Meet YOLO26: next-gen vision AI.

Link to this sectionHäufig gestellte Fragen (FAQ) zu Ultralytics YOLO#

Dieser FAQ-Bereich beantwortet häufige Fragen und Probleme, auf die Benutzer bei der Arbeit mit Ultralytics YOLO-Repositories stoßen könnten.

Link to this sectionFAQ#

Link to this sectionWas ist Ultralytics und was wird angeboten?#

Ultralytics ist ein Unternehmen für Computer Vision-KI, das auf hochmoderne Objekterkennungs- und Bildsegmentierungs-Modelle spezialisiert ist, mit Fokus auf die YOLO (You Only Look Once)-Familie. Das Angebot umfasst:

  • Open-Source-Implementierungen von YOLO26 (aktuell) und YOLO11 (vorherige Generation)
  • Eine breite Palette an vortrainierten Modellen für verschiedene Computer-Vision-Aufgaben
  • Ein umfassendes Python-Paket für die nahtlose Integration von YOLO-Modellen in Projekte
  • Vielseitige Tools zum Trainieren, Testen und Bereitstellen von Modellen
  • Umfangreiche Dokumentation und eine hilfreiche Community

Link to this sectionWie installiere ich das Ultralytics-Paket?#

Die Installation des Ultralytics-Pakets ist ganz einfach mit pip:

pip install ultralytics

Für die neueste Entwicklungsversion installiere direkt aus dem GitHub-Repository:

pip install git+https://github.com/ultralytics/ultralytics.git

Detaillierte Installationsanweisungen findest du im Quickstart-Guide.

Link to this sectionWelche Systemanforderungen gibt es für die Ausführung von Ultralytics-Modellen?#

Mindestanforderungen:

  • Python 3.8+
  • PyTorch 1.8+
  • CUDA-kompatible GPU (für GPU-Beschleunigung)

Empfohlenes Setup:

  • Python 3.8+
  • PyTorch 1.10+
  • NVIDIA GPU mit CUDA 11.2+
  • 8 GB+ RAM
  • 50 GB+ freier Festplattenspeicher (für die Datensatzspeicherung und das Modelltraining)

Für die Fehlersuche bei häufigen Problemen besuche die Seite YOLO Häufige Probleme.

Link to this sectionWie kann ich ein benutzerdefiniertes YOLO-Modell mit meinem eigenen Datensatz trainieren?#

So trainierst du ein benutzerdefiniertes YOLO-Modell:

  1. Bereite deinen Datensatz im YOLO-Format vor (Bilder und entsprechende Label-txt-Dateien).

  2. Erstelle eine YAML-Datei, die deine Datensatzstruktur und Klassen beschreibt (siehe Datensatz-YAML-Beispiel).

  3. Verwende den folgenden Python-Code, um das Training zu starten:

    from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from scratch
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

Für einen tiefergehenden Leitfaden, einschließlich Datenvorbereitung und fortgeschrittener Trainingsoptionen, beziehe dich auf den umfassenden Trainingsleitfaden.

Link to this sectionWelche vortrainierten Modelle sind in Ultralytics verfügbar?#

Ultralytics bietet eine vielfältige Auswahl an vortrainierten Modellen für verschiedene Aufgaben:

  • Objekterkennung: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
  • Instanzsegmentierung: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
  • Semantische Segmentierung: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
  • Klassifizierung: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
  • Pose-Schätzung: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
  • Orientierte Objekterkennung (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

Diese Modelle variieren in Größe und Komplexität und bieten unterschiedliche Kompromisse zwischen Geschwindigkeit und Genauigkeit. Entdecke die vollständige Palette der vortrainierten Modelle, um die beste Lösung für dein Projekt zu finden.

Link to this sectionWie führe ich eine Inferenz mit einem trainierten Ultralytics-Modell durch?#

Um eine Inferenz mit einem trainierten Modell durchzuführen:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Für fortgeschrittene Inferenzoptionen, einschließlich Batch-Verarbeitung und Video-Inferenz, sieh dir den detaillierten Vorhersage-Leitfaden an.

Link to this sectionKönnen Ultralytics-Modelle auf Edge-Geräten oder in Produktionsumgebungen bereitgestellt werden?#

Absolut! Ultralytics-Modelle sind für den vielseitigen Einsatz auf verschiedenen Plattformen konzipiert:

  • Edge-Geräte: Optimiere die Inferenz auf Geräten wie NVIDIA Jetson oder Intel Neural Compute Stick unter Verwendung von TensorRT, ONNX oder OpenVINO.
  • Mobil: Bereitstellung auf Android- oder iOS-Geräten durch Konvertierung der Modelle in TFLite oder Core ML.
  • Cloud: Nutze Frameworks wie TensorFlow Serving oder PyTorch Serve für skalierbare Cloud-Deployments.
  • Web: Implementiere In-Browser-Inferenz mit ONNX.js oder TensorFlow.js.

