Zum Inhalt springen

Ultralytics YOLO Häufig gestellte Fragen (FAQ)

Dieser FAQ-Bereich behandelt häufige 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. Der Schwerpunkt liegt dabei auf der YOLO (You Only Look Once) Familie. 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 kannst du direkt aus dem GitHub-Repository installieren:

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

Detaillierte Installationsanweisungen findest du in der Schnellstartanleitung.

Was sind die Systemvoraussetzungen für den Betrieb der Ultralytics Modelle?

Mindestanforderungen:

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

Empfohlenes Setup:

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

Informationen zur Fehlerbehebung bei allgemeinen Problemen findest du auf der Seite YOLO Allgemeine Probleme.

Wie kann ich ein benutzerdefiniertes YOLOv8 Modell auf meinem eigenen Datensatz trainieren?

So trainieren Sie einen benutzerdefinierten Benutzer YOLOv8 Modell:

  1. Vorbereiten des Datasets in YOLO (Bilder und entsprechende Etiketten-TXT-Dateien).
  2. Erstellen Sie eine YAML-Datei, die Ihre Datensatzstruktur und -klassen beschreibt.
  3. Verwenden Sie Folgendes Python Code zum Starten des Trainings:
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 Datenaufbereitung und erweiterte Schulungsoptionen enthält, findest du im umfassenden Schulungshandbuch.

Welche vortrainierten Modelle sind in Ultralytics verfügbar?

Ultralytics bietet eine breite Palette an vortrainierten YOLOv8 Modellen für verschiedene Aufgaben:

  • Objekterkennung: YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x
  • Instanz-Segmentierung: YOLOv8n-Seg YOLOv8s-Seg YOLOv8m-Seg YOLOv8l-Seg YOLOv8x-Seg
  • Klassifikation: YOLOv8n-Cls YOLOv8s-Cls YOLOv8m-Cls YOLOv8l-Cls YOLOv8x-Cls

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

Wie führe ich Schlussfolgerungen mit einem trainierten Ultralytics Modell durch?

So führen Sie Rückschlüsse mit einem trainierten Modell durch:

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 Stapelverarbeitung und Videoinferenz, sieh dir die detaillierte Anleitung zur Vorhersage an.

Können Ultralytics Modelle 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: Optimiere die Inferenz auf Geräten wie NVIDIA Jetson oder Intel Neural Compute Stick mit TensorRT, ONNX, oder OpenVINO.
  • Mobil: Setze die Modelle auf Android oder iOS ein, indem du sie in TFLite oder Core ML konvertierst.
  • Cloud: Nutze Frameworks wie TensorFlow Serving oder PyTorch Serve für skalierbare Cloud-Einsätze.
  • Web: Implementiere In-Browser-Inferenz mit ONNX.js oder TensorFlow.js.

Ultralytics bietet Exportfunktionen zur Konvertierung von Modellen in verschiedene Formate für die Bereitstellung. Erforsche die breite Palette an Einsatzmöglichkeiten, um die beste Lösung für deinen Anwendungsfall zu finden.

Was ist der Unterschied zwischen YOLOv5 und YOLOv8?

Zu den wichtigsten Unterscheidungsmerkmalen gehören:

  • Architektur: YOLOv8 bietet ein verbessertes Backbone- und Kopfdesign für mehr Leistung.
  • Leistung: YOLOv8 bietet im Vergleich zu YOLOv5 in der Regel eine höhere Genauigkeit und Geschwindigkeit.
  • Aufgaben: YOLOv8 unterstützt von Haus aus die Objekterkennung, Instanzsegmentierung und Klassifizierung in einem einheitlichen Rahmen.
  • Codebase: YOLOv8 ist mit einer modularen und erweiterbaren Architektur implementiert, die eine einfachere Anpassung und Erweiterung ermöglicht.
  • Training: YOLOv8 beinhaltet fortschrittliche Trainingstechniken wie Multi-Datensatz-Training und Hyperparameter-Evolution für bessere Ergebnisse.

Einen ausführlichen Vergleich der Funktionen und Leistungskennzahlen findest du auf der Vergleichsseite YOLOv5 vs YOLOv8.

Wie kann ich mich an dem Open-Source-Projekt Ultralytics beteiligen?

