Ultralytics YOLO27:

Ultralytics installieren#

Installiere das ultralytics-Paket mit pip, conda, Docker oder aus dem Quellcode und führe dann deine erste Vorhersage mit einem vortrainierten YOLO26-Modell aus. Jede Methode installiert alle erforderlichen Abhängigkeiten, die in pyproject.toml aufgeführt sind.

Installation

Installiere oder aktualisiere das ultralytics-Paket in einer Python>=3.8-Umgebung mit PyTorch>=1.8:

pip install -U ultralytics

Für die neueste Entwicklungsversion installiere direkt aus dem Ultralytics GitHub repository:

pip install git+https://github.com/ultralytics/ultralytics.git@main
Tipp

PyTorch-Anforderungen variieren je nach Betriebssystem und CUDA-Version. Um einen spezifischen Build zu verwenden, installiere PyTorch zuerst gemäß den PyTorch installation instructions und installiere dann ultralytics.

Ultralytics mit CLI verwenden#

Führe deine erste Vorhersage über das Terminal mit dem Befehl yolo aus:

yolo predict model=yolo26n.pt

Die vortrainierten yolo26n.pt-Gewichte werden automatisch heruntergeladen, das Modell läuft auf zwei gebündelten Beispielbildern und der Befehl gibt aus, wo er die annotierten Ergebnisse gespeichert hat, runs/detect/predict bei einem ersten Durchlauf. Zeige mit source=0 auf dein eigenes Bild, Video, Verzeichnis, deine URL, deinen Stream oder auf eine Webcam mit source:

yolo predict model=yolo26n.pt source=0 show=True

predict ist der Modus, was mit dem Modell zu tun ist: train, val, predict, export, track oder benchmark. Die Aufgabe (detect, segment, semantic, depth, classify, pose oder obb) wird aus der Modelldatei gelesen, sodass die yolo TASK MODE ARGS-Syntax normalerweise nur den Modus plus arg=value-Paare wie imgsz=640 benötigt. Siehe die CLI Guide für jeden Modus und die Configuration-Seite für alle Argumente.

Ultralytics mit Python verwenden#

Dieselbe Vorhersage in Python:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # predict and save the annotated image

results ist eine Liste von Results-Objekten, eines pro Bild, die je nach Aufgabe Boxen, Masken, Keypoints oder Klassenwahrscheinlichkeiten enthalten. Die Python Guide deckt das Training, die Validierung, den Export und das Tracking mit derselben YOLO-Klasse ab.



Watch: Ultralytics YOLO Quick Start Guide

Ultralytics-Einstellungen#

Permanente Einstellungen wie die Verzeichnisse für Datensätze, Gewichte und Läufe, der Ultralytics Platform-API-Schlüssel und Umschalter für Experiment-Logger befinden sich in einer JSON-Datei, die mit yolo settings verwaltet wird. Siehe die Settings-Seite, um sie anzuzeigen, zu ändern oder zurückzusetzen.

Wie geht es weiter?#

Durchstöbere die modes, in denen YOLO ausgeführt wird, und die YOLO26-Modellgrößen, und trainiere auf deinen eigenen Daten, nachdem du diese mit dem Datasets guide formatiert hast.

Wirf einen Blick in die Zukunft und entdecke YOLO27 (Coming Soon). Die Modelle von YOLO27 sind noch nicht verfügbar; die obigen Beispiele verwenden die veröffentlichte YOLO26-Familie.

FAQ#

  • Installiere Ultralytics mit pip durch folgenden Befehl:

    pip install -U ultralytics

    Dadurch wird das neueste stabile Release des Pakets ultralytics von PyPI installiert. Um die Entwicklungsversion direkt von GitHub zu installieren:

    pip install git+https://github.com/ultralytics/ultralytics.git

    Stelle sicher, dass das Git-Befehlszeilentool auf deinem System installiert ist.

  • Ja, installiere Ultralytics YOLO mit conda durch folgenden Befehl:

    conda install -c conda-forge ultralytics

    Diese Methode ist eine großartige Alternative zu pip und gewährleistet die Kompatibilität mit anderen Paketen. Installiere für CUDA-Umgebungen ultralytics zusammen mit dem pytorch-gpu-Metapaket, damit conda einen CUDA-fähigen PyTorch-Build auswählt:

    conda install -c conda-forge ultralytics pytorch-gpu

    Weitere Anweisungen findest du in der Conda quickstart guide.

  • Docker bietet eine isolierte, konsistente Umgebung für Ultralytics YOLO, die eine reibungslose Leistung über verschiedene Systeme hinweg gewährleistet und Komplexitäten bei der lokalen Installation vermeidet. Offizielle Docker-Images sind auf Docker Hub verfügbar, mit Varianten für GPU, CPU, ARM64, NVIDIA Jetson und Conda. Zum Herunterladen und Ausführen des neuesten Images:

    # Pull the latest ultralytics image from Docker Hub
sudo docker pull ultralytics/ultralytics:latest

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest

    Unter Linux erfordern CDI-Geräteanfragen Docker >= 28.2.0 und das NVIDIA Container Toolkit >= 1.18. Detaillierte Docker-Anweisungen findest du in der Docker quickstart guide.

  • Klone das Ultralytics-Repository und richte eine Entwicklungsumgebung ein mit:

    # Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

    Dies ermöglicht Beiträge zum Projekt oder Experimente mit dem neuesten Quellcode. Für Forks und das Festlegen eines benutzerdefinierten Branch siehe Development Installation.

  • Die Ultralytics YOLO CLI vereinfacht die Durchführung von Objekterkennungsaufgaben ohne Python-Code und ermöglicht einzeilige Befehle für Training, Validierung und Vorhersage direkt aus deinem Terminal. Die Grundsyntax lautet:

    yolo TASK MODE ARGS

    Um beispielsweise ein Erkennungsmodell zu trainieren:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    Entdecke weitere Befehle und Anwendungsbeispiele im vollständigen CLI Guide.

Mitwirkende
GLglenn-jocher39RIRizwanMunawar6RAraimbekovm4LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

Kommentare