Umfassende Tutorials für Ultralytics YOLO#

Willkommen bei den YOLO-Anleitungen 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 Echtzeitaufgaben zur Objekterkennung durch außergewöhnliche Geschwindigkeit und Genauigkeit 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 Einrichtung der Umgebung und der Datenvorbereitung über Training, Evaluierung, Bereitstellung und Inferenzoptimierung bis hin zu Edge-Hardware –, damit du direkt zu dem Arbeitsschritt springen kannst, an dem du gerade arbeitest.

Erste Schritte und Planung#

• Conda-Schnellstart: Schritt-für-Schritt-Anleitung zum Einrichten einer Conda-Umgebung für Ultralytics. Erfahre, wie du das Ultralytics-Paket mit Conda effizient installierst und verwendest.
• Docker-Schnellstart: Vollständige Anleitung zum Einrichten und Verwenden von Ultralytics-YOLO-Modellen mit Docker. Erfahre, wie du Docker installierst, GPU-Unterstützung verwaltest und YOLO-Modelle in isolierten Containern für eine konsistente Entwicklung und Bereitstellung ausführst.
• AzureML-Schnellstart: Starte mit Ultralytics-YOLO-Modellen auf Microsofts Machine-Learning-Plattform Azure. Erfahre, wie du deine Projekte zur Objekterkennung in der Cloud trainierst, bereitstellst und skalierst.
• Modal-Schnellstart: Führe Ultralytics YOLO26 auf der serverlosen Cloud-Plattform Modal aus – mit Authentifizierung, GPU-Inferenz und Trainingsaufträgen mit dauerhaftem Speicher, ohne dass du Infrastruktur verwalten musst.
• Ziele eines Computer-Vision-Projekts definieren: Erfahre Schritt für Schritt, wie du klare und messbare Ziele für dein Computer-Vision-Projekt effektiv definierst. Lerne, warum eine klar definierte 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 Definieren von Zielen, die Auswahl von Modellen, die Vorbereitung von Daten und die Bewertung der Ergebnisse.
• YOLO-Architektur erklärt: Verfolge die Entwicklung der YOLO-Architektur von YOLOv3 bis YOLO26 über Backbone, Neck und Erkennungskopf hinweg, einschließlich C2f, C3k2, C2PSA-Aufmerksamkeit, anchor-free- und NMS-free-Design.

Daten vorbereiten#

• Datenerfassung und Annotation: Erfahre mehr über Werkzeuge, Techniken und bewährte Verfahren zur Erfassung und Annotation von Daten, um hochwertige Eingabedaten für deine Computer-Vision-Modelle zu erstellen.
• Annotierte Daten vorverarbeiten: Erfahre, wie du Daten für Computer Vision mit YOLO26 vorverarbeitest, einschließlich Bildgrößenänderung, Normalisierung, Aufteilung des Datensatzes, Datenerweiterung und explorativer Datenanalyse (EDA).
• YOLO-Datenerweiterung: Beherrsche das gesamte Spektrum der Datenerweiterungstechniken in YOLO – von grundlegenden Transformationen bis hin zu fortgeschrittenen Strategien zur Verbesserung der Robustheit und Leistung des Modells.
• COCO-zu-YOLO-Konvertierung: Vollständige Anleitung zum Konvertieren von COCO-JSON-Annotationen in das YOLO-Format für das Training. Behandelt Objekterkennung, Segmentierung und Keypoints einschließlich der Zuordnung von Klassen-IDs und häufiger Fehler bei der Konvertierung.
• COCO-JSON-Training: Trainiere YOLO direkt mit COCO-JSON-Annotationen, ohne sie in das YOLO-Format zu konvertieren, und verwende dafür eine benutzerdefinierte Datensatzklasse und einen Trainer.

