Modi von Ultralytics YOLO26
Einführung#
Ultralytics YOLO26 ist mehr als ein Modell zur Objekterkennung: Das Ultralytics-Framework deckt den gesamten Lebenszyklus von Machine-Learning-Modellen ab – vom Training und der Validierung bis hin zu Vorhersage, Export, Tracking und Benchmarking. Jeder Modus erfüllt in diesem Workflow einen bestimmten Zweck.
Informationen zur geplanten Unterstützung von YOLO27 findest du in der YOLO27-Vorschau. YOLO27 erscheint in Kürze und ist noch nicht verfügbar; in diesem Leitfaden kommen veröffentlichte YOLO26-Modelle zum Einsatz.
Ansehen: Tutorial zu den Ultralytics-Modi: Trainieren, validieren, vorhersagen, exportieren und Leistung messen.
Modi im Überblick#
Ultralytics YOLO26 unterstützt die folgenden Modi:
- Train-Modus: Trainiere oder optimiere dein Modell per Fine-Tuning mit benutzerdefinierten oder integrierten Datensätzen.
- Val-Modus: Validiere die Modellleistung nach dem Training.
- Predict-Modus: Führe mit deinem Modell Inferenz für neue Bilder, Videos und Streams aus.
- Export-Modus: Wandle dein Modell in Formate um, die für die Modellbereitstellung geeignet sind.
- Track-Modus: Verfolge Objekte über Videobilder und Live-Streams hinweg in Echtzeit.
- Benchmark-Modus: Analysiere die Geschwindigkeit und Genauigkeit deines Modells in unterschiedlichen Bereitstellungsumgebungen.
Die folgenden Abschnitte fassen die einzelnen Modi zusammen und verlinken auf die vollständige Anleitung.
Trainieren#
Der Train-Modus dient zum Trainieren eines YOLO26-Modells mit einem benutzerdefinierten Datensatz. In diesem Modus wird das Modell mit dem angegebenen Datensatz und den festgelegten Hyperparametern trainiert. Beim Training werden die Parameter des Modells so optimiert, dass es Klassen und Positionen von Objekten in einem Bild präzise vorhersagen kann. Training ist entscheidend, um Modelle zu erstellen, die bestimmte, für deine Anwendung relevante Objekte erkennen können.
Validieren#
Der Val-Modus dient zur Validierung eines YOLO26-Modells nach dem Training. In diesem Modus wird das Modell anhand eines Validierungssatzes ausgewertet, um seine Genauigkeit und Generalisierungsleistung zu messen. Die Validierung hilft dabei, mögliche Probleme wie Overfitting zu erkennen, und liefert Kennzahlen wie die mittlere durchschnittliche Präzision (mAP), mit denen sich die Modellleistung quantifizieren lässt. Die Validierungsergebnisse unterstützen die Optimierung der Hyperparameter und weitere Verbesserungen am Modell.
Vorhersagen#
Der Predict-Modus dient dazu, mit einem trainierten YOLO26-Modell Vorhersagen für neue Bilder oder Videos zu erstellen. In diesem Modus wird das Modell aus einer Checkpoint-Datei geladen und du kannst Bilder oder Videos zur Inferenz bereitstellen. Das Modell erkennt und lokalisiert Objekte in den Eingabemedien. Mit dem Predict-Modus wendest du dein trainiertes Modell auf praktische Probleme an.
Exportieren#
Der Export-Modus dient dazu, ein YOLO26-Modell in Formate umzuwandeln, die sich für die Bereitstellung auf verschiedenen Plattformen und Geräten eignen. Dabei wird dein PyTorch-Modell in optimierte Formate wie ONNX, TensorRT oder CoreML konvertiert, sodass es in Produktionsumgebungen eingesetzt werden kann. Der Export ist entscheidend, um dein Modell in verschiedene Softwareanwendungen oder Hardwaregeräte zu integrieren, und führt häufig zu deutlichen Leistungssteigerungen.
Verfolgen#
Der Track-Modus erweitert die Objekterkennungsfunktionen von YOLO26 um die Möglichkeit, Objekte über Videobilder oder Livestreams hinweg zu verfolgen. Dieser Modus ist besonders nützlich für Anwendungen, die eine dauerhafte Objektidentifizierung erfordern, etwa Überwachungssysteme oder selbstfahrende Autos. Er umfasst sechs Tracker: TrackTrack (Standard), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT und FastTracker.
Benchmark#
Der Benchmarkmodus misst Geschwindigkeit und Genauigkeit verschiedener Exportformate für YOLO26. Er liefert umfassende Kennzahlen zu Modellgröße, Genauigkeit (mAP50-95 für Erkennung, Segmentierung, Pose und OBB; mIoU für semantische Segmentierung; δ1 für Tiefe oder accuracy_top1 für Klassifizierung) sowie Inferenzzeit bei verschiedenen Formaten wie ONNX, OpenVINO und TensorRT. Mit dem Benchmark kannst du das optimale Exportformat anhand deiner spezifischen Anforderungen an Geschwindigkeit und Genauigkeit in deiner Bereitstellungsumgebung auswählen.
