Umfassende Tutorials für Ultralytics YOLO#

Willkommen zu den YOLO Guides von Ultralytics. Unsere umfassenden Tutorials decken verschiedene Aspekte des YOLO object detection-Modells ab, von Training und Vorhersage bis hin zur Bereitstellung. Basierend auf PyTorch, zeichnet sich YOLO durch außergewöhnliche Geschwindigkeit und accuracy bei Echtzeit-Objekterkennungsaufgaben aus.

Egal, ob du Anfänger oder Experte im Bereich deep learning bist, unsere Tutorials bieten wertvolle Einblicke in die Implementierung und Optimierung von YOLO für deine computer vision-Projekte.

Anleitungen#

Die Anleitungen sind nach Projektphasen gruppiert – von der Einrichtungs- und Datenvorbereitung bis hin zu Training, Evaluierung, Deployment, Inferenzoptimierung und Edge-Hardware –, damit du direkt zu dem Schritt springen kannst, an dem du gerade arbeitest.

Erste Schritte & Planung#

• Conda Quickstart: Schritt-für-Schritt-Anleitung zum Einrichten einer Conda-Umgebung für Ultralytics. Erfahre, wie du das Ultralytics-Paket effizient installierst und mit Conda verwendest.
• Docker Quickstart: Vollständiger Leitfaden zum Einrichten und Verwenden von Ultralytics YOLO-Modellen mit Docker. Erfahre, wie du Docker installierst, die GPU-Unterstützung verwaltetest und YOLO-Modelle in isolierten Containern für eine konsistente Entwicklung und Bereitstellung ausführst.
• AzureML Quickstart: 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 Quickstart: Führe Ultralytics YOLO26 auf Modals serverloser Cloud-Plattform aus, einschließlich Authentifizierung, GPU-Inferenz und Trainingsjobs mit persistentem Speicher – ganz ohne Infrastruktur, die du verwalten musst.
• Defining A Computer Vision Project's Goals: Gehe durch, wie du klare und messbare Ziele für dein Computer-Vision-Projekt effektiv definierst. Erfahre, wie wichtig eine klar definierte Problemstellung ist und wie sie einen Fahrplan für dein Projekt erstellt.
• Steps of a Computer Vision Project: Erfahre mehr über die wichtigsten Schritte in einem Computer-Vision-Projekt, einschließlich der Definition von Zielen, der Modellauswahl, der Datenaufbereitung und der Auswertung der Ergebnisse.
• YOLO Architecture Explained: Verfolge, wie sich die YOLO-Architektur von YOLOv3 zu YOLO26 über Backbone, Neck und Detection Head entwickelt hat, einschließlich C2f-, C3k2-, C2PSA-Attention-, Anchor-free- und NMS-free-Design.

Bereite deine Daten vor#

• Data Collection and Annotation: Entdecke die Tools, Techniken und Best Practices zum Sammeln und Annotieren von Daten, um qualitativ hochwertige Eingaben für deine Computer-Vision-Modelle zu erstellen.
• Preprocessing Annotated Data: Lerne die Datenvorverarbeitung für Computer Vision mit YOLO26, einschließlich Bildgrößenänderung, Normalisierung, Datensatzaufteilung, Datenaugmentation und explorativer Datenanalyse (EDA).
• YOLO Data Augmentation: Meistere das gesamte Spektrum an Datenaugmentierungstechniken in YOLO, von grundlegenden Transformationen bis hin zu fortgeschrittenen Strategien zur Verbesserung der Modellrobustheit und -leistung.
• COCO to YOLO Conversion: Vollständiger Leitfaden zum Konvertieren von COCO-JSON-Annotationen in das YOLO-Format für das Training. Deckt Detektion, Segmentierung und Keypoints ab, einschließlich Klassen-ID-Mapping und häufiger Konvertierungsfehler.
• COCO JSON Training: Trainiere YOLO direkt mit COCO-JSON-Annotationen, ohne sie in das YOLO-Format zu konvertieren, unter Verwendung einer benutzerdefinierten Datensatzklasse und eines Trainers.

