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 bietet es?#

Ultralytics ist ein KI-Unternehmen für Computer Vision, das sich auf modernste Objekterkennungs- und Bildsegmentierungsmodelle spezialisiert hat, 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 zur nahtlosen Integration von YOLO-Modellen in Projekte
  • Vielseitige Tools zum Trainieren, Testen und Bereitstellen von Modellen
  • Umfassende Dokumentation und eine unterstützende Community

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

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

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 sectionWas sind die Systemanforderungen für das Ausführen von Ultralytics-Modellen?#

Mindestanforderungen:

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

Empfohlene Konfiguration:

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

Zur Fehlerbehebung bei allgemeinen Problemen besuche die Seite YOLO Common Issues.

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

Um ein benutzerdefiniertes YOLO-Modell zu trainieren:

  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 Beispiel für Datensatz-YAML).

  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)

Einen ausführlicheren Leitfaden, einschließlich Datenvorbereitung und erweiterter Trainingsoptionen, findest du im umfassenden Trainings-Guide.

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 gesamte Auswahl an vortrainierten Modellen, 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 erweiterte Inferenzoptionen, einschließlich Batch-Verarbeitung und Video-Inferenz, schau dir den detaillierten Vorhersage-Guide an.

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

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

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

Ultralytics bietet Exportfunktionen, 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?#

Die Hauptunterschiede umfassen:

  • 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 stromsparenden Geräten verbessert.
  • MuSGD-Optimierer: Ein Hybrid aus SGD und Muon (inspiriert durch Kimi K2 von Moonshot AI) für stabileres Training und schnellere Konvergenz.
  • CPU-Leistung: YOLO26 liefert eine bis zu 43 % schnellere CPU-Inferenz und ist damit ideal für Geräte ohne GPU.
  • 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 die semantische Segmentierung für dichte pixelgenaue Vorhersagen hinzufügt. Beide Modelle unterstützen zudem 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 Ultralytics Open-Source-Projekt 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 deine Fehlerbehebung.
  3. Nimm deine Änderungen vor und stelle sicher, dass alle Tests erfolgreich durchlaufen.
  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, neue Funktionen vorschlägst oder die Dokumentation verbesserst. Detaillierte Richtlinien und Best Practices findest du im Contributing-Guide.

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 aktuellste 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 Hauptfunktionen von Ultralytics YOLO?#

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

  • Echtzeiterkennung: Objekte in Echtzeitszenarien effizient erkennen und klassifizieren.
  • Multitasking-Fähigkeiten: Durchführung von Objekterkennung, Instanzsegmentierung, semantischer Segmentierung, Klassifizierung, Pose-Schätzung und orientierter Objekterkennung (OBB) mit einem einheitlichen Framework.
  • Vortrainierte Modelle: Zugriff auf eine Vielzahl von vortrainierten Modellen, die Geschwindigkeit und Genauigkeit für verschiedene Anwendungsfälle ausbalancieren.
  • Benutzerdefiniertes Training: Einfaches Feinabstimmen von Modellen auf eigenen Datensätzen mit der flexiblen Trainings-Pipeline.
  • Umfassende Bereitstellungsoptionen: Exportiere Modelle in verschiedene Formate wie TensorRT, ONNX und CoreML zur Bereitstellung auf verschiedenen Plattformen.
  • Umfangreiche Dokumentation: Profitiere von einer umfassenden Dokumentation und einer unterstützenden 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 mithilfe des Hyperparameter-Tuning-Guides, um die Modellleistung zu optimieren.
  2. Datenaugmentierung: Implementiere Techniken wie Spiegeln, Skalieren, Drehen und Farbanpassungen, um deinen Trainingsdatensatz zu erweitern und die Generalisierung des Modells zu verbessern.
  3. Transfer Learning: Nutze vortrainierte Modelle und stimme sie auf deinem spezifischen Datensatz mithilfe des Trainings-Guides ab.
  4. Export in effiziente Formate: Konvertiere dein Modell in optimierte Formate wie TensorRT oder ONNX für eine 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 Mobil- und Edge-Geräten bereitstellen?#

Ja, Ultralytics YOLO-Modelle sind für eine vielseitige Bereitstellung ausgelegt, einschließlich Mobil- und Edge-Geräten:

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

Für einen umfassenden Überblick über Bereitstellungsstrategien auf verschiedenen Plattformen konsultiere den Bereitstellungsoptionen-Guide.

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

Die Durchführung einer Inferenz mit einem trainierten Ultralytics YOLO-Modell ist unkompliziert:

  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, schau dir den detaillierten Vorhersage-Guide an.

Link to this sectionWo finde ich Beispiele und Tutorials zur Verwendung von Ultralytics?#

Ultralytics bietet eine Fülle von Ressourcen, die dir den Einstieg erleichtern und dir helfen, die Tools zu beherrschen:

  • 📚 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 die Ultralytics-Dokumentation oder wende dich über GitHub Issues oder das offizielle Diskussionsforum an die Community.

Mitwirkende
GLglenn-jocher13LALaughing-q2RAraimbekovm1SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

Kommentare