Zum Inhalt springen

Umfassende Tutorials zu Ultralytics YOLO

Willkommen bei den Ultralytics' YOLO 🚀 Guides! Unsere umfassenden Tutorials behandeln verschiedene Aspekte des YOLO Objekterkennungsmodells, vom Training über die Vorhersage bis zum Einsatz. YOLO basiert auf PyTorch und zeichnet sich durch seine außergewöhnliche Geschwindigkeit und Genauigkeit bei der Objekterkennung in Echtzeit aus.

Egal, ob du ein Anfänger oder ein Experte im Bereich Deep Learning bist, unsere Tutorials bieten dir wertvolle Einblicke in die Implementierung und Optimierung von YOLO für deine Computer Vision Projekte. Lass uns eintauchen!



Pass auf: Ultralytics YOLOv8 Guides Übersicht

Leitfäden

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

  • YOLO Häufige Probleme ⭐ EMPFOHLEN: Praktische Lösungen und Tipps zur Fehlerbehebung für die am häufigsten auftretenden Probleme bei der Arbeit mit Ultralytics YOLO Modellen.
  • YOLO Leistungsmetriken ⭐ ESSENTIAL: 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, wie du die Erkennungsgenauigkeit und -geschwindigkeit verbessern kannst.
  • Optionen für die Modellbereitstellung: Überblick über die Einsatzformate des YOLO Modells wie ONNX, OpenVINO und TensorRT, mit den jeweiligen Vor- und Nachteilen für deine Einsatzstrategie.
  • K-Fold Cross Validation 🚀 NEU: Lerne, wie du die Modellgeneralisierung mit der K-Fold Cross Validation Technik verbessern kannst.
  • Hyperparameter-Tuning 🚀 NEU: Entdecke, wie du deine YOLO Modelle durch die Feinabstimmung von Hyperparametern mit der Tuner-Klasse und genetischen Evolutionsalgorithmen optimieren kannst.
  • SAHI Tiled Inference 🚀 NEU: Umfassende Anleitung zur Nutzung der SAHI Sliced Inference-Funktionen mit YOLOv8 für die Objekterkennung in hochauflösenden Bildern.
  • AzureML Quickstart 🚀 NEU: Mach dich mit Ultralytics YOLO Modellen auf Microsofts Azure Machine Learning Plattform startklar. Erfahre, wie du deine Objekterkennungsprojekte in der Cloud trainieren, einsetzen und skalieren kannst.
  • Conda Quickstart 🚀 NEU: Schritt-für-Schritt-Anleitung zum Einrichten einer Conda-Umgebung für Ultralytics. Hier erfährst du, wie du das Paket Ultralytics mit Conda installieren und effizient nutzen kannst.
  • Docker Quickstart 🚀 NEU: 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 konsistente Entwicklung und Bereitstellung zu gewährleisten.
  • Raspberry Pi 🚀 NEU: Schnellstart-Tutorial, um YOLO Modelle auf die neueste Raspberry Pi Hardware zu bringen.
  • NVIDIA-Jetson🚀NEU: Schnellstartanleitung für den Einsatz von YOLO Modellen auf NVIDIA Jetson Geräten.
  • Triton Inference Server Integration 🚀 NEU: Tauche ein in die Integration von Ultralytics YOLOv8 mit NVIDIAs Triton Inference Server für skalierbare und effiziente Deep Learning Inferenz-Implementierungen.
  • YOLO Thread-sichere Inferenz 🚀 NEU: Richtlinien für eine Thread-sichere Inferenz mit YOLO Modellen. Erfahre, wie wichtig Thread-Sicherheit ist und wie du am besten vorgehst, um Race Conditions zu vermeiden und konsistente Vorhersagen zu gewährleisten.
  • Isolierung von Segmentierungsobjekten 🚀 NEU: Schritt-für-Schritt-Rezept und Erklärung, wie man mit Ultralytics Segmentierung Objekte aus Bildern extrahiert und/oder isoliert.
  • Edge TPU auf dem Raspberry Pi: Google Edge TPU beschleunigt YOLO Inferenz auf dem Raspberry Pi.
  • Inferenzbilder in einem Terminal anzeigen: Verwende das in VSCode integrierte Terminal, um die Inferenzergebnisse zu sehen, wenn du Remote Tunnel oder SSH-Sitzungen benutzt.
  • OpenVINO Latenz- und Durchsatzmodi - Lerne Techniken zur Optimierung von Latenz und Durchsatz, um die beste Leistung für YOLO zu erzielen.
  • Steps of a Computer Vision Project 🚀 NEW: Learn about the key steps involved in a computer vision project, including defining goals, selecting models, preparing data, and evaluating results.
  • Defining A Computer Vision Project's Goals 🚀 NEW: Walk through how to effectively define clear and measurable goals for your computer vision project. Learn the importance of a well-defined problem statement and how it creates a roadmap for your project.
  • Data Collection and Annotation🚀 NEW: Explore the tools, techniques, and best practices for collecting and annotating data to create high-quality inputs for your computer vision models.
  • Preprocessing Annotated Data🚀 NEW: Learn about preprocessing and augmenting image data in computer vision projects using YOLOv8, including normalization, dataset augmentation, splitting, and exploratory data analysis (EDA).

Zu unseren Leitfäden 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, freuen wir uns, wenn du dein Wissen mit uns teilst. Das Schreiben eines Leitfadens ist eine gute Möglichkeit, der Gemeinschaft etwas zurückzugeben und uns dabei zu helfen, unsere Dokumentation noch umfassender und benutzerfreundlicher zu gestalten.

Um loszulegen, lies bitte unseren Contributing Guide, in dem du erfährst, wie du einen Pull Request (PR) eröffnest 🛠️. Wir freuen uns auf deine Beiträge!

Lass uns gemeinsam daran arbeiten, das Ökosystem von Ultralytics YOLO robuster und vielseitiger zu machen 🙏!



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (10), abirami-vina (2), RizwanMunawar (7), Burhan-Q (3), lakshanthad (1), ouphi (1)

Kommentare