Zum Inhalt springen

Ultralytics YOLO Häufig gestellte Fragen (FAQ)

Dieser FAQ-Abschnitt behandelt allgemeine Fragen und Probleme, die bei der Arbeit mit Ultralytics YOLO Repositories auftreten können.

FAQ

Was ist Ultralytics und was bietet es?

Ultralytics ist ein Unternehmen für künstliche Intelligenz, das sich auf hochmoderne Modelle zur Objekterkennung und Bildsegmentierung spezialisiert hat, wobei der Schwerpunkt auf der YOLO (You Only Look Once) Familie liegt. Ihr Angebot umfasst:

Wie kann ich das Paket Ultralytics installieren?

Die Installation des Pakets Ultralytics ist mit pip ganz einfach:

pip install ultralytics

Die neueste Entwicklungsversion können Sie direkt aus dem GitHub-Repository installieren:

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

Detaillierte Installationsanweisungen finden Sie in der Schnellstartanleitung.

Was sind die Systemanforderungen für die Ausführung der Modelle von Ultralytics ?

Mindestanforderungen:

  • Python 3.7+
  • PyTorch 1.7+
  • CUDA-kompatibel GPU (für GPU Beschleunigung)

Empfohlene Einrichtung:

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

Informationen zur Behebung häufiger Probleme finden Sie auf der Seite YOLO Common Issues.

Wie kann ich ein benutzerdefiniertes YOLO11 Modell auf meinem eigenen Datensatz trainieren?

So trainieren Sie ein benutzerdefiniertes YOLO11 Modell:

  1. Bereiten Sie Ihren Datensatz im Format YOLO vor (Bilder und entsprechende txt-Beschriftungsdateien).
  2. Erstellen Sie eine YAML-Datei, die die Struktur und die Klassen Ihres Datensatzes beschreibt.
  3. Verwenden Sie den folgenden Python Code, um mit dem Training zu beginnen:
from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from scratch
model = YOLO("yolov8n.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 detaillierteren Leitfaden, der auch die Datenvorbereitung und fortgeschrittene Schulungsoptionen enthält, finden Sie im umfassenden Schulungsleitfaden.

Welche vortrainierten Modelle sind in Ultralytics verfügbar?

Ultralytics bietet eine breite Palette von vortrainierten YOLO11 Modellen für verschiedene Aufgaben:

  • Objekt-Erkennung: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
  • Instanz-Segmentierung: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
  • Klassifizierung: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls

Diese Modelle variieren in Größe und Komplexität und bieten unterschiedliche Kompromisse zwischen Geschwindigkeit und Genauigkeit. Erforschen Sie die gesamte Palette der vortrainierten Modelle, um die beste Lösung für Ihr Projekt zu finden.

Wie führe ich Schlussfolgerungen anhand eines trainierten Ultralytics Modells durch?

Durchführung von Inferenzen mit einem trainierten Modell:

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

Erweiterte Inferenzoptionen, einschließlich Stapelverarbeitung und Videoinferenz, finden Sie in der detaillierten Anleitung zur Vorhersage.

Können die Modelle von Ultralytics auf Endgeräten oder in Produktionsumgebungen eingesetzt werden?

Auf jeden Fall! Die Modelle von Ultralytics sind für den vielseitigen Einsatz auf verschiedenen Plattformen konzipiert:

  • Edge-Geräte: Optimieren Sie die Inferenz auf Geräten wie NVIDIA Jetson oder 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.
  • Wolke: Nutzen Sie Frameworks wie TensorFlow Serving oder PyTorch Serve für skalierbare Cloud-Bereitstellungen.
  • Web: Implementieren Sie In-Browser-Inferenz mit ONNX.js oder TensorFlow.js.

Ultralytics bietet Exportfunktionen zur Konvertierung von Modellen in verschiedene Formate für die Bereitstellung. Erforschen Sie das breite Spektrum an Bereitstellungsoptionen, um die beste Lösung für Ihren Anwendungsfall zu finden.

