Umfassende Anleitungen für Ultralytics YOLO

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

Egal ob du Anfänger oder Experte im Bereich Deep Learning bist, unsere Anleitungen bieten wertvolle Einblicke in die Implementierung und Optimierung von YOLO für deine Computer-Vision-Projekte.

Anleitungen

Hier ist eine Zusammenstellung ausführlicher Guides, die dir helfen, verschiedene Aspekte von Ultralytics YOLO zu meistern.

• Ein Leitfaden für Modelltests: Ein gründlicher Leitfaden zum Testen deiner Computer-Vision-Modelle in realistischen Umgebungen. Erfahre, wie du Genauigkeit, Zuverlässigkeit und Leistung im Einklang mit deinen Projektzielen überprüfst.
• AzureML Schnellstart: Starte mit Ultralytics YOLO-Modellen auf der Microsoft Azure Machine Learning-Plattform. Lerne, wie du deine Objekterkennungsprojekte in der Cloud trainierst, bereitstellst und skalierst.
• Best Practices für die Modellbereitstellung: Gehe Tipps und bewährte Verfahren für die effiziente Bereitstellung von Modellen in Computer-Vision-Projekten durch, mit Fokus auf Optimierung, Fehlerbehebung und Sicherheit.
• COCO zu YOLO Konvertierung: Vollständiger Leitfaden zur Konvertierung von COCO JSON-Annotationen in das YOLO-Format für das Training. Deckt Erkennung, Segmentierung und Keypoints ab, inklusive werkzeugspezifischer Tipps für CVAT, Label Studio und Roboflow.
• COCO JSON Training: Trainiere YOLO direkt mit COCO JSON-Annotationen ohne Konvertierung in das YOLO-Format, unter Verwendung einer benutzerdefinierten Dataset-Klasse und eines Trainers.
• Conda Schnellstart: Schritt-für-Schritt-Anleitung zur Einrichtung einer Conda-Umgebung für Ultralytics. Lerne, wie du das Ultralytics-Paket effizient mit Conda installierst und verwendest.
• Anpassen des Trainers: Lerne, wie du den YOLO-Trainer ableitest, um benutzerdefinierte Metriken zu protokollieren, klassengewichteten Loss hinzuzufügen, das Speichern von Modellen anzupassen, das Backbone zu fixieren/freizugeben und layer-spezifische Lernraten festzulegen.
• Datensammlung und Annotation: Entdecke Werkzeuge, Techniken und Best Practices für das Sammeln und Annotieren von Daten, um hochwertige Eingaben für deine Computer-Vision-Modelle zu erstellen.
• DeepStream auf NVIDIA Jetson: Schnellstart-Anleitung für die Bereitstellung von YOLO-Modellen auf NVIDIA Jetson-Geräten mittels DeepStream und TensorRT.
• Festlegen der Ziele eines Computer-Vision-Projekts: Gehe durch, wie du effektiv klare und messbare Ziele für dein Computer-Vision-Projekt definierst. Lerne die Bedeutung einer gut definierten Problemstellung und wie sie einen Fahrplan für dein Projekt erstellt.
• Docker Schnellstart: Vollständiger Leitfaden zur Einrichtung und Nutzung von Ultralytics YOLO-Modellen mit Docker. Lerne, wie du Docker installierst, GPU-Unterstützung verwaltest und YOLO-Modelle in isolierten Containern für konsistente Entwicklung und Bereitstellung ausführst.
• Edge TPU auf Raspberry Pi: Google Edge TPU beschleunigt YOLO-Inferenz auf Raspberry Pi.
• End-to-End Erkennung: Verstehe die NMS-freie End-to-End Erkennung von YOLO26, Exportkompatibilität, Änderungen am Ausgabeformat und wie du von älteren YOLO-Modellen migrierst.
• Nicht-YOLO Modelle exportieren: Verwende die eigenständigen Export-Dienstprogramme von Ultralytics, um jedes torch.nn.Module (timm, torchvision, benutzerdefiniert) in ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch und TensorFlow SavedModel zu konvertieren.
• Fine-Tuning von YOLO auf benutzerdefinierten Daten: Kompletter Leitfaden zum Fine-Tuning von YOLO26 auf benutzerdefinierten Datensätzen mit vortrainierten Gewichten, einschließlich Transfer Learning, Layer-Fixierung, Optimierer-Auswahl, zweistufigem Training und Fehlerbehebung.
• Hyperparameter-Tuning: Entdecke, wie du deine YOLO-Modelle durch das Feinabstimmen von Hyperparametern mit der Tuner-Klasse und genetischen Evolutionsalgorithmen optimierst.
• Einblicke in Modellevaluierung und Fine-Tuning: Gewinne Einblicke in Strategien und Best Practices zur Evaluierung und Feinabstimmung deiner Computer-Vision-Modelle. Lerne den iterativen Prozess der Modellverfeinerung kennen, um optimale Ergebnisse zu erzielen.
• Segmentierungsobjekte isolieren: Schritt-für-Schritt-Rezept und Erklärung, wie du Objekte mit Ultralytics Segmentation aus Bildern extrahierst und/oder isolierst.
