Anleitung: Kaggle zum Trainieren deiner YOLO26-Modelle verwenden#

Wenn du dich mit KI beschäftigst und an kleinen Projekten arbeitest, hast du vielleicht noch keinen Zugang zu leistungsstarken Rechenressourcen, und hochwertige Hardware kann teuer sein. Zum Glück bietet Kaggle, eine zu Google gehörende Plattform, eine gute Lösung. Kaggle stellt eine kostenlose, cloudbasierte Umgebung bereit, in der du auf GPU-Ressourcen zugreifen, große Datensätze verarbeiten und dich mit einer vielfältigen Community aus Datenwissenschaftlern und Machine-Learning-Interessierten austauschen kannst.

Kaggle eignet sich hervorragend zum Trainieren und Experimentieren mit Ultralytics YOLO26-Modellen. Mit Kaggle Notebooks kannst du gängige Machine-Learning-Bibliotheken und Frameworks ganz einfach in deinen Projekten einsetzen. Diese Anleitung stellt die wichtigsten Funktionen von Kaggle vor und zeigt dir, wie du auf der Plattform YOLO26-Modelle trainierst.

Was ist Kaggle?#

Kaggle ist eine Plattform, auf der Datenwissenschaftler aus aller Welt zusammenarbeiten, lernen und im Wettbewerb Lösungen für reale Datenwissenschaftsprobleme entwickeln. Kaggle wurde 2010 von Anthony Goldbloom und Jeremy Howard gegründet und 2017 von Google übernommen. Nutzer können sich dort vernetzen, Datensätze entdecken und teilen, Notebooks mit GPU-Unterstützung verwenden und an Wettbewerben im Bereich Datenwissenschaft teilnehmen. Die Plattform bietet leistungsfähige Tools und Ressourcen, mit denen sowohl erfahrene Fachleute als auch lernbegeisterte Einsteiger ihre Ziele erreichen können.

Mit mehr als 10 Millionen Nutzern im Jahr 2022 bietet Kaggle eine vielseitige Umgebung für die Entwicklung und das Experimentieren mit Machine-Learning-Modellen. Du musst dir keine Gedanken über die Ausstattung oder Einrichtung deines lokalen Rechners machen: Mit einem Kaggle-Konto und einem Webbrowser kannst du direkt loslegen.

Installation#

Bevor du mit dem Training von YOLO26-Modellen auf Kaggle beginnen kannst, musst du sicherstellen, dass deine Notebook-Umgebung richtig eingerichtet ist. Führe dazu die folgenden wichtigen Schritte aus:

Internetzugriff aktivieren#

Kaggle-Notebooks benötigen Internetzugriff, um Pakete und Abhängigkeiten herunterzuladen. So aktivierst du den Internetzugriff in deinem Kaggle-Notebook:

1. Öffne dein Kaggle-Notebook.
2. Klicke rechts in der Notebook-Oberfläche auf den Bereich Settings.
3. Scrolle nach unten zum Abschnitt Internet.
4. Stelle den Schalter auf ON, um den Internetzugriff zu aktivieren.

Hinweis: Für die Installation des Ultralytics-Pakets und das Herunterladen vortrainierter Modelle oder Datensätze ist Internetzugriff erforderlich. Ohne aktivierten Internetzugriff schlägt die Paketinstallation fehl.

Ultralytics installieren#

Sobald der Internetzugriff aktiviert ist, installiere das Ultralytics-Paket, indem du den folgenden Befehl in einer Notebook-Zelle ausführst:

!pip install ultralytics

Die neueste Entwicklungsversion kannst du direkt von GitHub installieren:

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

Abhängigkeitskonflikte beheben#

Bei der Installation können Abhängigkeitskonflikte auftreten, insbesondere mit Paketen wie opencv-python, numpy oder torch. Hier sind einige gängige Lösungen:

Methode 1: Neuinstallation mit --upgrade erzwingen#

Wenn Konflikte mit vorhandenen Paketen auftreten, erzwinge ein Upgrade:

!pip install --upgrade --force-reinstall ultralytics

Methode 2: --no-deps verwenden und Abhängigkeiten separat installieren#

Wenn die Konflikte weiterhin bestehen, installiere zunächst ohne Abhängigkeiten und danach die benötigten Pakete manuell:

!pip install --no-deps ultralytics
!pip install torch torchvision numpy opencv-python matplotlib pillow pyyaml requests psutil polars ultralytics-thop