Was ist der Unterschied zwischen YOLOv8 und YOLO11?

Zu den wichtigsten Unterscheidungsmerkmalen gehören:

  • Architektur: YOLO11 verfügt über ein verbessertes Backbone- und Kopfdesign für mehr Leistung.
  • Leistung: YOLO11 bietet im Vergleich zu YOLOv8 im Allgemeinen eine höhere Genauigkeit und Geschwindigkeit.
  • Aufgaben: YOLO11 unterstützt von Haus aus Objekterkennung, Instanzsegmentierung und Klassifizierung in einem einheitlichen Rahmen.
  • Codebase: YOLO11 ist mit einer modularen und erweiterbaren Architektur implementiert, die eine einfachere Anpassung und Erweiterung ermöglicht.
  • Training: YOLO11 beinhaltet fortschrittliche Trainingstechniken wie Multi-Datensatz-Training und Hyperparameter-Evolution für verbesserte Ergebnisse.

Einen ausführlichen Vergleich der Funktionen und Leistungskennzahlen finden Sie auf der YOLO Vergleichsseite.

Wie kann ich zum Open-Source-Projekt Ultralytics beitragen?

Ein Beitrag zu Ultralytics ist eine gute Möglichkeit, das Projekt zu verbessern und Ihre Fähigkeiten zu erweitern. Hier erfahren Sie, wie Sie sich beteiligen können:

  1. Forken Sie das Ultralytics Repository auf GitHub.
  2. Erstellen Sie einen neuen Zweig für Ihre Funktion oder Fehlerbehebung.
  3. Nehmen Sie die Änderungen vor und stellen Sie sicher, dass alle Tests erfolgreich sind.
  4. Reichen Sie einen Pull Request mit einer klaren Beschreibung Ihrer Änderungen ein.
  5. Teilnahme am Code-Review-Prozess.

Sie können auch dazu beitragen, indem Sie Fehler melden, Funktionen vorschlagen oder die Dokumentation verbessern. Ausführliche Richtlinien und bewährte Verfahren finden Sie im Leitfaden für die Mitarbeit.

Wie installiere ich das Paket Ultralytics in Python?

Die Installation des Pakets Ultralytics in Python ist einfach. Verwenden Sie pip, indem Sie den folgenden Befehl in Ihrem Terminal oder in der Eingabeaufforderung ausführen:

pip install ultralytics

Die aktuelle Entwicklungsversion können Sie direkt aus dem GitHub-Repository installieren:

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

Umgebungsspezifische Installationsanweisungen und Tipps zur Fehlerbehebung finden Sie in der umfassenden Schnellstartanleitung.

Was sind die Hauptmerkmale von Ultralytics YOLO ?

Ultralytics YOLO verfügt über eine Vielzahl von Funktionen für die erweiterte Objekterkennung und Bildsegmentierung:

  • Erkennung in Echtzeit: Effiziente Erkennung und Klassifizierung von Objekten in Echtzeitszenarien.
  • Vorgefertigte Modelle: Greifen Sie auf eine Vielzahl von vortrainierten Modellen zu, die ein ausgewogenes Verhältnis zwischen Geschwindigkeit und Genauigkeit für verschiedene Anwendungsfälle bieten.
  • Benutzerdefiniertes Training: Mit der flexiblen Trainingspipeline können Sie Modelle auf benutzerdefinierte Datensätze abstimmen.
  • Vielfältige Bereitstellungsoptionen: Exportieren Sie Modelle in verschiedene Formate wie TensorRT, ONNX und CoreML für den Einsatz auf unterschiedlichen Plattformen.
  • Umfassende Dokumentation: Profitieren Sie von einer umfassenden Dokumentation und einer unterstützenden Community, die Sie auf Ihrem Weg durch die Computer Vision begleitet.

Auf der SeiteYOLO finden Sie einen ausführlichen Überblick über die Funktionen und Architekturen der verschiedenen Versionen von YOLO .