Die Mitarbeit bei Ultralytics ist eine gute Möglichkeit, das Projekt zu verbessern und deine Fähigkeiten zu erweitern. Hier erfährst du, wie du dich einbringen kannst:

  1. Fork die Ultralytics -Repository auf GitHub.
  2. Erstellen Sie einen neuen Branch für Ihre Funktion oder Fehlerbehebung.
  3. Nehmen Sie Ihre Änderungen vor und stellen Sie sicher, dass alle Tests bestanden werden.
  4. Senden Sie einen Pull Request mit einer klaren Beschreibung Ihrer Änderungen.
  5. Nehmen Sie am Code-Review-Prozess teil.

Du kannst auch dazu beitragen, indem du Bugs meldest, Funktionen vorschlägst oder die Dokumentation verbesserst. Ausführliche Richtlinien und Best Practices findest du im Leitfaden zum Mitmachen.

Wie installiere ich das Paket Ultralytics in Python?

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

pip install ultralytics

Die aktuelle Entwicklungsversion kannst du direkt aus dem GitHub-Repository installieren:

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

Umgebungsspezifische Installationsanweisungen und Tipps zur Fehlerbehebung findest du in der umfassenden Schnellstartanleitung.

Was sind die wichtigsten Merkmale 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: Greife auf eine Vielzahl von vortrainierten Modellen zu, die Geschwindigkeit und Genauigkeit für verschiedene Anwendungsfälle ausgleichen.
  • Benutzerdefiniertes Training: Mit der flexiblen Trainingspipeline kannst du Modelle auf benutzerdefinierten Datensätzen ganz einfach feinabstimmen.
  • Vielfältige Bereitstellungsoptionen: Exportiere Modelle in verschiedene Formate wie TensorRT, ONNX und CoreML für den Einsatz auf verschiedenen Plattformen.
  • Umfassende Dokumentation: Profitiere von einer umfassenden Dokumentation und einer unterstützenden Community, die dich auf deinem Weg durch die Computer Vision begleitet.

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

Wie kann ich die Leistung meines YOLO Modells verbessern?

Um die Leistung deines YOLO Modells zu verbessern, kannst du verschiedene Techniken anwenden:

  1. Hyperparameter-Abstimmung: Experimentiere mit verschiedenen Hyperparametern mit Hilfe des Hyperparameter-Tuning-Leitfadens, um die Modellleistung zu optimieren.
  2. Datenerweiterung: Setze Techniken wie Spiegeln, Skalieren, Drehen und Farbanpassungen ein, um deinen Trainingsdatensatz zu erweitern und die Modellgeneralisierung zu verbessern.
  3. Transfer Learning: Nutze bereits trainierte Modelle und stimme sie mit Hilfe der Anleitung Train YOLOv8 auf deinen spezifischen Datensatz ab.
  4. Exportiere in effiziente Formate: Konvertiere dein Modell in optimierte Formate wie TensorRT oder ONNX , um schnellere Schlussfolgerungen ziehen zu können, indem du die Exportanleitung verwendest.
  5. Benchmarking: Nutze den Benchmark-Modus, um die Geschwindigkeit und Genauigkeit der Schlussfolgerungen systematisch zu messen und 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: Konvertiere Modelle in TFLite oder CoreML für eine nahtlose Integration in Android oder iOS Apps. Plattformspezifische Anweisungen findest du im TFLite Integration Guide und im CoreML Integration Guide.
  • Edge-Geräte: Optimiere 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 die Einsatzstrategien für die verschiedenen Plattformen findest du im Leitfaden zu den Einsatzoptionen.

Wie kann ich aus einem trainierten Ultralytics YOLO Modell Schlüsse ziehen?

Die Schlussfolgerungen mit einem trainierten Ultralytics YOLO Modell sind einfach zu ziehen:

  1. Lade das Modell:
from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")
  1. Run Inference:
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, siehe die detaillierte Anleitung zur Vorhersage.

Wo finde ich Beispiele und Anleitungen zur Verwendung von Ultralytics?

Ultralytics bietet eine Fülle von Ressourcen, um dir den Einstieg zu erleichtern und ihre Werkzeuge zu beherrschen:

  • 📚 Offizielle Dokumentation: Umfassende Anleitungen, API-Referenzen und Best Practices.
  • 💻 GitHub Repository: Quellcode, Beispielskripte und Community-Beiträge.
  • ✍️ Ultralytics blog: Ausführliche Artikel, Anwendungsbeispiele und technische Einblicke.
  • 💬 Community-Foren: Tausche dich mit anderen Nutzern aus, 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 Hilfe brauchst, kannst du die Dokumentation auf Ultralytics konsultieren oder dich über GitHub Issues oder das offizielle Diskussionsforum an die Community wenden.



Erstellt am 2023-11-12, Aktualisiert am 2024-07-05
Autoren: glenn-jocher (5)

Kommentare