• K-Fold Kreuzvalidierung: Lerne, wie du die Modellverallgemeinerung durch die K-Fold-Kreuzvalidierungstechnik verbesserst.
• Wartung deines Computer-Vision-Modells: Verstehe die wichtigsten Praktiken zur Überwachung, Wartung und Dokumentation von Computer-Vision-Modellen, um Genauigkeit zu gewährleisten, Anomalien zu erkennen und Daten-Drift zu mindern.
• Optionen für die Modellbereitstellung: Übersicht über Modellbereitstellungs-Formate für YOLO wie ONNX, OpenVINO und TensorRT, mit Vor- und Nachteilen für jedes, um deine Bereitstellungsstrategie zu unterstützen.
• Modell YAML-Konfigurationsleitfaden: Ein umfassender tiefer Einblick in die Architekturdefinitionen von Ultralytics-Modellen. Entdecke das YAML-Format, verstehe das Modulauflösungssystem und lerne, wie du benutzerdefinierte Module nahtlos integrierst.
• NVIDIA DALI GPU-Vorverarbeitung: Eliminiere CPU-Vorverarbeitungsengpässe, indem du YOLO Letterbox-Resize, Padding und Normalisierung auf der GPU mittels NVIDIA DALI ausführst, mit Triton Inference Server Integration.
• NVIDIA DGX Spark: Schnellstart-Anleitung für die Bereitstellung von YOLO-Modellen auf NVIDIA DGX Spark-Geräten.
• NVIDIA Jetson: Schnellstart-Anleitung für die Bereitstellung von YOLO-Modellen auf NVIDIA Jetson-Geräten.
• OpenVINO Latenz vs. Durchsatz-Modi: Lerne Techniken zur Latenz- und Durchsatzoptimierung für maximale YOLO-Inferenzleistung.
• Annotierte Daten vorverarbeiten: Lerne alles über die Vorverarbeitung und Augmentierung von Bilddaten in Computer-Vision-Projekten mit YOLO26, einschließlich Normalisierung, Dataset-Augmentierung, Aufteilung und explorativer Datenanalyse (EDA).
• Raspberry Pi: Schnellstart-Tutorial, um YOLO-Modelle auf der neuesten Raspberry Pi-Hardware auszuführen.
• ROS Schnellstart: Lerne, wie du YOLO in das Robot Operating System (ROS) integrierst für die Objekterkennung in Echtzeit in Robotikanwendungen, einschließlich Point Cloud und Tiefenbildern.
• SAHI Kachel-Inferenz: Umfassender Leitfaden zur Nutzung der Sliced-Inferenz-Fähigkeiten von SAHI mit YOLO26 für die Objekterkennung in hochauflösenden Bildern.
• Schritte eines Computer-Vision-Projekts: Lerne die wichtigsten Schritte eines Computer-Vision-Projekts kennen, einschließlich Zielsetzung, Modellauswahl, Datenvorbereitung und Ergebnisevaluierung.
• Tipps für das Modelltraining: Entdecke Tipps zur Optimierung von Batch-Größen, zur Verwendung von gemischter Präzision, zur Anwendung vortrainierter Gewichte und mehr, um das Training deines Computer-Vision-Modells zum Kinderspiel zu machen.
• Triton Inference Server Integration: Tauche ein in die Integration von Ultralytics YOLO26 mit NVIDIA's Triton Inference Server für skalierbare und effiziente Deep Learning Inferenz-Bereitstellungen.
• Vertex AI Bereitstellung mit Docker: Straffer Leitfaden zur Containerisierung von YOLO-Modellen mit Docker und deren Bereitstellung auf Google Cloud Vertex AI – deckt Erstellen, Pushen, Autoscaling und Überwachung ab.
• Inferenzbilder im Terminal ansehen: Nutze das integrierte Terminal von VSCode, um Inferenz-Ergebnisse anzuzeigen, wenn du Remote Tunnel oder SSH-Sitzungen verwendest.
• YOLO26 Trainingsrezept: Vollständige Dokumentation der Hyperparameter, Augmentierungs-Pipelines und Optimierer-Einstellungen, die zum Trainieren der offiziellen YOLO26 Basis-Checkpoints auf COCO verwendet wurden, mit praktischen Hinweisen zum Fine-Tuning.
• Häufige YOLO-Probleme ⭐ EMPFOHLEN: Praktische Lösungen und Tipps zur Fehlerbehebung für die am häufigsten auftretenden Probleme bei der Arbeit mit Ultralytics YOLO-Modellen.
• YOLO Datenaugmentierung: Meistere das gesamte Spektrum der Datenaugmentierungstechniken in YOLO, von grundlegenden Transformationen bis hin zu fortschrittlichen Strategien zur Verbesserung der Modellrobustheit und -leistung.
• YOLO Leistungsmetriken ⭐ WICHTIG: Verstehe die wichtigsten Metriken wie mAP, IoU und F1-Score, die zur Evaluierung der Leistung deiner YOLO-Modelle verwendet werden. Enthält praktische Beispiele und Tipps zur Verbesserung der Erkennungsgenauigkeit und -geschwindigkeit.
• YOLO Thread-sichere Inferenz: Richtlinien für die Durchführung von Inferenz mit YOLO-Modellen auf Thread-sichere Weise. Lerne die Bedeutung von Thread-Sicherheit und Best Practices kennen, um Race Conditions zu vermeiden und konsistente Vorhersagen sicherzustellen.

