Von Ultralytics unterstützte Modelle

Willkommen zur Modelldokumentation von Ultralytics! Wir bieten Unterstützung für eine breite Palette von Modellen, die jeweils auf spezifische Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Pose-Schätzung und Multi-Objekt-Tracking zugeschnitten sind. Wenn Sie daran interessiert sind, Ihre Modellarchitektur zu Ultralytics beizutragen, lesen Sie unseren Leitfaden für Mitwirkende.

Ausgewählte 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-Objekterkennungsfunktionen.
2. YOLOv4: Ein Darknet-natives Update für YOLOv3, das 2020 von Alexey Bochkovskiy veröffentlicht wurde.
3. YOLOv5: Eine verbesserte Version der YOLO-Architektur von Ultralytics, die im Vergleich zu früheren Versionen ein besseres Verhältnis von Leistung und Geschwindigkeit bietet.
4. YOLOv6: Veröffentlicht von Meituan im Jahr 2022 und in vielen autonomen Lieferrobotern des Unternehmens im Einsatz.
5. YOLOv7: Aktualisierte YOLO-Modelle, die 2022 von den Autoren von YOLOv4 veröffentlicht wurden. Es wird nur Inferenz unterstützt.
6. YOLOv8: Ein vielseitiges Modell mit erweiterten Funktionen wie Instanzsegmentierung, Pose/Keypoints-Schätzung und Klassifizierung.
7. YOLOv9: Ein experimentelles Modell, das auf der Ultralytics YOLOv5 Codebasis trainiert wurde und programmierbare Gradienteninformationen (PGI) implementiert.
8. YOLOv10: Von der Tsinghua University, mit NMS-freiem Training und einer auf Effizienz und Genauigkeit ausgerichteten Architektur, die State-of-the-Art Leistung und Latenz liefert.
9. YOLO11: Ultralytics' YOLO-Modelle, die hohe Leistung bei verschiedenen Aufgaben liefern, darunter detect, segment, Pose-Schätzung, track und Klassifizierung.
10. YOLO26 🚀 NEU: Ultralytics' neuestes YOLO-Modell der nächsten Generation, optimiert für Edge-Bereitstellung 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: Echtzeit-Modelle zur Objekterkennung mit offenem Vokabular von Tencent AI Lab.
19. YOLOE: Ein verbesserter Objektdetektor mit offenem Vokabular, der die YOLO-Echtzeitleistung beibehält und gleichzeitig beliebige Klassen erkennt, die über seine Trainingsdaten hinausgehen.

Ansehen: Führen Sie Ultralytics YOLO-Modelle mit nur wenigen Codezeilen aus.

Erste Schritte: Anwendungsbeispiele

Dieses Beispiel enthält einfache Beispiele für YOLO-Training und -Inferenz. Die vollständige Dokumentation zu diesen und anderen Modi finden Sie auf den Dokumentationsseiten Predict, Train, Val und Export.

Beachten Sie, dass das folgende Beispiel YOLO11 Detect-Modelle für die Objekterkennung hervorhebt. Für weitere unterstützte Aufgaben siehe die Segment-, Classify- und Pose-Dokumentation.

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")

# Load a COCO-pretrained YOLO26n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo26n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO26n model and run inference on the 'bus.jpg' image
yolo predict model=yolo26n.pt source=path/to/bus.jpg

Beitrag neuer Modelle

Möchten Sie Ihr Modell zu Ultralytics beitragen? Ausgezeichnet! Wir sind immer offen für die Erweiterung unseres Modellportfolios.

1. Repository forken: Beginnen Sie mit dem Forken des Ultralytics GitHub-Repositorys.

2. Fork klonen: Klonen Sie Ihren Fork auf Ihren lokalen Rechner und erstellen Sie einen neuen Branch, an dem Sie arbeiten können.

3. Implementieren Sie Ihr Modell: Fügen Sie Ihr Modell gemäß den Codierungsstandards und Richtlinien hinzu, die in unserem Leitfaden für Mitwirkende bereitgestellt werden.

4. Gründlich testen: Stellen Sie sicher, dass Sie Ihr Modell sowohl isoliert als auch als Teil der Pipeline gründlich testen.

5. Pull-Request erstellen: Sobald Sie mit Ihrem Modell zufrieden sind, erstellen Sie einen Pull-Request an das Haupt-Repository zur Überprüfung.

6. Code-Review & Zusammenführung: Nach der Überprüfung wird Ihr Modell, wenn es unsere Kriterien erfüllt, in das Haupt-Repository übernommen.

Detaillierte Schritte finden Sie in unserem Leitfaden für Mitwirkende.

FAQ

Was ist das neueste Ultralytics YOLO-Modell?

Das neueste Ultralytics YOLO-Modell ist YOLO26, das im Januar 2026 veröffentlicht wurde. YOLO26 bietet eine End-to-End NMS-freie Inferenz, optimierte Edge-Bereitstellung und unterstützt alle fünf Aufgaben (detect, segment, Klassifizierung, Pose-Schätzung und obb) sowie Open-Vocabulary-Versionen. Für stabile Produktions-Workloads sind sowohl YOLO26 als auch YOLO11 empfohlene Optionen.

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

Das Trainieren eines YOLO-Modells mit 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)

yolo train model=yolo26n.pt data='custom_data.yaml' epochs=100 imgsz=640

Weitere detaillierte Anweisungen finden Sie auf der Dokumentationsseite Train.

Welche YOLO-Versionen werden von Ultralytics unterstützt?

Ultralytics unterstützt eine umfassende Palette von YOLO (You Only Look Once)-Versionen von YOLOv3 bis YOLO11, zusammen mit Modellen wie YOLO-NAS, SAM und RT-DETR. Jede Version ist für verschiedene Aufgaben wie detect, segment und Klassifizierung optimiert. Detaillierte Informationen zu jedem Modell finden Sie in der Dokumentation zu den von Ultralytics unterstützten Modellen.

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

Die Ultralytics Platform bietet eine No-Code-End-to-End-Plattform für das Training, die Bereitstellung und die Verwaltung 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 Dataset-Management und benutzerfreundliche Schnittstellen 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, Klassifizierung, Pose-Schätzung und orientierte Objekterkennung (obb) ausführen. Das neueste Modell, YOLO26, unterstützt alle fünf Aufgaben sowie Open-Vocabulary-detect. Details zu spezifischen Aufgaben finden Sie auf den Task-Seiten.

📅 Erstellt vor 2 Jahren ✏️ Aktualisiert vor 6 Tagen

Kommentare