Ultralytics installieren#
Installiere das Paket ultralytics mit pip, conda oder Docker oder aus dem Quellcode. Führe anschließend deine erste Vorhersage mit einem vortrainierten YOLO26-Modell aus. Bei jeder Methode werden alle erforderlichen Abhängigkeiten installiert, die in pyproject.toml aufgeführt sind.
Installiere oder aktualisiere das Paket ultralytics in einer Python>=3.8-Umgebung mit PyTorch>=1.8:
pip install -U ultralyticsFür die neueste Entwicklungsversion installierst du das Paket direkt aus dem Ultralytics-GitHub-Repository:
pip install git+https://github.com/ultralytics/ultralytics.git@mainDie Anforderungen von PyTorch variieren je nach Betriebssystem und CUDA-Version. Um einen bestimmten Build zu verwenden, installiere zuerst PyTorch gemäß der PyTorch-Installationsanleitung und installiere anschließend ultralytics. Für AMD-GPUs unter Linux installiere einen ROCm-Build von PyTorch wie im AMD-Integrationsleitfaden beschrieben.
Ultralytics mit der CLI verwenden#
Führe deine erste Vorhersage im Terminal mit dem Befehl yolo aus:
yolo predict model=yolo26n.ptDie vortrainierten yolo26n.pt-Gewichte werden automatisch heruntergeladen, das Modell wird auf zwei enthaltenen Beispielbildern ausgeführt und der Befehl gibt aus, wo die annotierten Ergebnisse gespeichert wurden – beim ersten Durchlauf unter runs/detect/predict. Gib für source dein eigenes Bild, Video, Verzeichnis, deine URL oder deinen Stream an oder verwende mit source=0 eine Webcam:
yolo predict model=yolo26n.pt source=0 show=Truepredict ist der Modus, also die Aktion, die mit dem Modell ausgeführt wird: train, val, predict, export, track oder benchmark. Die Aufgabe (detect, segment, semantic, depth, classify, pose oder obb) wird aus der Modelldatei ausgelesen. Daher benötigt die Syntax yolo TASK MODE ARGS normalerweise nur den Modus und Paare aus arg=value wie imgsz=640. Alle Modi findest du im CLI-Leitfaden und alle Argumente auf der Seite Konfiguration.
Ultralytics mit Python verwenden#
Dieselbe Vorhersage in Python:
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # ein vortrainiertes YOLO26n-Erkennungsmodell laden
results = model("https://ultralytics.com/images/bus.jpg", save=True) # Vorhersage ausführen und das annotierte Bild speichernresults ist eine Liste von Results-Objekten, eines pro Bild, die je nach Aufgabe Boxen, Masken, Keypoints oder Klassenwahrscheinlichkeiten enthalten. Der Python-Leitfaden behandelt Training, Validierung, Export und Tracking mit derselben Klasse YOLO.
Ansehen: Ultralytics YOLO-Schnellstartanleitung
Ultralytics-Einstellungen#
Dauerhafte Einstellungen wie die Verzeichnisse für Datensätze, Gewichte und Trainingsläufe, der API-Schlüssel für die Ultralytics-Plattform und die Optionen für Experimentprotokollierer befinden sich in einer JSON-Datei, die mit yolo settings verwaltet wird. Auf der Seite Einstellungen erfährst du, wie du sie anzeigen, ändern oder zurücksetzen kannst.
Wie geht es weiter?#
Sieh dir die Modi an, in denen YOLO ausgeführt wird, sowie die Modellgrößen von YOLO26. Formatiere deine Daten mit dem Datensatzleitfaden und trainiere anschließend mit deinen eigenen Daten.
Einen Ausblick bietet YOLO27 (demnächst verfügbar). Die Modelle sind noch nicht verfügbar; in den obigen Beispielen kommt die veröffentlichte YOLO26-Familie zum Einsatz.
Häufig gestellte Fragen#
Installiere Ultralytics mit pip:
pip install -U ultralyticsDamit wird die aktuelle stabile Version des Pakets
ultralyticsvon PyPI installiert. So installierst du die Entwicklungsversion direkt von GitHub:pip install git+https://github.com/ultralytics/ultralytics.gitStelle sicher, dass das Git-Befehlszeilenprogramm auf deinem System installiert ist.
Ja, erstelle mit einem einzigen Befehl eine Conda-Umgebung mit Python und Ultralytics YOLO und aktiviere sie anschließend:
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-envDiese Methode ist eine gute Alternative zu pip und gewährleistet die Kompatibilität mit anderen Paketen. Füge für CUDA-Umgebungen das Metapaket
pytorch-gpuim selben Befehl hinzu, damit conda einen CUDA-fähigen PyTorch-Build auswählt:conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-envWeitere Anweisungen findest du in der Conda-Schnellstartanleitung.
Docker bietet eine isolierte, einheitliche Umgebung für Ultralytics YOLO. So läuft die Software auf verschiedenen Systemen reibungslos und die Komplexität lokaler Installationen wird vermieden. Offizielle Docker-Images sind auf Docker Hub verfügbar, mit Varianten für GPU, CPU, ARM64, NVIDIA Jetson und Conda. So lädst du das neueste Image herunter und führst es aus:
# 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:latestUnter Linux erfordern CDI-Geräteanforderungen Docker >= 28.2.0 und NVIDIA Container Toolkit >= 1.18. Ausführliche Anweisungen zu Docker findest du in der Docker-Schnellstartanleitung.
Klone das Ultralytics-Repository und richte eine Entwicklungsumgebung ein:
# 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 .So kannst du zum Projekt beitragen oder mit dem neuesten Quellcode experimentieren. Informationen zu Forks und zum Festlegen eines benutzerdefinierten Branches findest du unter Installation für die Entwicklung.
Mit der Ultralytics YOLO CLI lassen sich Objekterkennungsaufgaben ohne Python-Code ausführen. Einzeilige Befehle ermöglichen Training, Validierung und Vorhersagen direkt im Terminal. Die grundlegende Syntax lautet:
yolo TASK MODE ARGSZum Beispiel kannst du ein Erkennungsmodell so trainieren:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Weitere Befehle und Anwendungsbeispiele findest du im vollständigen CLI-Leitfaden.