Ultralytics YOLO26-Modi

Einführung

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 Echtzeitverfolgung. Jeder Modus erfüllt einen spezifischen Zweck und wurde entwickelt, um dir die Flexibilität und Effizienz zu bieten, die du für verschiedene Aufgaben und Anwendungsfälle benötigst.

Die Modi 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 Validierung der Modellleistung.
• Predict-Modus: Nutze die prädiktive Kraft deines Modells für reale Daten.
• Export-Modus: Mach dein Modell für die Modellbereitstellung in verschiedenen Formaten bereit.
• Track-Modus: Erweitere dein Objekterkennungsmodell auf 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 und dir helfen, das volle Potenzial von YOLO26 auszuschöpfen.

Train

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

Train-Beispiele

Val

Der Val-Modus wird verwendet, um ein YOLO26-Modell nach dem Training zu validieren. In diesem Modus wird das Modell anhand eines Validierungssatzes bewertet, um seine Genauigkeit und Generalisierungsleistung zu messen. Die Validierung hilft dabei, potenzielle Probleme wie Overfitting zu erkennen und liefert Metriken wie die mean Average Precision (mAP), um die Modellleistung zu quantifizieren. Dieser Modus ist entscheidend für das Anpassen von Hyperparametern und die Verbesserung der allgemeinen Modelleffektivität.

Val-Beispiele

Predict

Der Predict-Modus dient dazu, Vorhersagen mit einem trainierten YOLO26-Modell für neue Bilder oder Videos zu treffen. In diesem Modus wird das Modell aus einer Checkpoint-Datei geladen, und du kannst Bilder oder Videos für die Inferenz bereitstellen. 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.

Predict-Beispiele

Export

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 verwandelt dein PyTorch-Modell in optimierte Formate wie ONNX, TensorRT oder CoreML, was die Bereitstellung in Produktionsumgebungen ermöglicht. Der Export ist entscheidend für die Integration deines Modells in verschiedene Softwareanwendungen oder Hardwaregeräte, was oft zu erheblichen Leistungsverbesserungen führt.

Export-Beispiele

Track

Der Track-Modus erweitert die Objekterkennungsfähigkeiten von YOLO26 um das Verfolgen von Objekten über Videobilder oder Live-Streams hinweg. Dieser Modus ist besonders wertvoll für Anwendungen, die eine dauerhafte Objektidentifizierung erfordern, wie etwa Überwachungssysteme oder selbstfahrende Autos. Der Track-Modus implementiert ausgefeilte Algorithmen wie ByteTrack, um die Objektidentität über Frames hinweg beizubehalten, selbst wenn Objekte vorübergehend aus dem Sichtfeld verschwinden.

Track-Beispiele

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_top5 für Klassifizierungsaufgaben) und Inferenzzeit über verschiedene Formate wie ONNX, OpenVINO und TensorRT hinweg. Benchmarking hilft dir, basierend auf deinen spezifischen Anforderungen an Geschwindigkeit und Genauigkeit in deiner Bereitstellungsumgebung das optimale Exportformat auszuwählen.

Benchmark-Beispiele

FAQ

Wie 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 im YOLO format, der Bilder und entsprechende 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)

Für detailliertere Anweisungen kannst du im Ultralytics Train Guide nachlesen.

Welche 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 tatsächlichen Bounding Boxen.
• Precision und Recall: Precision misst das Verhältnis von korrekt positiven Erkennungen zur Gesamtzahl der erkannten Positiven, während Recall das Verhältnis von korrekt positiven Erkennungen zur Gesamtzahl der tatsächlichen Positiven 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 Validation Guide.

Wie 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 Guide.

Was 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 am besten geeignete Format für deine Bereitstellungsanforderungen 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 Guide.

Wie kann ich eine Echtzeit-Objektverfolgung mit Ultralytics YOLO26 durchführen?

Echtzeit-Objektverfolgung kann mit dem Track-Modus in Ultralytics YOLO26 erreicht werden. Dieser Modus erweitert die Objekterkennungsfähigkeiten, um Objekte über Videobilder oder Live-Feeds hinweg zu verfolgen. Verwende das folgende Beispiel, um das Tracking 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 Anleitungen findest du im Track Guide.