Methode 3: Kernel nach der Installation neu starten#

Manchmal musst du den Kernel nach der Installation neu starten, um Importprobleme zu beheben:

!pip install ultralytics
# Then click "Restart Kernel" from the notebook menu

Methode 4: Bestimmte Paketversionen verwenden#

Wenn bestimmte Versionskonflikte auftreten, kannst du kompatible Versionen festlegen:

!pip install ultralytics opencv-python==4.8.1.78 numpy==1.24.3

Lösungen für häufige Fehler#

Fehler: "No module named 'ultralytics'"

• Lösung: Stelle sicher, dass der Internetzugriff aktiviert ist, und führe den Installationsbefehl erneut aus.
• Starte den Kernel nach der Installation neu.

Fehler: "ERROR: pip's dependency resolver does not currently take into account..."

• Lösung: Dies ist normalerweise eine Warnung und kann bedenkenlos ignoriert werden. Die Installation wird in der Regel trotz dieser Meldung erfolgreich abgeschlossen.
• Alternativ kannst du Methode 2 oben verwenden, um die Pakete ohne Auflösung der Abhängigkeiten zu installieren.

Fehler: "ModuleNotFoundError" nach der Installation

• Lösung: Starte den Kernel über die Neustart-Schaltfläche in der Notebook-Oberfläche neu.
• Führe die Importanweisungen in einer neuen Zelle erneut aus.

Installation überprüfen#

Überprüfe nach der Installation, ob Ultralytics richtig installiert wurde, indem du Folgendes ausführst:

import ultralytics

ultralytics.checks()

Damit werden Systeminformationen angezeigt und es wird überprüft, ob alle Abhängigkeiten korrekt installiert sind.

YOLO26 mit Kaggle trainieren#

Dank des Zugriffs auf leistungsstarke GPUs ist das Training von YOLO26-Modellen auf Kaggle einfach und effizient.

Rufe zunächst das Kaggle-YOLO26-Notebook auf. In der Kaggle-Umgebung sind Bibliotheken wie TensorFlow und PyTorch bereits installiert, sodass die Einrichtung unkompliziert ist.

Sobald du dich bei deinem Kaggle-Konto angemeldet hast, kannst du auf die Option zum Kopieren und Bearbeiten des Codes klicken, in den Beschleunigereinstellungen eine GPU auswählen und die Zellen des Notebooks ausführen, um mit dem Training deines Modells zu beginnen. Eine ausführliche Erläuterung des Modelltrainings und bewährte Vorgehensweisen findest du in unserem Leitfaden zum Training von YOLO26-Modellen.

Auf der offiziellen Kaggle-Notebook-Seite zu YOLO26 werden durch einen Klick auf die drei Punkte oben rechts weitere Optionen angezeigt.

Zu diesen Optionen gehören:

• Versionen anzeigen: Sieh dir verschiedene Versionen des Notebooks an, um Änderungen im Laufe der Zeit nachzuverfolgen und bei Bedarf zu früheren Versionen zurückzukehren.
• API-Befehl kopieren: Erhalte einen API-Befehl, mit dem du programmgesteuert mit dem Notebook interagieren kannst. Das ist nützlich für die Automatisierung und die Integration in Arbeitsabläufe.
• In Google Notebooks öffnen: Öffne das Notebook in der gehosteten Notebook-Umgebung von Google.
• In Colab öffnen: Starte das Notebook in Google Colab, um es weiter zu bearbeiten und auszuführen.
• Kommentaren folgen: Abonniere den Kommentarbereich, um Updates zu erhalten und dich mit der Community auszutauschen.
• Code herunterladen: Lade das gesamte Notebook als Jupyter-Datei (.ipynb) herunter, um es offline zu verwenden oder in deiner lokalen Umgebung versionszuverwalten.
• Zur Sammlung hinzufügen: Speichere das Notebook in einer Sammlung deines Kaggle-Kontos, damit du es leicht wiederfindest und organisieren kannst.
• Lesezeichen setzen: Setze ein Lesezeichen für das Notebook, damit du es später schnell aufrufen kannst.
• Notebook einbetten: Erhalte einen Einbettungslink, um das Notebook in Blogs, Websites oder Dokumentationen einzufügen.