Wie kann ich die Leistung meines Modells YOLO verbessern?

Die Leistung Ihres YOLO Modells kann durch verschiedene Techniken verbessert werden:

  1. Hyperparameter-Abstimmung: Experimentieren Sie mit verschiedenen Hyperparametern, indem Sie den Hyperparameter-Tuning-Leitfaden verwenden, um die Modellleistung zu optimieren.
  2. Datenerweiterung: Implementieren Sie Techniken wie Spiegeln, Skalieren, Drehen und Farbanpassungen, um Ihren Trainingsdatensatz zu erweitern und die Modellgeneralisierung zu verbessern.
  3. Transfer-Lernen: Nutzen Sie bereits trainierte Modelle und stimmen Sie sie mit Hilfe der Anleitung Train YOLO11 auf Ihren spezifischen Datensatz ab.
  4. Export in effiziente Formate: Konvertieren Sie Ihr Modell in optimierte Formate wie TensorRT oder ONNX , um schnellere Rückschlüsse ziehen zu können, indem Sie die Exportanleitung verwenden.
  5. Benchmarking: Nutzen Sie den Benchmark-Modus, um die Geschwindigkeit und Genauigkeit von Schlussfolgerungen zu messen und systematisch zu verbessern.

Kann ich Ultralytics YOLO Modelle auf mobilen und Edge-Geräten einsetzen?

Ja, Ultralytics YOLO Modelle sind für den vielseitigen Einsatz konzipiert, einschließlich mobiler und Edge-Geräte:

  • Mobil: Konvertieren Sie Modelle in TFLite oder CoreML für eine nahtlose Integration in Android oder iOS Apps. Plattformspezifische Anweisungen finden Sie im TFLite-Integrationshandbuch und im CoreML -Integrationshandbuch.
  • Edge-Geräte: Optimieren Sie die Inferenz auf Geräten wie NVIDIA Jetson oder anderer Edge-Hardware mit TensorRT oder ONNX. Der Edge TPU Integrationsleitfaden enthält detaillierte Schritte für den Edge-Einsatz.

Einen umfassenden Überblick über Bereitstellungsstrategien für verschiedene Plattformen finden Sie im Leitfaden für Bereitstellungsoptionen.

Wie kann ich mit einem trainierten Modell Ultralytics YOLO Inferenzen durchführen?

Die Durchführung von Schlussfolgerungen mit einem trainierten Ultralytics YOLO Modell ist einfach:

  1. Laden Sie das Modell:
from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")
  1. 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 Stapelverarbeitung, Videoinferenz und benutzerdefinierte Vorverarbeitung, lesen Sie bitte die ausführliche Anleitung zur Vorhersage.

Wo kann ich Beispiele und Anleitungen für die Verwendung von Ultralytics finden?

Ultralytics stellt eine Fülle von Ressourcen zur Verfügung, die Ihnen den Einstieg und die Beherrschung ihrer Werkzeuge erleichtern:

  • 📚 Offizielle Dokumentation: Umfassende Leitfäden, API-Referenzen und bewährte Verfahren.
  • 💻 GitHub-Repository: Quellcode, Beispielskripte und Beiträge der Gemeinschaft.
  • ✍️ Ultralytics blog: Ausführliche Artikel, Anwendungsfälle und technische Einblicke.
  • 💬 Gemeinschaftsforen: Tauschen Sie sich mit anderen Nutzern aus, stellen Sie Fragen und teilen Sie Ihre Erfahrungen.
  • 🎥 YouTube-Kanal: Video-Tutorials, Demos und Webinare zu verschiedenen Themen von Ultralytics .

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

Wenn Sie weitere Hilfe benötigen, zögern Sie nicht, die Dokumentation Ultralytics zu konsultieren oder sich über GitHub Issues oder das offizielle Diskussionsforum an die Community zu wenden.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat
UltralyticsAssistent glenn-jocher

Kommentare