Trage zu unseren Guides bei

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

Um loszulegen, lies bitte unseren Beitragsleitfaden für Richtlinien zum Öffnen eines Pull Request (PR). Wir freuen uns auf deine Beiträge.

FAQ

Wie trainiere ich ein benutzerdefiniertes Objekterkennungsmodell mit Ultralytics YOLO?

Das Trainieren eines benutzerdefinierten Objekterkennungsmodells mit Ultralytics YOLO ist unkompliziert. Beginne mit der Vorbereitung deines Datensatzes im korrekten Format und der Installation des Ultralytics-Pakets. Verwende den folgenden Code, um das Training zu starten:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

Für detaillierte Dataset-Formatierung und zusätzliche Optionen, beziehe dich auf unseren Tipps für das Modelltraining Leitfaden.

Welche Leistungsmetriken sollte ich zur Evaluierung meines YOLO-Modells verwenden?

Die Evaluierung der Leistung deines YOLO-Modells ist entscheidend, um seine Wirksamkeit zu verstehen. Wichtige Metriken sind Mean Average Precision (mAP), Intersection over Union (IoU) und F1-Score. Diese Metriken helfen dabei, die Genauigkeit und Präzision von Objekterkennungsaufgaben zu bewerten. Du kannst mehr über diese Metriken und wie du dein Modell verbesserst in unserem YOLO Leistungsmetriken Leitfaden erfahren.

Warum sollte ich die Ultralytics Platform für meine Computer-Vision-Projekte verwenden?

Die Ultralytics Platform ist eine No-Code-Plattform, die das Verwalten, Trainieren und Bereitstellen von YOLO-Modellen vereinfacht. Sie unterstützt nahtlose Integration, Echtzeit-Tracking und Cloud-Training, was sie ideal für Anfänger und Profis gleichermaßen macht. Entdecke mehr über ihre Funktionen und wie sie deinen Workflow optimieren kann, in unserem Ultralytics Platform Schnellstart-Leitfaden.

Welche häufigen Probleme treten während des YOLO-Modelltrainings auf und wie kann ich sie lösen?

Häufige Probleme während des YOLO-Modelltrainings umfassen Fehler in der Datenformatierung, Nichtübereinstimmungen in der Modellarchitektur und unzureichende Trainingsdaten. Um diese zu beheben, stelle sicher, dass dein Datensatz korrekt formatiert ist, prüfe auf kompatible Modellversionen und augmentiere deine Trainingsdaten. Eine umfassende Liste von Lösungen findest du in unserem Häufige YOLO-Probleme Leitfaden.

Wie kann ich mein YOLO-Modell für die Objekterkennung in Echtzeit auf Edge-Geräten bereitstellen?

Die Bereitstellung von YOLO-Modellen auf Edge-Geräten wie NVIDIA Jetson und Raspberry Pi erfordert die Konvertierung des Modells in ein kompatibles Format wie TensorRT oder TFLite. Folge unseren Schritt-für-Schritt-Anleitungen für NVIDIA Jetson und Raspberry Pi Bereitstellungen, um mit der Objekterkennung in Echtzeit auf Edge-Hardware zu beginnen. Diese Guides führen dich durch Installation, Konfiguration und Leistungsoptimierung.