Ultralytics YOLO26 Modi#
Einleitung#
Ultralytics YOLO26 ist nicht nur ein weiteres Objekterkennungsmodell; es ist ein vielseitiges Framework, das den gesamten Lebenszyklus von Machine Learning-Modellen abdeckt – von der Datenerfassung und dem Modelltraining bis hin zu Validierung, Bereitstellung und Echtzeit-Tracking. Jeder Modus erfüllt einen spezifischen Zweck und ist so konzipiert, dass er dir die Flexibilität und Effizienz bietet, die für verschiedene Aufgaben und Anwendungsfälle erforderlich sind.
Für die geplante YOLO27-Unterstützung siehe die YOLO27-Vorschau. YOLO27 erscheint in Kürze und ist noch nicht verfügbar; dieser Leitfaden verwendet veröffentlichte YOLO26-Modelle.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Modi auf einen Blick#
Das Verständnis der verschiedenen Modi, die Ultralytics YOLO26 unterstützt, ist entscheidend, um das Beste aus deinen Modellen herauszuholen:
- Train-Modus: Optimiere dein Modell anhand benutzerdefinierter oder vorab geladener Datensätze.
- Val-Modus: Ein Checkpoint nach dem Training zur Validierung der Modellleistung.
- Predict-Modus: Nutze die Vorhersagekraft deines Modells für reale Daten.
- Export-Modus: Mache dein Modell in verschiedenen Formaten bereit für die Bereitstellung.
- Track-Modus: Erweitere dein Objekterkennungsmodell zu Echtzeit-Tracking-Anwendungen.
- Benchmark-Modus: Analysiere die Geschwindigkeit und Genauigkeit deines Modells in verschiedenen Bereitstellungsumgebungen.
Dieser umfassende Leitfaden soll dir einen Überblick und praktische Einblicke in jeden Modus geben, damit du das volle Potenzial von YOLO26 ausschöpfen kannst.
Trainieren#
Der Train-Modus wird verwendet, um ein YOLO26-Modell mit einem benutzerdefinierten Datensatz zu trainieren. In diesem Modus wird das Modell anhand des angegebenen Datensatzes und der Hyperparameter trainiert. Der Trainingsprozess umfasst die Optimierung der Modellparameter, damit es die Klassen und Positionen von Objekten in einem Bild genau vorhersagen kann. Das Training ist unerlässlich, um Modelle zu erstellen, die für deine Anwendung relevante spezifische Objekte erkennen können.
Val#
Der Val-Modus wird verwendet, um ein YOLO26-Modell nach dem Training zu validieren. In diesem Modus wird das Modell an einem Validierungssatz evaluiert, um seine Genauigkeit und Generalisierungsleistung zu messen. Die Validierung hilft dabei, potenzielle Probleme wie Overfitting zu identifizieren, und liefert Metriken wie die mean Average Precision (mAP), um die Modellleistung zu quantifizieren. Dieser Modus ist entscheidend für das Tuning von Hyperparametern und die Verbesserung der Gesamtleistung des Modells.
Vorhersagen#
Der Predict-Modus wird verwendet, um mit einem trainierten YOLO26-Modell Vorhersagen für neue Bilder oder Videos zu treffen. In diesem Modus wird das Modell aus einer Checkpoint-Datei geladen, und du kannst Bilder oder Videos bereitstellen, um Inferenz durchzuführen. Das Modell identifiziert und lokalisiert Objekte in den Eingabemedien, wodurch es für reale Anwendungen bereit ist. Der Predict-Modus ist das Tor zur Anwendung deines trainierten Modells zur Lösung praktischer Probleme.
Exportieren#
Der Export-Modus wird verwendet, um ein YOLO26-Modell in Formate zu konvertieren, die sich für die Bereitstellung auf verschiedenen Plattformen und Geräten eignen. Dieser Modus transformiert dein PyTorch-Modell in optimierte Formate wie ONNX, TensorRT oder CoreML, was die Bereitstellung in Produktionsumgebungen ermöglicht. Der Export ist unerlässlich, um dein Modell in verschiedene Softwareanwendungen oder Hardwaregeräte zu integrieren, was oft zu signifikanten Leistungsverbesserungen führt.