Häufig gestellte Fragen#
Zum Trainieren eines benutzerdefinierten Modells zur Objekterkennung mit Ultralytics YOLO26 verwendest du den Trainingsmodus. Du benötigst einen Datensatz im YOLO-Format, der Bilder und die dazugehörigen Annotationsdateien enthält. Starte den Trainingsprozess mit folgendem Befehl:
Beispielfrom ultralytics import YOLO # Ein vortrainiertes YOLO-Modell laden (du kannst die Versionen n, s, m, l oder x auswählen) model = YOLO("yolo26n.pt") # Das Training mit deinem benutzerdefinierten Datensatz starten model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)Ausführlichere Anweisungen findest du im Ultralytics-Trainingsleitfaden.
Ultralytics YOLO26 verwendet während der Validierung verschiedene Metriken, um die Modellleistung zu bewerten. Dazu gehören:
- mAP (mittlere durchschnittliche Präzision): Bewertet die Genauigkeit der Objekterkennung.
- IoU (Schnittmenge über Vereinigung): Misst die Überlappung zwischen vorhergesagten und tatsächlichen Begrenzungsrahmen.
- Präzision und Recall: Die Präzision misst den Anteil der richtig positiven Erkennungen an allen als positiv erkannten Objekten, während der Recall den Anteil der richtig positiven Erkennungen an allen tatsächlich positiven Objekten misst.
Mit folgendem Befehl kannst du die Validierung starten:
Beispielfrom ultralytics import YOLO # Ein vortrainiertes oder benutzerdefiniertes YOLO-Modell laden model = YOLO("yolo26n.pt") # Die Validierung für deinen Datensatz ausführen model.val(data="path/to/validation.yaml")Weitere Informationen findest du im Validierungsleitfaden.
Ultralytics YOLO26 bietet eine Exportfunktion, mit der du dein trainiertes Modell in verschiedene Bereitstellungsformate wie ONNX, TensorRT, CoreML und weitere umwandeln kannst. Exportiere dein Modell mit folgendem Beispiel:
Beispielfrom ultralytics import YOLO # Dein trainiertes YOLO-Modell laden model = YOLO("yolo26n.pt") # Das Modell ins ONNX-Format exportieren (bei Bedarf kannst du andere Formate angeben) model.export(format="onnx")Detaillierte Schritte für jedes Exportformat findest du im Exportleitfaden.
Der Benchmarkmodus in Ultralytics YOLO26 dient dazu, Geschwindigkeit und Genauigkeit verschiedener Exportformate wie ONNX, TensorRT und OpenVINO zu analysieren. Er liefert Kennzahlen wie Modellgröße, mAP50-95 für die Objekterkennung und Inferenzzeit auf verschiedenen Hardwarekonfigurationen und hilft dir so, das für deine Bereitstellung am besten geeignete Format auszuwählen.
Beispielfrom ultralytics.utils.benchmarks import benchmark # Benchmark auf der GPU ausführen (Gerät 0) # Bei Bedarf kannst du Parameter wie Modell, Datensatz, Bildgröße und Genauigkeit anpassen benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)Weitere Informationen findest du im Benchmark-Leitfaden.
Die Objektverfolgung in Echtzeit ist mit dem Tracking-Modus in Ultralytics YOLO26 möglich. Dieser Modus erweitert die Objekterkennungsfunktionen, sodass Objekte über Videobilder oder Live-Feeds hinweg verfolgt werden können. Aktiviere die Verfolgung mit folgendem Beispiel:
Beispielfrom ultralytics import YOLO # Ein vortrainiertes YOLO-Modell laden model = YOLO("yolo26n.pt") # Die Objektverfolgung in einem Video starten # Du kannst auch Live-Video-Streams oder eine Webcam als Eingabe verwenden model.track(source="path/to/video.mp4")Eine ausführliche Anleitung findest du im Tracking-Leitfaden.
Kommentare7
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.
Monkey1GIt
The Chinese web page translation is very bad, for example, "train" should be "训练", but translated into "火车"
And can not switch to English page, click the EN button, will still switch to Chinese page
2
Glenn JocherUltralyticsHey there! 😊 Thanks for bringing this to our attention. We're sorry for the inconvenience caused by the translation errors and the issue with the language switch button. We're constantly working on improving our documentation and its accessibility, including accurate translations.
For the translation issue, we'll look into it and aim to correct those errors, like "train" being incorrectly translated. Your feedback is invaluable in helping us enhance the user experience.
Regarding the language switch issue, we're investigating this and will work on a fix. In the meantime, if you're still unable to switch to the English page, you might try clearing your browser's cache or using a different browser as a temporary workaround.
If you have any more feedback or need further assistance, please don't hesitate to reach out. Thanks for your support and understanding! 🙏
myangel1972
what is the difference between version 8.3.6 and 11?
1
Glenn JocherUltralytics(bearbeitet)@myangel1972
8.3.6is a release number of theultralyticsPython package, while YOLO11 is a model family. YOLO26 is now the latest and recommended model, offering improved performance across tasks like detection, segmentation, and tracking. For detailed differences, please refer to the release notes on the Ultralytics GitHub page.myangel1972
thanks a lot for your quickly reply!but I still have a question,on the right top of this page,there is a tag with 8.3.7(yesterday it was 8.3.6), so i am confused that what is the relatonship between 8.3.7 and yolo 11?
Glenn JocherUltralytics(bearbeitet)@myangel1972 version numbers like 8.3.7 are releases of the
ultralyticspackage (which supports YOLOv8, YOLO11 and later models), including improvements and bug fixes. YOLO11 is a separate model family released in that package line, so the two numbers are not comparable.1myangel1972
Thanks a lot! Now I understand it very clearly! Great Job!