Ultralytics bietet Exportfunktionen an, um Modelle für die Bereitstellung in verschiedene Formate zu konvertieren. Entdecke die große Auswahl an Bereitstellungsoptionen, um die beste Lösung für deinen Anwendungsfall zu finden.

Link to this sectionWas ist der Unterschied zwischen YOLO11 und YOLO26?#

Wichtige Unterschiede sind:

  • End-to-End NMS-freie Inferenz: YOLO26 ist nativ End-to-End und erzeugt Vorhersagen direkt ohne Non-Maximum Suppression (NMS), was die Latenz reduziert und die Bereitstellung vereinfacht.
  • DFL-Entfernung: YOLO26 entfernt das Distribution Focal Loss-Modul, was den Export vereinfacht und die Kompatibilität mit Edge- und Low-Power-Geräten verbessert.
  • MuSGD-Optimizer: Ein Hybrid aus SGD und Muon (inspiriert von Moonshot AIs Kimi K2) für stabileres Training und schnellere Konvergenz.
  • CPU-Leistung: YOLO26 bietet bis zu 43 % schnellere CPU-Inferenz, was es ideal für Geräte ohne GPUs macht.
  • Aufgabenspezifische Optimierungen: Verbesserte Segmentierung mit semantischem Verlust und Multi-Scale-Protos, RLE für präzise Pose-Schätzung und verbesserte OBB-Dekodierung mit Winkelverlust.
  • Aufgaben: Beide Modelle unterstützen Objekterkennung und Instanzsegmentierung, während YOLO26 zusätzlich semantische Segmentierung für dichte, pixelgenaue Vorhersagen hinzufügt. Beide Modelle unterstützen auch Klassifizierung, Pose-Schätzung und orientierte Objekterkennung (OBB) in einem einheitlichen Framework.

Für einen detaillierten Vergleich von Funktionen und Leistungsmetriken besuche die YOLO26-Dokumentationsseite.

Link to this sectionWie kann ich zum Open-Source-Projekt von Ultralytics beitragen?#

Ein Beitrag zu Ultralytics ist eine großartige Möglichkeit, das Projekt zu verbessern und deine Fähigkeiten zu erweitern. So kannst du mitmachen:

  1. Forke das Ultralytics-Repository auf GitHub.
  2. Erstelle einen neuen Branch für dein Feature oder deinen Bugfix.
  3. Führe deine Änderungen durch und stelle sicher, dass alle Tests bestehen.
  4. Reiche einen Pull Request mit einer klaren Beschreibung deiner Änderungen ein.
  5. Nimm am Code-Review-Prozess teil.

Du kannst auch beitragen, indem du Fehler meldest, Funktionen vorschlägst oder die Dokumentation verbesserst. Für detaillierte Richtlinien und Best Practices beziehe dich auf den Mitwirkenden-Leitfaden.

Link to this sectionWie installiere ich das Ultralytics-Paket in Python?#

Die Installation des Ultralytics-Pakets in Python ist einfach. Verwende pip, indem du den folgenden Befehl in deinem Terminal oder deiner Eingabeaufforderung ausführst:

pip install ultralytics

Für die neueste Entwicklungsversion installiere direkt aus dem GitHub-Repository:

pip install git+https://github.com/ultralytics/ultralytics.git

Für umgebungsspezifische Installationsanweisungen und Tipps zur Fehlerbehebung konsultiere den umfassenden Quickstart-Guide.

Link to this sectionWas sind die Hauptmerkmale von Ultralytics YOLO?#

Ultralytics YOLO bietet eine umfangreiche Palette an Funktionen für fortgeschrittene Computer-Vision-Aufgaben:

  • Echtzeit-Erkennung: Effiziente Erkennung und Klassifizierung von Objekten in Echtzeitszenarien.
  • Multi-Task-Fähigkeiten: Führe Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Klassifizierung, Pose-Schätzung und orientierte Objekterkennung (OBB) mit einem einheitlichen Framework durch.
  • Vortrainierte Modelle: Erhalte Zugriff auf eine Vielzahl von vortrainierten Modellen, die Geschwindigkeit und Genauigkeit für verschiedene Anwendungsfälle ausbalancieren.
  • Benutzerdefiniertes Training: Optimiere Modelle einfach auf benutzerdefinierten Datensätzen mit der flexiblen Trainings-Pipeline.
  • Breite Bereitstellungsoptionen: Exportiere Modelle in verschiedene Formate wie TensorRT, ONNX und CoreML für die Bereitstellung auf verschiedenen Plattformen.
  • Umfangreiche Dokumentation: Profitiere von einer umfassenden Dokumentation und einer hilfreichen Community für deine Computer-Vision-Workflows.

