Link to this sectionUltralytics YOLO26-Modi#

Link to this sectionEinführung#

Ultralytics YOLO26 ist nicht einfach nur ein weiteres Objekterkennungsmodell; es ist ein vielseitiges Framework, das den gesamten Lebenszyklus von Machine Learning-Modellen abdeckt – von der Datenaufnahme und dem Modelltraining bis hin zur Validierung, Bereitstellung und Echtzeit-Verfolgung. Jeder Modus erfüllt einen spezifischen Zweck und ist darauf ausgelegt, dir die für unterschiedliche Aufgaben und Anwendungsfälle erforderliche Flexibilität und Effizienz zu bieten.

Link to this sectionModi im Überblick#

Das Verständnis der verschiedenen Modi, die Ultralytics YOLO26 unterstützt, ist entscheidend, um das Beste aus deinen Modellen herauszuholen:

• Train-Modus: Optimiere dein Modell mit benutzerdefinierten oder vorinstallierten Datensätzen.
• Val-Modus: Ein Checkpoint nach dem Training zur Überprüfung der Modellleistung.
• Predict-Modus: Nutze die Vorhersagekraft deines Modells für reale Daten.
• Export-Modus: Mache dein Modell für die Modellbereitstellung in verschiedenen Formaten bereit.
• Track-Modus: Erweitere dein Objekterkennungsmodell um Echtzeit-Verfolgungsanwendungen.
• 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.

Link to this sectionTrain#

Der Train-Modus wird verwendet, um ein YOLO26-Modell mit einem benutzerdefinierten Datensatz zu trainieren. In diesem Modus wird das Modell unter Verwendung des angegebenen Datensatzes und der Hyperparameter trainiert. Der Trainingsprozess beinhaltet die Optimierung der Modellparameter, damit es die Klassen und Positionen von Objekten in einem Bild präzise vorhersagen kann. Das Training ist unerlässlich, um Modelle zu erstellen, die spezifische, für deine Anwendung relevante Objekte erkennen können.

Train-Beispiele

Link to this sectionVal#

Der Val-Modus wird zur Validierung eines YOLO26-Modells nach dessen Training verwendet. In diesem Modus wird das Modell an einem Validierungsdatensatz evaluiert, um dessen Genauigkeit und Verallgemeinerungsleistung 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 die Feinabstimmung der Hyperparameter und die Verbesserung der gesamten Modelleffektivität.

Val-Beispiele

Link to this sectionPredict#

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 der Benutzer kann Bilder oder Videos zur Durchführung der Inferenz bereitstellen. Das Modell identifiziert und lokalisiert Objekte in den Eingabemedien und macht sie bereit für reale Anwendungen. Der Predict-Modus ist der Einstieg in die Anwendung deines trainierten Modells zur Lösung praktischer Probleme.

Predict-Beispiele

Link to this sectionExport#

Der Export-Modus wird verwendet, um ein YOLO26-Modell in Formate zu konvertieren, die für die Bereitstellung auf verschiedenen Plattformen und Geräten geeignet sind. Dieser Modus wandelt dein PyTorch-Modell in optimierte Formate wie ONNX, TensorRT oder CoreML um und ermöglicht so die Bereitstellung in Produktionsumgebungen. Der Export ist unerlässlich für die Integration deines Modells in verschiedene Softwareanwendungen oder Hardwaregeräte, was oft zu erheblichen Leistungssteigerungen führt.

Export-Beispiele

Link to this sectionTrack#

Der Track-Modus erweitert die Objekterkennungsfunktionen von YOLO26, um Objekte über Videobilder oder Live-Streams hinweg zu verfolgen. Dieser Modus ist besonders wertvoll für Anwendungen, die eine dauerhafte Objektidentifizierung erfordern, wie etwa Überwachungssysteme oder selbstfahrende Autos. Der Track-Modus implementiert hochentwickelte Tracker wie BoT-SORT (Standard) und ByteTrack, um die Objektidentität über Frames hinweg beizubehalten, selbst wenn Objekte vorübergehend aus dem Sichtfeld verschwinden.

Track-Beispiele

Link to this sectionBenchmark#

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 Klassifizierung) und Inferenzzeit über verschiedene Formate wie ONNX, OpenVINO und TensorRT hinweg. Benchmarking hilft dir, das optimale Exportformat basierend auf deinen spezifischen Anforderungen an Geschwindigkeit und Genauigkeit in deiner Bereitstellungsumgebung auszuwählen.

Benchmark-Beispiele

Link to this sectionFAQ#

Link to this sectionWie trainiere ich ein benutzerdefiniertes Objekterkennungs-Modell mit Ultralytics YOLO26?#

Das Training eines benutzerdefinierten Objekterkennungsmodells mit Ultralytics YOLO26 beinhaltet die Verwendung des Train-Modus. Du benötigst einen Datensatz, der im YOLO-Format vorliegt und Bilder sowie die entsprechenden Annotationsdateien enthält. Verwende den folgenden Befehl, um den Trainingsprozess zu starten:

from 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)

Weitere detaillierte Anweisungen findest du im Ultralytics Train-Leitfaden.

Link to this sectionWelche Metriken verwendet Ultralytics YOLO26 zur Validierung der Modellleistung?#

Ultralytics YOLO26 verwendet während des Validierungsprozesses verschiedene Metriken, um die Modellleistung zu bewerten. Dazu gehören:

• mAP (mean Average Precision): Dies bewertet die Genauigkeit der Objekterkennung.
• IOU (Intersection over Union): Misst die Überlappung zwischen vorhergesagten und Ground-Truth-Bounding-Boxen.
• Precision und Recall: Precision misst das Verhältnis der korrekt erkannten positiven Ergebnisse zur Gesamtzahl der erkannten positiven Ergebnisse, während Recall das Verhältnis der korrekt erkannten positiven Ergebnisse zur Gesamtzahl der tatsächlichen positiven Ergebnisse misst.

Du kannst den folgenden Befehl ausführen, um die Validierung zu starten:

from 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 Validierungs-Leitfaden.

Link to this sectionWie kann ich mein YOLO26-Modell für die Bereitstellung exportieren?#

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:

from 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-Leitfaden.

Link to this sectionWas ist der Zweck des Benchmark-Modus in Ultralytics YOLO26?#

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, mAP50-95 für die Objekterkennung und Inferenzzeit über verschiedene Hardware-Setups hinweg, was dir hilft, das für deine Bereitstellungsanforderungen am besten geeignete Format auszuwählen.

from 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, half=False, device=0)

Weitere Details findest du im Benchmark-Leitfaden.

Link to this sectionWie kann ich mit Ultralytics YOLO26 eine Echtzeit-Objektverfolgung durchführen?#

Echtzeit-Objektverfolgung 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 die Verfolgung zu aktivieren:

from 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-Leitfaden.