Häufige Probleme bei der Arbeit mit Kaggle#

Bei der Arbeit mit Kaggle können einige häufige Probleme auftreten. Hier sind wichtige Hinweise, die dir die Nutzung der Plattform erleichtern:

• Zugriff auf GPUs: In deinen Kaggle-Notebooks kannst du jederzeit eine GPU aktivieren und sie bis zu 30 Stunden pro Woche nutzen. Kaggle stellt die GPU NVIDIA Tesla P100 mit 16 GB Speicher bereit und bietet außerdem die Möglichkeit, eine NVIDIA GPU T4 x2 zu verwenden. Leistungsstarke Hardware beschleunigt Machine-Learning-Aufgaben und sorgt dafür, dass Modelltraining und Inferenz deutlich schneller ablaufen.
• Kaggle-Kernels: Kaggle-Kernels sind kostenlose Jupyter-Notebook-Server, die GPUs einbinden können. Damit kannst du Machine-Learning-Aufgaben auf Cloud-Computern ausführen. Du musst dich nicht auf die CPU deines eigenen Computers verlassen, vermeidest so eine Überlastung und schonst deine lokalen Ressourcen.
• Kaggle-Datensätze: Kaggle-Datensätze können kostenlos heruntergeladen werden. Es ist jedoch wichtig, die Lizenz jedes Datensatzes zu prüfen, um etwaige Nutzungsbeschränkungen zu verstehen. Für manche Datensätze gelten möglicherweise Einschränkungen bei wissenschaftlichen Veröffentlichungen oder der kommerziellen Nutzung. Du kannst Datensätze direkt in dein Kaggle-Notebook oder an einen anderen Ort über die Kaggle API herunterladen.
• Notebooks speichern und übernehmen: Um ein Notebook auf Kaggle zu speichern und zu übernehmen, klicke auf „Version speichern“. Dadurch wird der aktuelle Zustand deines Notebooks gespeichert. Sobald der Hintergrund-Kernel die Ausgabedateien erstellt hat, kannst du über den Tab „Output“ auf der Hauptseite des Notebooks darauf zugreifen.
• Zusammenarbeit: Kaggle unterstützt die Zusammenarbeit, aber mehrere Nutzer können ein Notebook nicht gleichzeitig bearbeiten. Die Zusammenarbeit auf Kaggle erfolgt asynchron, das heißt, Nutzer können dasselbe Notebook zu unterschiedlichen Zeiten gemeinsam nutzen und bearbeiten.
• Zu einer früheren Version zurückkehren: Wenn du zu einer früheren Version deines Notebooks zurückkehren möchtest, öffne das Notebook und klicke oben rechts auf die drei vertikalen Punkte. Wähle „Versionen anzeigen“. Suche die Version, zu der du zurückkehren möchtest, klicke daneben auf das Menü „...“ und wähle „Zu dieser Version zurückkehren“. Nachdem das Notebook auf die frühere Version zurückgesetzt wurde, klicke auf „Version speichern“, um die Änderungen zu übernehmen.

Wichtige Funktionen von Kaggle#

Sehen wir uns als Nächstes die Funktionen von Kaggle an, die die Plattform zu einer hervorragenden Wahl für alle machen, die sich für Data Science und Machine Learning interessieren. Hier sind einige der wichtigsten Vorteile:

• Datensätze: Kaggle bietet eine umfangreiche Sammlung von Datensätzen zu verschiedenen Themen. Du kannst diese Datensätze ganz einfach suchen und in deinen Projekten verwenden – besonders praktisch für das Training und Testen deiner YOLO26-Modelle.
• Wettbewerbe: Kaggle ist für seine spannenden Wettbewerbe bekannt und ermöglicht Data Scientists und Machine-Learning-Begeisterten, reale Probleme zu lösen. Die Teilnahme hilft dir, deine Fähigkeiten zu verbessern, neue Techniken kennenzulernen und in der Community Anerkennung zu finden.
• Kostenloser Zugriff auf TPUs: Kaggle bietet kostenlosen Zugriff auf leistungsstarke TPUs, die sich für das Training komplexer Machine-Learning-Modelle eignen. So kannst du die Verarbeitung beschleunigen und die Leistung deiner YOLO26-Projekte steigern, ohne zusätzliche Kosten zu verursachen.
• Integration mit GitHub: Mit Kaggle kannst du dein GitHub-Repository ganz einfach verbinden, um Notebooks hochzuladen und deine Arbeit zu speichern. Dank dieser Integration lassen sich deine Dateien bequem verwalten und aufrufen.
• Community und Diskussionen: Kaggle hat eine große Community aus Data Scientists und Machine-Learning-Fachleuten. Die Diskussionsforen und geteilten Notebooks sind hervorragende Ressourcen zum Lernen und zur Fehlerbehebung. Du findest leicht Unterstützung, kannst dein Wissen teilen und mit anderen zusammenarbeiten.