Link to this sectionWie kann ich die Leistung meines YOLO-Modells verbessern?#

Die Verbesserung der Leistung deines YOLO-Modells kann durch verschiedene Techniken erreicht werden:

  1. Hyperparameter-Tuning: Experimentiere mit verschiedenen Hyperparametern unter Verwendung des Leitfadens für Hyperparameter-Tuning, um die Modellleistung zu optimieren.
  2. Datenaugmentierung: Implementiere Techniken wie Spiegeln, Skalieren, Rotieren und Farbanpassungen, um deinen Trainingsdatensatz zu erweitern und die Generalisierung des Modells zu verbessern.
  3. Transfer Learning: Nutze vortrainierte Modelle und optimiere sie für deinen spezifischen Datensatz mithilfe des Trainings-Guides.
  4. Export in effiziente Formate: Konvertiere dein Modell in optimierte Formate wie TensorRT oder ONNX für schnellere Inferenz mithilfe des Export-Guides.
  5. Benchmarking: Nutze den Benchmark-Modus, um die Inferenzgeschwindigkeit und Genauigkeit systematisch zu messen und zu verbessern.

Link to this sectionKann ich Ultralytics YOLO-Modelle auf mobilen Geräten und Edge-Geräten bereitstellen?#

Ja, Ultralytics YOLO-Modelle sind für eine vielseitige Bereitstellung konzipiert, einschließlich mobiler Geräte und Edge-Geräte:

  • Mobil: Konvertiere Modelle in TFLite oder CoreML für eine nahtlose Integration in Android- oder iOS-Apps. Siehe den TFLite-Integrationsleitfaden und den CoreML-Integrationsleitfaden für plattformspezifische Anweisungen.
  • Edge-Geräte: Optimiere die Inferenz auf Geräten wie NVIDIA Jetson oder anderer Edge-Hardware mit TensorRT oder ONNX. Der Edge TPU-Integrationsleitfaden bietet detaillierte Schritte für die Edge-Bereitstellung.

Für einen umfassenden Überblick über Bereitstellungsstrategien auf verschiedenen Plattformen konsultiere den Leitfaden zu Bereitstellungsoptionen.

Link to this sectionWie kann ich eine Inferenz mit einem trainierten Ultralytics YOLO-Modell durchführen?#

Eine Inferenz mit einem trainierten Ultralytics YOLO-Modell durchzuführen ist ganz einfach:

  1. Modell laden:

    from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

  2. Inferenz ausführen:

    results = model("path/to/image.jpg")

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Für fortgeschrittene Inferenztechniken, einschließlich Batch-Verarbeitung, Video-Inferenz und benutzerdefinierter Vorverarbeitung, beziehe dich auf den detaillierten Vorhersage-Leitfaden.

Link to this sectionWo finde ich Beispiele und Tutorials für die Nutzung von Ultralytics?#

Ultralytics bietet eine Fülle an Ressourcen, die dir beim Einstieg und der Beherrschung ihrer Tools helfen:

  • 📚 Offizielle Dokumentation: Umfassende Leitfäden, API-Referenzen und Best Practices.
  • 💻 GitHub-Repository: Quellcode, Beispielskripte und Community-Beiträge.
  • ✍️ Ultralytics-Blog: Detaillierte Artikel, Anwendungsfälle und technische Einblicke.
  • 💬 Community-Foren: Vernetze dich mit anderen Nutzern, stelle Fragen und teile deine Erfahrungen.
  • 🎥 YouTube-Kanal: Video-Tutorials, Demos und Webinare zu verschiedenen Ultralytics-Themen.

Diese Ressourcen bieten Code-Beispiele, reale Anwendungsfälle und Schritt-für-Schritt-Anleitungen für verschiedene Aufgaben mit Ultralytics-Modellen.

Wenn du weitere Unterstützung benötigst, schau in der Ultralytics-Dokumentation nach oder wende dich über GitHub Issues oder das offizielle Diskussionsforum an die Community.

Mitwirkende
GLglenn-jocher14RAraimbekovm2LALaughing-q2SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

Kommentare