Trainieren & Feintuning#

• Tips for Model Training: Entdecke Tipps zur Optimierung von batch sizes, der Verwendung von mixed precision, dem Anwenden vortrainierter Gewichte und vielem mehr, um das Training deines Computer-Vision-Modells zum Kinderspiel zu machen.
• Fine-Tuning YOLO on Custom Data: Vollständiger Leitfaden zum Fine-Tuning von YOLO26 auf benutzerdefinierten Datensätzen mit vortrainierten Gewichten, einschließlich Transfer Learning, Schicht-Einfrieren, Optimiererauswahl, zweistufigem Training und Fehlerbehebung.
• YOLO26 Training Recipe: Vollständige Dokumentation der Hyperparameter, Augmentierungspipelines und Optimimmierungseinstellungen, die verwendet wurden, um die offiziellen YOLO26-Basis-Checkpoints auf COCO zu trainieren, mit praktischen Hinweisen zum Fine-Tuning.
• Hyperparameter Tuning: Entdecke, wie du deine YOLO-Modelle durch die Feinabstimmung von Hyperparametern mithilfe der Tuner-Klasse und genetischen Evolutionsalgorithmen optimieren kannst.
• Knowledge Distillation: Erfahre, wie du die Modellleistung durch die Übertragung von Wissen von einem größeren Lehrermodell (Teacher) auf ein kleineres Schülermodell (Student) mithilfe merkmalsbasierter Distillation verbessern kannst.
• K-Fold Cross Validation: Lerne, wie du die Modellgeneralisierung mit der K-Fold-Kreuzvalidierungstechnik verbessern kannst.
• Customizing Trainer: Erfahre, wie du eine Unterklasse des YOLO-Trainers erstellen kannst, um benutzerdefinierte Metriken zu protokollieren, verlustgewichtete Klassen hinzuzufügen, das Speichern von Modellen anzupassen, das Backbone ein-/auszufrieren und lerngeschwindigkeiten pro Schicht festzulegen.
• Model YAML Configuration Guide: Ein umfassender Einblick in die Modellarchitekturdefinitionen von Ultralytics. Erkunde das YAML-Format, verstehe das Modulauflösungssystem und lerne, wie du benutzerdefinierte Module nahtlos integrierst.

Evaluieren & Fehlerbehebung#

• YOLO Performance Metrics ⭐ WESENTLICH: Verstehe die wichtigsten Metriken wie mAP, IoU und F1 score, die zur Bewertung der Leistung deiner YOLO-Modelle verwendet werden. Enthält praktische Beispiele und Tipps zur Verbesserung der Erkennungsgenauigkeit und -geschwindigkeit.
• Erkenntnisse zur Modellevaluierung und zum Fine-Tuning: Evaluiere Computer-Vision-Modelle mit Metriken wie mAP und IoU und nutze die gewonnenen Erkenntnisse, um die Erkennungsgenauigkeit zu verbessern.
• Model Testing: Erfahre, wie du Computer-Vision-Modelle anhand ungesehener Daten testest, YOLO26-Modelle validierst und Overfitting, Underfitting sowie Datenlecks vor der Bereitstellung erkennst.
• YOLO Common Issues ⭐ EMPFOHLEN: Praktische Lösungen und Tipps zur Fehlerbehebung für die am häufigsten auftretenden Probleme bei der Arbeit mit Ultralytics YOLO-Modellen.
• Maintaining Your Computer Vision Model: Verstehe die wichtigsten Praktiken zur Überwachung, Wartung und Dokumentation von Computer-Vision-Modellen, um Genauigkeit zu garantieren, Anomalien zu erkennen und Daten-Drift zu mindern.