Warum solltest du Kaggle für deine YOLO26-Projekte nutzen?#

Es gibt mehrere Plattformen zum Trainieren und Bewerten von Machine-Learning-Modellen. Was zeichnet also Kaggle aus? Sehen wir uns die Vorteile an, die Kaggle für deine Machine-Learning-Projekte bietet:

• Öffentliche Notebooks: Du kannst deine Kaggle-Notebooks öffentlich zugänglich machen, damit andere Nutzer deine Arbeit ansehen, bewerten, forken und diskutieren können. Kaggle fördert Zusammenarbeit, Feedback und den Austausch von Ideen und hilft dir so, deine YOLO26-Modelle zu verbessern.
• Umfassender Verlauf der Notebook-Commits: Kaggle erstellt einen detaillierten Verlauf deiner Notebook-Commits. So kannst du Änderungen im Laufe der Zeit überprüfen und nachverfolgen, die Entwicklung deines Projekts leichter nachvollziehen und bei Bedarf zu früheren Versionen zurückkehren.
• Konsolenzugriff: Kaggle stellt eine Konsole bereit, über die du mehr Kontrolle über deine Umgebung erhältst. Damit kannst du verschiedene Aufgaben direkt über die Befehlszeile erledigen und so deinen Arbeitsablauf und deine Produktivität verbessern.
• Verfügbare Ressourcen: Für jede Notebook-Bearbeitungssitzung auf Kaggle stehen umfangreiche Ressourcen zur Verfügung: 12 Stunden Ausführungszeit für CPU- und GPU-Sitzungen, 9 Stunden Ausführungszeit für TPU-Sitzungen und 20 Gigabyte automatisch gespeicherter Speicherplatz.
• Notebook-Zeitplanung: Mit Kaggle kannst du festlegen, dass deine Notebooks zu bestimmten Zeiten ausgeführt werden. So automatisierst du wiederkehrende Aufgaben ohne manuelles Eingreifen, etwa das regelmäßige Training deines Modells.

Mehr über Kaggle erfahren#

Wenn du mehr über Kaggle erfahren möchtest, findest du hier hilfreiche Ressourcen:

• Kaggle Learn: Entdecke zahlreiche kostenlose, interaktive Tutorials auf Kaggle Learn. Die Kurse behandeln wichtige Themen aus der Data Science und bieten praktische Übungen, mit denen du neue Fähigkeiten erlernst.
• Erste Schritte mit Kaggle: Dieser umfassende Leitfaden führt dich durch die Grundlagen von Kaggle – von der Teilnahme an Wettbewerben bis zum Erstellen deines ersten Notebooks. Er ist ein guter Einstieg für Neulinge.
• Kaggle auf Medium: Entdecke Tutorials, Neuigkeiten und Beiträge aus der Community auf Kaggle's Medium-Seite. Sie ist eine ausgezeichnete Quelle, um über aktuelle Trends auf dem Laufenden zu bleiben und tiefere Einblicke in die Data Science zu gewinnen.
• Ultralytics YOLO-Modelle mithilfe der Kaggle-Integration trainieren: Dieser Blogbeitrag enthält weitere Hinweise dazu, wie du Kaggle gezielt für Ultralytics-YOLO-Modelle einsetzen kannst.

Zusammenfassung#

Wir haben gesehen, wie Kaggle deine YOLO26-Projekte mit kostenlosem Zugriff auf leistungsstarke GPUs unterstützen und das Modelltraining und die Auswertung effizienter machen kann. Die benutzerfreundliche Plattform von Kaggle bietet vorinstallierte Bibliotheken für eine schnelle Einrichtung. Durch die Integration von Ultralytics YOLO26 mit Kaggle entsteht eine nahtlose Umgebung für die Entwicklung, das Training und die Bereitstellung hochmoderner Modelle für Computer Vision – ganz ohne teure Hardware.

Weitere Informationen findest du in der Kaggle-Dokumentation.

Du interessierst dich für weitere YOLO26-Integrationen? In der Ultralytics-Integrationsanleitung findest du zusätzliche Tools und Möglichkeiten für deine Machine-Learning-Projekte.

Häufig gestellte Fragen#