Zum Inhalt springen

Ultralytics YOLO H├Ąufig gestellte Fragen (FAQ)

Dieser FAQ-Bereich behandelt h├Ąufige Fragen und Probleme, die bei der Arbeit mit Ultralytics YOLO Repositories auftreten k├Ânnen.

FAQ

Was ist Ultralytics und was bietet es?

Ultralytics ist ein Unternehmen f├╝r k├╝nstliche 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 f├╝r den Betrieb der Ultralytics Modelle?

Mindestanforderungen:

  • Python 3.7+
  • PyTorch 1.7+
  • CUDA-kompatibel GPU (f├╝r GPU Beschleunigung)

Empfohlenes Setup:

  • Python 3.8+
  • PyTorch 1.10+
  • NVIDIA GPU mit CUDA 11.2+
  • 8 GB+ ARBEITSSPEICHER
  • 50 GB+ freier Festplattenspeicher (f├╝r 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 enth├Ąlt, findest du im umfassenden Schulungshandbuch.

Welche vortrainierten Modelle sind in Ultralytics verf├╝gbar?

Ultralytics bietet eine breite Palette an vortrainierten YOLOv8 Modellen f├╝r 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 Gr├Â├če und Komplexit├Ąt und bieten unterschiedliche Kompromisse zwischen Geschwindigkeit und Genauigkeit. Erforsche die gesamte Palette der trainierten Modelle, um die beste L├Âsung f├╝r dein Projekt zu finden.

Wie f├╝hre ich Schlussfolgerungen mit einem trainierten Ultralytics Modell durch?

So f├╝hren Sie R├╝ckschl├╝sse 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

F├╝r fortgeschrittene Inferenzoptionen, einschlie├člich Stapelverarbeitung und Videoinferenz, sieh dir die detaillierte Anleitung zur Vorhersage an.

K├Ânnen Ultralytics Modelle auf Endger├Ąten oder in Produktionsumgebungen eingesetzt werden?

Auf jeden Fall! Die Modelle von Ultralytics sind f├╝r den vielseitigen Einsatz auf verschiedenen Plattformen konzipiert:

  • Edge-Ger├Ąte: Optimiere die Inferenz auf Ger├Ąten 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 f├╝r skalierbare Cloud-Eins├Ątze.
  • Web: Implementiere In-Browser-Inferenz mit ONNX.js oder TensorFlow.js.

Ultralytics bietet Exportfunktionen zur Konvertierung von Modellen in verschiedene Formate f├╝r die Bereitstellung. Erforsche die breite Palette an Einsatzm├Âglichkeiten, um die beste L├Âsung f├╝r deinen Anwendungsfall zu finden.

Was ist der Unterschied zwischen YOLOv5 und YOLOv8?

Zu den wichtigsten Unterscheidungsmerkmalen geh├Âren:

  • Architektur: YOLOv8 bietet ein verbessertes Backbone- und Kopfdesign f├╝r mehr Leistung.
  • Leistung: YOLOv8 bietet im Vergleich zu YOLOv5 in der Regel eine h├Âhere Genauigkeit und Geschwindigkeit.
  • Aufgaben: YOLOv8 unterst├╝tzt 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 erm├Âglicht.
  • Training: YOLOv8 beinhaltet fortschrittliche Trainingstechniken wie Multi-Datensatz-Training und Hyperparameter-Evolution f├╝r bessere Ergebnisse.

Einen ausf├╝hrlichen 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 M├Âglichkeit, das Projekt zu verbessern und deine F├Ąhigkeiten zu erweitern. Hier erf├Ąhrst du, wie du dich einbringen kannst:

  1. Fork die Ultralytics -Repository auf GitHub.
  2. Erstellen Sie einen neuen Branch f├╝r 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 vorschl├Ągst oder die Dokumentation verbesserst. Ausf├╝hrliche 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 ausf├╝hrst:

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 verf├╝gt ├╝ber eine Vielzahl von Funktionen f├╝r 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 f├╝r verschiedene Anwendungsf├Ąlle ausgleichen.
  • Benutzerdefiniertes Training: Mit der flexiblen Trainingspipeline kannst du Modelle auf benutzerdefinierten Datens├Ątzen ganz einfach feinabstimmen.
  • Vielf├Ąltige Bereitstellungsoptionen: Exportiere Modelle in verschiedene Formate wie TensorRT, ONNX und CoreML f├╝r den Einsatz auf verschiedenen Plattformen.
  • Umfassende Dokumentation: Profitiere von einer umfassenden Dokumentation und einer unterst├╝tzenden Community, die dich auf deinem Weg durch die Computer Vision begleitet.

Auf der SeiteYOLO findest du einen ausf├╝hrlichen ├ťberblick ├╝ber 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 k├Ânnen, 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-Ger├Ąten einsetzen?

Ja, Ultralytics YOLO Modelle sind f├╝r den vielseitigen Einsatz konzipiert, einschlie├člich mobiler und Edge-Ger├Ąte:

  • Mobil: Konvertiere Modelle in TFLite oder CoreML f├╝r eine nahtlose Integration in Android oder iOS Apps. Plattformspezifische Anweisungen findest du im TFLite Integration Guide und im CoreML Integration Guide.
  • Edge-Ger├Ąte: Optimiere die Inferenz auf Ger├Ąten wie NVIDIA Jetson oder anderer Edge-Hardware mit TensorRT oder ONNX. Der Edge TPU Integrationsleitfaden enth├Ąlt detaillierte Schritte f├╝r den Edge-Einsatz.

Einen umfassenden ├ťberblick ├╝ber die Einsatzstrategien f├╝r die verschiedenen Plattformen findest du im Leitfaden zu den Einsatzoptionen.

Wie kann ich aus einem trainierten Ultralytics YOLO Modell Schl├╝sse 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

F├╝r fortgeschrittene Inferenztechniken, einschlie├člich Stapelverarbeitung, Videoinferenz und benutzerdefinierte Vorverarbeitung, siehe die detaillierte Anleitung zur Vorhersage.

Wo finde ich Beispiele und Anleitungen zur Verwendung von Ultralytics?

Ultralytics bietet eine F├╝lle von Ressourcen, um dir den Einstieg zu erleichtern und ihre Werkzeuge zu beherrschen:

  • ­čôÜ Offizielle Dokumentation: Umfassende Anleitungen, API-Referenzen und Best Practices.
  • ­čĺ╗ GitHub Repository: Quellcode, Beispielskripte und Community-Beitr├Ąge.
  • ÔťŹ´ŞĆ Ultralytics blog: Ausf├╝hrliche Artikel, Anwendungsbeispiele und technische Einblicke.
  • ­čĺČ Community-Foren: Tausche dich mit anderen Nutzern aus, stelle Fragen und teile deine Erfahrungen.
  • ­čÄą YouTube-Kanal: Video-Tutorials, Demos und Webinare zu verschiedenen Ultralytics Themen.

Diese Ressourcen bieten Code-Beispiele, reale Anwendungsf├Ąlle und Schritt-f├╝r-Schritt-Anleitungen f├╝r verschiedene Aufgaben mit Ultralytics Modellen.

Wenn du weitere Hilfe brauchst, kannst du die Dokumentation auf Ultralytics konsultieren oder dich ├╝ber 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