Track#
Der Track-Modus erweitert die Objekterkennungsfunktionen von YOLO26, um Objekte über Videoframes oder Live-Streams hinweg zu verfolgen. Dieser Modus ist besonders wertvoll für Anwendungen, die eine dauerhafte Objektidentifizierung erfordern, wie etwa Überwachungssysteme oder selbstfahrende Autos. Er umfasst sechs Tracker: TrackTrack (Standard), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT und FastTracker.
Benchmark#
Der Benchmark-Modus profiliert die Geschwindigkeit und Genauigkeit verschiedener Exportformate für YOLO26. Dieser Modus liefert umfassende Metriken zu Modellgröße, Genauigkeit (mAP50-95 für Erkennungsaufgaben oder accuracy_top1 für die Klassifizierung) und Inferenzzeit über verschiedene Formate hinweg wie ONNX, OpenVINO und TensorRT. Benchmarking hilft dir dabei, das optimale Exportformat basierend auf deinen spezifischen Anforderungen an Geschwindigkeit und Genauigkeit in deiner Bereitstellungsumgebung auszuwählen.
FAQ#
Das Training eines benutzerdefinierten Objekterkennungsmodells mit Ultralytics YOLO26 erfordert die Verwendung des Train-Modus. Du benötigst einen Datensatz im YOLO-Format, der Bilder und entsprechende Annotationsdateien enthält. Verwende den folgenden Befehl, um den Trainingsprozess zu starten:
Beispielfrom ultralytics import YOLO # Load a pretrained YOLO model (you can choose n, s, m, l, or x versions) model = YOLO("yolo26n.pt") # Start training on your custom dataset model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)Ausführlichere Anweisungen findest du im Ultralytics Train Guide.
Ultralytics YOLO26 verwendet während des Validierungsprozesses verschiedene Metriken zur Beurteilung der Modellleistung. Dazu gehören:
- mAP (mean Average Precision): Dies bewertet die Genauigkeit der Objekterkennung.
- IOU (Intersection over Union): Misst die Überschneidung zwischen vorhergesagten und Ground-Truth-Bounding-Boxen.
- Precision und Recall: Precision misst das Verhältnis von True-Positive-Erkennungen zu allen erkennten Positiven, während Recall das Verhältnis von True-Positive-Erkennungen zu allen tatsächlichen Positiven misst.
Du kannst den folgenden Befehl ausführen, um die Validierung zu starten:
Beispielfrom ultralytics import YOLO # Load a pretrained or custom YOLO model model = YOLO("yolo26n.pt") # Run validation on your dataset model.val(data="path/to/validation.yaml")Weitere Details findest du im Validation Guide.
Ultralytics YOLO26 bietet eine Exportfunktion, um dein trainiertes Modell in verschiedene Bereitstellungsformate wie ONNX, TensorRT, CoreML und mehr zu konvertieren. Verwende das folgende Beispiel, um dein Modell zu exportieren:
Beispielfrom ultralytics import YOLO # Load your trained YOLO model model = YOLO("yolo26n.pt") # Export the model to ONNX format (you can specify other formats as needed) model.export(format="onnx")Detaillierte Schritte für jedes Exportformat findest du im Export Guide.
Der Benchmark-Modus in Ultralytics YOLO26 wird verwendet, um die Geschwindigkeit und Genauigkeit verschiedener Exportformate wie ONNX, TensorRT und OpenVINO zu analysieren. Er liefert Metriken wie Modellgröße,
mAP50-95für die Objekterkennung und Inferenzzeit über verschiedene Hardware-Setups hinweg, was dir hilft, das am besten geeignete Format für deine Bereitstellungsanforderungen auszuwählen.Beispielfrom ultralytics.utils.benchmarks import benchmark # Run benchmark on GPU (device 0) # You can adjust parameters like model, dataset, image size, and precision as needed benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)Weitere Details findest du im Benchmark Guide.
Echtzeit-Objekt-Tracking kann mit dem Track-Modus in Ultralytics YOLO26 erreicht werden. Dieser Modus erweitert die Objekterkennungsfunktionen, um Objekte über Videoframes oder Live-Feeds hinweg zu verfolgen. Verwende das folgende Beispiel, um das Tracking zu aktivieren:
Beispielfrom ultralytics import YOLO # Load a pretrained YOLO model model = YOLO("yolo26n.pt") # Start tracking objects in a video # You can also use live video streams or webcam input model.track(source="path/to/video.mp4")Ausführliche Anweisungen findest du im Track Guide.