Trainieren und feinabstimmen#

• Tipps für das Modelltraining: Entdecke Tipps zur Optimierung von Batchgrößen, zur Verwendung von gemischter Präzision, zum Einsatz vortrainierter Gewichte und mehr, damit das Training deines Computer-Vision-Modells leichter gelingt.
• YOLO mit benutzerdefinierten Daten feinabstimmen: Vollständige Anleitung zum Feinabstimmen von YOLO26 auf benutzerdefinierten Datensätzen mit vortrainierten Gewichten, einschließlich Transferlernen, Einfrieren von Schichten, Optimiererauswahl, zweistufigem Training und Fehlerbehebung.
• YOLO26-Trainingsrezept: Vollständige Dokumentation der Hyperparameter, Datenerweiterungspipelines und Optimierereinstellungen, die zum Trainieren der offiziellen YOLO26-Basisprüfpunkte auf COCO verwendet werden, mit praktischen Hinweisen zur Feinabstimmung.
• Hyperparameter-Optimierung: Erfahre, wie du deine YOLO-Modelle durch Feinabstimmung von Hyperparametern mit der Tuner-Klasse und genetischen Evolutionsalgorithmen optimierst.
• Wissensdestillation: Erfahre, wie du die Modellleistung verbesserst, indem du Wissen mithilfe merkmalsbasierter Destillation von einem größeren Lehrermodell auf ein kleineres Schülermodell überträgst.
• K-Fold-Kreuzvalidierung: Erfahre, wie du die Generalisierung deines Modells mithilfe der K-Fold-Kreuzvalidierung verbesserst.
• Trainer anpassen: Erfahre, wie du den YOLO-Trainer ableitest, um benutzerdefinierte Metriken zu protokollieren, einen 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: Umfassender Einblick in die Definitionen der Modellarchitektur von Ultralytics. Erkunde das YAML-Format, verstehe das System zur Modulauflösung und lerne, wie du benutzerdefinierte Module nahtlos integrierst.

Evaluieren und Fehler beheben#

• YOLO-Leistungsmetriken ⭐ WESENTLICH: Verstehe wichtige Metriken wie mAP, IoU und den F1-Wert, die zur Bewertung der Leistung deiner YOLO-Modelle verwendet werden. Enthält praktische Beispiele und Tipps zur Verbesserung von Erkennungsgenauigkeit und Geschwindigkeit.
• Einblicke in Modellevaluierung und Feinabstimmung: Werte Computer-Vision-Modelle mit Metriken wie mAP und IoU aus und nutze anschließend die daraus gewonnenen Erkenntnisse, um die Erkennungsgenauigkeit zu verbessern.
• Modelle testen: Erfahre, wie du Computer-Vision-Modelle mit unbekannten Daten testest, YOLO26-Modelle validierst und vor der Bereitstellung Überanpassung, Unteranpassung und Datenlecks erkennst.
• Häufige YOLO-Probleme ⭐ EMPFOHLEN: Praktische Lösungen und Tipps zur Fehlerbehebung bei den häufigsten Problemen, die bei der Arbeit mit Ultralytics-YOLO-Modellen auftreten.
• Dein Computer-Vision-Modell warten: Verstehe die wichtigsten Verfahren zur Überwachung, Wartung und Dokumentation von Computer-Vision-Modellen, um Genauigkeit sicherzustellen, Anomalien zu erkennen und Datenverschiebungen zu vermindern.