Deployment & Bereitstellung#

• Model Deployment Options: Übersicht über YOLO-model deployment-Formate wie ONNX, OpenVINO und TensorRT mit den Vor- und Nachteilen für jedes Format, um deine Bereitstellungsstrategie zu unterstützen.
• Best Practices for Model Deployment: Gehe Tipps und Best Practices für die effiziente Bereitstellung von Modellen in Computer-Vision-Projekten durch, mit Schwerpunkt auf Optimierung, Fehlerbehebung und Sicherheit.
• Export Non-YOLO Models: Verwende die eigenständigen Exportdienstprogramme von Ultralytics, um beliebige torch.nn.Module (timm, torchvision, benutzerdefiniert) in ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch und TensorFlow SavedModel zu konvertieren.
• End-to-End Detection: Verstehe die NMS-freie End-to-End-Detektion von YOLO26, die Exportkompatibilität, Änderungen des Ausgabeformats und wie du von älteren YOLO-Modellen migrieren kannst.
• Triton Inference Server Integration: Tauche ein in die Integration von Ultralytics YOLO26 mit dem Triton Inference Server von NVIDIA für skalierbare und effiziente Deep-Learning-Inferenz-Bereitstellungen.
• YOLO Thread-Safe Inference: Richtlinien für die Durchführung von Inferenz mit YOLO-Modellen auf threadsichere Weise. Erfahre, wie wichtig Threadsicherheit ist und welche Best Practices es gibt, um Race Conditions zu verhindern und konsistente Vorhersagen sicherzustellen.
• ROS Quickstart: Erfahre, wie du YOLO in das Robot Operating System (ROS) für die Echtzeit-Objekterkennung in Robotikanwendungen integrierst, einschließlich Punktwolken- und Tiefenbildern.
• Vertex AI Deployment with Docker: Optimierter Leitfaden zum Containerisieren von YOLO-Modellen mit Docker und deren Bereitstellung auf Google Cloud Vertex AI – einschließlich Build, Push, Autoscaling und Monitoring.

Inferenz optimieren#

• SAHI Tiled Inference: Umfassender Leitfaden zur Nutzung der Sliced-Inference-Funktionen von SAHI mit YOLO26 zur Objekterkennung in hochauflösenden Bildern.
• OpenVINO Latency vs Throughput Modes: Lerne Techniken zur Optimierung von Latenz und Durchsatz für eine maximale YOLO-Inferenzleistung.
• NVIDIA DALI GPU Preprocessing: Eliminiere CPU-Vorverarbeitungsengpässe, indem du YOLO-Letterbox-Resize, Padding und Normalisierung auf der GPU mit NVIDIA DALI und integriertem Triton Inference Server ausführst.
• Isolating Segmentation Objects: Schritt-für-Schritt-Anleitung und Erklärung dazu, wie man Objekte aus Bildern mit Ultralytics Segmentation extrahiert und/oder isoliert.
• View Inference Images in a Terminal: Verwende das integrierte Terminal von VSCode, um Inferenzergebnisse bei der Verwendung von Remote-Tunnel- oder SSH-Sitzungen anzuzeigen.

Edge- & Embedded-Hardware#

• NVIDIA Jetson: Schnellstartanleitung für die Bereitstellung von YOLO-Modellen auf NVIDIA Jetson-Geräten.
• Raspberry Pi: Schnellstart-Tutorial zum Ausführen von YOLO-Modellen auf der neuesten Raspberry Pi-Hardware.
• DeepStream on NVIDIA Jetson: Schnellstartanleitung für die Bereitstellung von YOLO-Modellen auf NVIDIA Jetson-Geräten mit DeepStream und TensorRT.
• Edge TPU on Raspberry Pi: Die Google Edge TPU beschleunigt die YOLO-Inferenz auf Raspberry Pi.
• NVIDIA DGX Spark: Schnellstartanleitung für die Bereitstellung von YOLO-Modellen auf NVIDIA DGX Spark-Geräten.
• DL Streamer on Intel: Schnellstartanleitung für die Bereitstellung von YOLO26-Modellen auf Intel Core Ultra Series 3-Geräten mit DL Streamer und OpenVINO™.

Trage zu unseren Anleitungen bei#

Wir freuen uns über Beiträge aus der Community! Wenn du einen bestimmten Aspekt von Ultralytics YOLO gemeistert hast, der in unseren Anleitungen noch nicht abgedeckt ist, ermutigen wir dich, dein Fachwissen zu teilen. Eine Anleitung zu schreiben ist eine großartige Möglichkeit, der Community etwas zurückzugeben und uns dabei zu helfen, unsere Dokumentation umfassender und benutzerfreundlicher zu gestalten.

Um loszulegen, lies bitte unseren Contributing Guide für Richtlinien zum Öffnen eines Pull Requests (PR). Wenn du einen neuen Leitfaden hinzufügst, platziere ihn unter der obigen Kategorie, die zu seiner Projektphase passt, und beschränke ihn auf einen einzigen Seitentyp – ein Schritt-für-Schritt-Tutorial, eine aufgabenorientierte Anleitung oder eine Referenz –, damit die Sammlung beim Wachsen übersichtlich bleibt. Wir freuen uns auf deine Beiträge.

FAQ#