Modi von Ultralytics YOLO26#
Einführung#
Ultralytics YOLO26 ist nicht einfach ein weiteres Objekterkennungsmodell, sondern ein vielseitiges Framework, das den gesamten Lebenszyklus von Modellen für maschinelles Lernen abdeckt – von der Datenaufnahme und dem Modelltraining über die Validierung und Bereitstellung bis hin zum Tracking in der Praxis. Jeder Modus erfüllt einen bestimmten Zweck und wurde entwickelt, um dir die für verschiedene Aufgaben und Anwendungsfälle erforderliche Flexibilität und Effizienz zu bieten.
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#
Wenn du das Beste aus deinen Modellen herausholen möchtest, musst du die verschiedenen Modi kennen, die Ultralytics YOLO26 unterstützt:
- Train-Modus: Passe dein Modell an benutzerdefinierte oder vorinstallierte Datensätze an.
- Val-Modus: Überprüfe die Modellleistung anhand eines Checkpoints nach dem Training.
- Predict-Modus: Nutze die Vorhersagefunktionen deines Modells mit realen Daten.
- Export-Modus: Bereite dein Modell mit verschiedenen Formaten für die Bereitstellung vor.
- Track-Modus: Erweitere dein Objekterkennungsmodell um Echtzeit-Tracking.
- Benchmark-Modus: Analysiere die Geschwindigkeit und Genauigkeit deines Modells in unterschiedlichen Bereitstellungsumgebungen.
Dieser umfassende Leitfaden bietet dir einen Überblick und praktische Einblicke in jeden Modus, damit du das volle Potenzial von YOLO26 ausschöpfen kannst.
Train#
Der Train-Modus dient dazu, ein YOLO26-Modell mit einem benutzerdefinierten Datensatz zu trainieren. In diesem Modus wird das Modell mit dem angegebenen Datensatz und den festgelegten Hyperparametern trainiert. Beim Training werden die Modellparameter so optimiert, dass das Modell Klassen und Positionen von Objekten in einem Bild präzise vorhersagen kann. Training ist entscheidend, um Modelle zu erstellen, die bestimmte Objekte erkennen, die für deine Anwendung relevant sind.
Val#
Der Val-Modus dient dazu, ein YOLO26-Modell nach dem Training zu validieren. In diesem Modus wird das Modell anhand eines Validierungsdatensatzes ausgewertet, um seine Genauigkeit und Generalisierungsleistung zu messen. Die Validierung hilft dabei, mögliche Probleme wie Overfitting zu erkennen, und liefert Kennzahlen wie die mittlere Average Precision (mAP), mit denen sich die Modellleistung quantifizieren lässt. Dieser Modus ist entscheidend, um Hyperparameter abzustimmen und die Gesamtleistung des Modells zu verbessern.
Predict#
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. Anschließend kannst du Bilder oder Videos für die Inferenz bereitstellen. Das Modell erkennt und lokalisiert Objekte in den Eingabemedien und ist damit für den Einsatz in der Praxis bereit. Mit dem Predict-Modus kannst du dein trainiertes Modell zur Lösung konkreter Probleme einsetzen.
Export#
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.
Tracking#
Der Tracking-Modus erweitert die Objekterkennungsfunktionen von YOLO26, sodass Objekte über Videobilder oder Live-Streams hinweg verfolgt werden können. Dieser Modus ist besonders wertvoll 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 Benchmark-Modus ermittelt Geschwindigkeit und Genauigkeit verschiedener Exportformate für YOLO26. Dieser Modus liefert umfassende Kennzahlen zu Modellgröße, Genauigkeit (mAP50-95 für Erkennung, Segmentierung, Pose und OBB; mIoU für semantische Segmentierung; delta1 für Tiefe oder accuracy_top1 für Klassifizierung) und Inferenzzeit für verschiedene Formate wie ONNX, OpenVINO und TensorRT. Mit Benchmarks kannst du anhand deiner spezifischen Anforderungen an Geschwindigkeit und Genauigkeit in der Bereitstellungsumgebung das optimale Exportformat 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 durch Vereinigungsmenge): 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 Benchmark-Modus in Ultralytics YOLO26 dient dazu, Geschwindigkeit und Genauigkeit verschiedener Exportformate wie ONNX, TensorRT und OpenVINO zu analysieren. Er liefert Kennzahlen wie Modellgröße,
mAP50-95für die Objekterkennung und Inferenzzeit auf unterschiedlichen Hardwarekonfigurationen, damit du das für deine Bereitstellungsanforderungen am besten geeignete Format auswählen kannst.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.