Von Ultralytics unterstützte Modelle

Willkommen in der Modelldokumentation von Ultralytics! Wir bieten Unterstützung für eine breite Palette von Modellen, die jeweils auf spezifische Aufgaben zugeschnitten sind, wie Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Bildklassifizierung, Pose-Schätzung und Multi-Objekt-Tracking. Wenn du daran interessiert bist, deine Modellarchitektur zu Ultralytics beizusteuern, wirf einen Blick auf unseren Beitragsleitfaden.

Vorgestellte Modelle

Hier sind einige der wichtigsten unterstützten Modelle:

1. YOLOv3: Die dritte Iteration der YOLO-Modellfamilie, ursprünglich von Joseph Redmon, bekannt für ihre effizienten Echtzeit-Objekterkennungsfähigkeiten.
2. YOLOv4: Ein Darknet-natives Update für YOLOv3, veröffentlicht von Alexey Bochkovskiy im Jahr 2020.
3. YOLOv5: Eine verbesserte Version der YOLO-Architektur von Ultralytics, die im Vergleich zu früheren Versionen bessere Leistungs- und Geschwindigkeits-Abwägungen bietet.
4. YOLOv6: Veröffentlicht von Meituan im Jahr 2022 und im Einsatz in vielen der autonomen Lieferroboter des Unternehmens.
5. YOLOv7: Aktualisierte YOLO-Modelle, veröffentlicht 2022 von den Autoren von YOLOv4. Nur Inferenz wird unterstützt.
6. YOLOv8: Ein vielseitiges Modell mit erweiterten Funktionen wie Instanzsegmentierung, Pose-/Keypoint-Schätzung und Klassifizierung.
7. YOLOv9: Ein experimentelles Modell, das auf der Ultralytics YOLOv5-Codebasis trainiert wurde und Programmable Gradient Information (PGI) implementiert.
8. YOLOv10: Von der Tsinghua-Universität, mit NMS-freiem Training und einer auf Effizienz und Genauigkeit ausgerichteten Architektur, die modernste Leistung und Latenz bietet.
9. YOLO11: Ultralytics' YOLO-Modelle für hohe Leistung bei verschiedenen Aufgaben, darunter Erkennung, Segmentierung, Pose-Schätzung, Tracking und Klassifizierung.
10. YOLO26 🚀 NEU: Ultralytics' neuestes YOLO-Modell der nächsten Generation, optimiert für Edge-Deployment mit End-to-End NMS-freier Inferenz.
11. Segment Anything Model (SAM): Metas ursprüngliches Segment Anything Model (SAM).
12. Segment Anything Model 2 (SAM2): Die nächste Generation von Metas Segment Anything Model für Videos und Bilder.
13. Segment Anything Model 3 (SAM3) 🚀 NEU: Metas Segment Anything Model der dritten Generation mit Promptable Concept Segmentation für text- und bildbeispielbasierte Segmentierung.
14. Mobile Segment Anything Model (MobileSAM): MobileSAM für mobile Anwendungen, von der Kyung Hee University.
15. Fast Segment Anything Model (FastSAM): FastSAM von der Image & Video Analysis Group, Institute of Automation, Chinese Academy of Sciences.
16. YOLO-NAS: YOLO Neural Architecture Search (NAS) Modelle.
17. Real-Time Detection Transformers (RT-DETR): Baidus PaddlePaddle Real-Time Detection Transformer (RT-DETR) Modelle.
18. YOLO-World: Real-Time Open-Vocabulary-Objekterkennungsmodelle vom Tencent AI Lab.
19. YOLOE: Ein verbesserter Open-Vocabulary-Objektdetektor, der die Echtzeit-Leistung von YOLO beibehält und gleichzeitig beliebige Klassen erkennt, die über seine Trainingsdaten hinausgehen.

Erste Schritte: Anwendungsbeispiele

Dieses Beispiel bietet einfache YOLO-Trainings- und Inferenzbeispiele. Für die vollständige Dokumentation zu diesen und anderen Modi siehe die Dokumentationsseiten für Predict, Train, Val und Export.