Bereitstellen und als Dienst anbieten#

• Optionen für die Modellbereitstellung: Überblick über YOLO-Formate für die Modellbereitstellung wie ONNX, OpenVINO und TensorRT, einschließlich der Vor- und Nachteile der einzelnen Formate als Grundlage für deine Bereitstellungsstrategie.
• Bewährte Verfahren für die Modellbereitstellung: Erfahre Tipps und bewährte Verfahren für die effiziente Bereitstellung von Modellen in Computer-Vision-Projekten, mit Schwerpunkt auf Optimierung, Fehlerbehebung und Sicherheit.
• Export Non-YOLO Models: Nutze die eigenständigen Export-Dienstprogramme von Ultralytics, um beliebige torch.nn.Module (timm, torchvision, benutzerdefiniert) in ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch, Core AI und TensorFlow SavedModel zu konvertieren.
• End-to-End Detection: Wähle NMS oder NMS-freie Inferenz und verstehe Ausgabeformate sowie Exportkompatibilität.
• Integration des Triton Inference Server: Erfahre mehr über die Integration von Ultralytics YOLO26 mit NVIDIAs Triton Inference Server für skalierbare und effiziente Bereitstellungen zur Deep-Learning-Inferenz.
• Threadsichere YOLO-Inferenz: Richtlinien für die threadsichere Durchführung von Inferenz mit YOLO-Modellen. Erfahre, warum Threadsicherheit wichtig ist, und lerne bewährte Verfahren kennen, um Race Conditions zu vermeiden und konsistente Vorhersagen sicherzustellen.
• ROS-Schnellstart: Erfahre, wie du YOLO für Echtzeit-Objekterkennung in Robotikanwendungen in das Robot Operating System (ROS) integrierst, einschließlich Punktwolken und Tiefenbildern.
• Vertex-AI-Bereitstellung mit Docker: Optimierte Anleitung zum Erstellen von Containern für YOLO-Modelle mit Docker und zu ihrer Bereitstellung auf Google Cloud Vertex AI – einschließlich Erstellen, Übertragen, automatischer Skalierung und Überwachung.

Inferenz optimieren#

• SAHI-Kachelinferenz: Umfassende Anleitung zur Nutzung der zugeschnittenen Inferenzfunktionen von SAHI mit YOLO26 für die Objekterkennung in hochauflösenden Bildern.
• OpenVINO-Modi für Latenz und Durchsatz: Erfahre Techniken zur Optimierung von Latenz und Durchsatz für eine maximale YOLO-Inferenzleistung.
• NVIDIA-DALI-GPU-Vorverarbeitung: Beseitige Engpässe bei der CPU-Vorverarbeitung, indem du die YOLO-Anpassung der Bildgröße mit Letterbox, Auffüllen und Normalisierung mithilfe von NVIDIA DALI auf der GPU ausführst – einschließlich der Integration des Triton Inference Server.
• Segmentierungsobjekte isolieren: Schritt-für-Schritt-Rezept und Erklärung zum Extrahieren und/oder Isolieren von Objekten aus Bildern mithilfe der Ultralytics-Segmentierung.
• Inferenzbilder in einem Terminal anzeigen: Verwende das integrierte Terminal von VSCode, um Inferenzergebnisse bei der Verwendung von Remote-Tunnel- oder SSH-Sitzungen anzuzeigen.

Edge- und eingebettete Hardware#

• NVIDIA Jetson: Schnellstartanleitung zur Bereitstellung von YOLO-Modellen auf NVIDIA-Jetson-Geräten.
• Raspberry Pi: Schnellstart-Tutorial zum Ausführen von YOLO-Modellen auf der neuesten Raspberry-Pi-Hardware.
• DeepStream auf NVIDIA Jetson: Schnellstartanleitung 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 Raspberry Pi.
• NVIDIA DGX Spark: Schnellstartanleitung zur Bereitstellung von YOLO-Modellen auf NVIDIA-DGX-Spark-Geräten.
• DL Streamer auf Intel: Schnellstartanleitung zur Bereitstellung von YOLO26-Modellen auf Intel-Core-Ultra-Geräten der Serie 3 mit DL Streamer und OpenVINO™.

Zu unseren Anleitungen beitragen#

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

Lies zunächst unsere Anleitung zum Mitwirken, um zu erfahren, wie du einen Pull Request (PR) eröffnest. Wenn du eine neue Anleitung hinzufügst, ordne sie der oben genannten Kategorie zu, die ihrer Projektphase entspricht, und beschränke sie auf einen einzigen Seitentyp – ein Schritt-für-Schritt-Tutorial, eine aufgabenorientierte Anleitung oder eine Referenz –, damit die Sammlung auch bei weiterem Wachstum leicht zu durchsuchen bleibt. Wir freuen uns auf deine Beiträge.

FAQ#