modelle anhand von Metriken wie mAP und IoU und nutze die Erkenntnisse aus den Metriken, um die Erkennungsgenauigkeit zu verbessern.
• Modelltests: Erfahre, wie du Computer-Vision-Modelle mit unbekannten Daten testest, YOLO26-Modelle validierst und vor der Bereitstellung Überanpassung, Unteranpassung und Datenlecks erkennst.
• Häufige Probleme mit YOLO ⭐ EMPFOHLEN: Praktische Lösungen und Tipps zur Fehlerbehebung bei den häufigsten Problemen mit Ultralytics-YOLO-Modellen.
• Dein Computer-Vision-Modell warten: Erfahre mehr über die wichtigsten Vorgehensweisen zum Überwachen, Warten und Dokumentieren von Computer-Vision-Modellen, damit die Genauigkeit gewährleistet, Anomalien erkannt und Datenverschiebungen eingedämmt werden.

Bereitstellen und ausführen#

• Optionen zur Modellbereitstellung: Überblick über YOLO-Bereitstellungsformate für Modelle wie ONNX, OpenVINO und TensorRT, mit den jeweiligen Vor- und Nachteilen als Grundlage für deine Bereitstellungsstrategie.
• Bewährte Methoden zur Modellbereitstellung: Erfahre anhand von Tipps und bewährten Methoden, wie du Modelle in Computer-Vision-Projekten effizient bereitstellst. Im Mittelpunkt stehen Optimierung, Fehlerbehebung und Sicherheit.
• Nicht-YOLO-Modelle exportieren: Verwende die eigenständigen Exportwerkzeuge von Ultralytics, um beliebige torch.nn.Module (timm, torchvision, benutzerdefiniert) in TorchScript, ONNX, OpenVINO, CoreML, Core AI, TensorFlow SavedModel, PaddlePaddle, MNN, NCNN und ExecuTorch zu konvertieren.
• End-to-End-Erkennung: Entscheide dich für NMS- oder NMS-freie Inferenz und erfahre mehr über Ausgabeformate und Exportkompatibilität.
• Integration des Triton-Inferenzservers: Erfahre mehr über die Integration von Ultralytics YOLO26 mit dem Triton Inference Server von NVIDIA für skalierbare und effiziente Bereitstellungen der Deep-Learning-Inferenz.
• Threadsichere YOLO-Inferenz: Richtlinien zur threadsicheren Inferenz mit YOLO-Modellen. Erfahre, warum Threadsicherheit wichtig ist und welche bewährten Methoden dazu beitragen, Race Conditions zu verhindern und konsistente Vorhersagen sicherzustellen.
• ROS-Schnelleinstieg: Erfahre, wie du YOLO in das Betriebssystem für Roboter (ROS) integrierst, um Objekte in Echtzeit in Robotikanwendungen zu erkennen, einschließlich Punktwolken und Tiefenbildern.
• Bereitstellung mit Docker auf Vertex AI: Kompakte Anleitung zum Containerisieren von YOLO-Modellen mit Docker und ihrer Bereitstellung auf Google Cloud Vertex AI. Behandelt das Erstellen und Übertragen von Images, automatische Skalierung und Überwachung.

Inferenz optimieren#

• Kachelbasierte Inferenz mit SAHI: Umfassende Anleitung zur Nutzung der SAHI-Funktionen für zugeschnittene Inferenz mit YOLO26, um Objekte in hochauflösenden Bildern zu erkennen.
• OpenVINO-Modi für Latenz und Durchsatz: Erfahre mehr über Techniken zur Optimierung von Latenz und Durchsatz, um die YOLO-Inferenzleistung zu maximieren.
• NVIDIA-DALI-GPU-Vorverarbeitung: Beseitige Engpässe bei der CPU-Vorverarbeitung, indem du mit NVIDIA DALI die Größenanpassung im Letterbox-Verfahren, das Auffüllen und die Normalisierung für YOLO auf der GPU ausführst – mit Integration des Triton Inference Server.
• Segmentierungsobjekte isolieren: Schritt-für-Schritt-Anleitung mit Erläuterungen zum Extrahieren und/oder Isolieren von Objekten aus Bildern mithilfe der Ultralytics-Segmentierung.
• Inferenzbilder im Terminal anzeigen: Verwende das integrierte Terminal von VSCode, um Inferenzergebnisse während Remote-Tunnel- oder SSH-Sitzungen anzuzeigen.

Edge- und eingebettete Hardware#

• NVIDIA Jetson: Schnelleinstieg zur Bereitstellung von YOLO-Modellen auf NVIDIA-Jetson-Geräten.
• Raspberry Pi: Schnelleinstieg zum Ausführen von YOLO-Modellen auf der neuesten Raspberry-Pi-Hardware.
• DeepStream auf NVIDIA Jetson: Schnelleinstieg zur Bereitstellung von YOLO-Modellen auf NVIDIA-Jetson-Geräten mit DeepStream und TensorRT.
• Edge TPU auf Raspberry Pi: Google Edge TPU beschleunigt die YOLO-Inferenz auf dem Raspberry Pi.
• NVIDIA DGX Spark: Schnelleinstieg zur Bereitstellung von YOLO-Modellen auf NVIDIA-DGX-Spark-Geräten.
• DL Streamer auf Intel: Schnelleinstieg zur Bereitstellung von YOLO26-Modellen auf Intel-Core-Ultra-Geräten der Serie 3 mit DL Streamer und OpenVINO™.

Trage zu unseren Anleitungen bei#

Beiträge aus der Community sind herzlich willkommen! Wenn du dich mit einem bestimmten Aspekt von Ultralytics YOLO bestens auskennst, der in unseren Anleitungen noch nicht behandelt wird, freuen wir uns, wenn du dein Wissen teilst. Eine Anleitung zu schreiben ist eine großartige Möglichkeit, der Community etwas zurückzugeben und uns dabei zu helfen, unsere Dokumentation umfassender und benutzerfreundlicher zu gestalten.

Lies zunächst unseren Leitfaden für Beiträge. Dort erfährst du, wie du eine Änderungsanfrage (PR) eröffnest. Wenn du eine neue Anleitung hinzufügst, ordne sie der passenden Kategorie oben zu, die ihrer Projektphase entspricht, und beschränke sie auf einen Seitentyp – Schritt-für-Schritt-Tutorial, aufgabenorientierte Anleitung oder Referenz –, damit die Sammlung auch bei weiterem Wachstum übersichtlich bleibt. Wir freuen uns auf deine Beiträge.

Häufig gestellte Fragen#