Beachte, dass das folgende Beispiel YOLO11 Detect-Modelle für die Objekterkennung beleuchtet. Für weitere unterstützte Aufgaben siehe die Dokumentation zu Segment, Classify und Pose.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Beitrag zu neuen Modellen

Interessiert daran, dein Modell zu Ultralytics beizusteuern? Großartig! Wir sind immer offen dafür, unser Modellportfolio zu erweitern.

1. Forke das Repository: Beginne damit, das Ultralytics GitHub-Repository zu forken.

2. Klonen deines Forks: Klone deinen Fork auf deinen lokalen Rechner und erstelle einen neuen Branch, an dem du arbeiten kannst.

3. Implementiere dein Modell: Füge dein Modell unter Einhaltung der Codierungsstandards und Richtlinien hinzu, die in unserem Beitragsleitfaden bereitgestellt werden.

4. Gründlich testen: Stelle sicher, dass du dein Modell rigoros testest, sowohl isoliert als auch als Teil der Pipeline.

5. Erstelle einen Pull Request: Sobald du mit deinem Modell zufrieden bist, erstelle einen Pull Request an das Haupt-Repository zur Überprüfung.

6. Code-Review & Merging: Nach der Überprüfung wird dein Modell, falls es unsere Kriterien erfüllt, in das Haupt-Repository zusammengeführt.

Für detaillierte Schritte konsultiere unseren Beitragsleitfaden.

FAQ

Was ist das neueste Ultralytics YOLO-Modell?

Das neueste Ultralytics YOLO-Modell ist YOLO26, veröffentlicht im Januar 2026. YOLO26 bietet End-to-End NMS-freie Inferenz, optimiertes Edge-Deployment und unterstützt Erkennung, Instanzsegmentierung, semantische Segmentierung, Klassifizierung, Pose-Schätzung sowie OBB und Open-Vocabulary-Versionen. Für stabile Produktions-Workloads sind sowohl YOLO26 als auch YOLO11 empfohlene Optionen.

Wie kann ich ein YOLO-Modell auf benutzerdefinierten Daten trainieren?

Das Training eines YOLO-Modells auf benutzerdefinierten Daten kann einfach mit den Bibliotheken von Ultralytics durchgeführt werden. Hier ist ein kurzes Beispiel:

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

Für detailliertere Anweisungen besuche die Dokumentationsseite für Train.

Welche YOLO-Versionen werden von Ultralytics unterstützt?

Ultralytics unterstützt eine umfassende Palette an YOLO (You Only Look Once)-Versionen von YOLOv3 bis YOLO26 sowie Modelle wie YOLO-NAS, SAM und RT-DETR. Jede Version ist für verschiedene Aufgaben wie Erkennung, Segmentierung, semantische Segmentierung und Klassifizierung optimiert. Für detaillierte Informationen zu jedem Modell siehe die Dokumentation Von Ultralytics unterstützte Modelle.

Warum sollte ich die Ultralytics-Plattform für Machine Learning-Projekte verwenden?

Ultralytics Platform bietet eine No-Code End-to-End-Plattform zum Trainieren, Bereitstellen und Verwalten von YOLO-Modellen. Sie vereinfacht komplexe Workflows und ermöglicht es Benutzern, sich auf die Modellleistung und Anwendung zu konzentrieren. Der HUB bietet zudem Cloud-Trainingsfunktionen, umfassendes Datensatzmanagement und benutzerfreundliche Oberflächen für Anfänger und erfahrene Entwickler.

Welche Arten von Aufgaben können Ultralytics YOLO-Modelle ausführen?

Ultralytics YOLO-Modelle sind vielseitig und können Aufgaben wie Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Klassifizierung, Pose-Schätzung und orientierte Objekterkennung (OBB) ausführen. Das neueste Modell, YOLO26, unterstützt alle sechs Aufgaben sowie Open-Vocabulary-Erkennung. Für Details zu spezifischen Aufgaben siehe die Aufgabenseiten.