Von Ultralytics YOLO26 unterstützte Computer-Vision-Aufgaben#
Ultralytics YOLO26 ist ein vielseitiges KI-Framework, das mehrere Computer-Vision-Aufgaben unterstützt. Das Framework kann für Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Pose-Schätzung und OBB verwendet werden. Jede dieser Aufgaben verfolgt ein anderes Ziel und hat einen anderen Anwendungsfall. So kannst du mit einem einzigen Framework unterschiedliche Herausforderungen im Bereich Computer Vision bewältigen.
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: Entdecke die Aufgaben von Ultralytics YOLO26: Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und OBB.
Erkennung#
Die Objekterkennung ist die wichtigste von YOLO26 unterstützte Aufgabe. Dabei werden Objekte in einem Bild oder Videobild erkannt und mit Begrenzungsrahmen umrandet. Die erkannten Objekte werden anhand ihrer Merkmale verschiedenen Kategorien zugeordnet. YOLO26 kann mehrere Objekte in einem einzelnen Bild oder Videobild mit hoher Genauigkeit und Geschwindigkeit erkennen und eignet sich daher ideal für Echtzeitanwendungen wie Überwachungssysteme und autonome Fahrzeuge.
Instanzsegmentierung#
Die Segmentierung geht über die Objekterkennung hinaus, indem sie für jedes Objekt Masken auf Pixelebene erstellt. Diese Präzision ist nützlich für Anwendungen wie medizinische Bildgebung, landwirtschaftliche Analysen und Qualitätskontrolle in der Fertigung.
Semantische Segmentierung#
Bei der semantischen Segmentierung wird jedem Pixel eines Bildes eine Klassenbezeichnung zugewiesen, wodurch eine dichte Klassenkarte der gesamten Szene entsteht. Anders als bei der Instanzsegmentierung werden einzelne Objekte derselben Klasse nicht voneinander unterschieden. Das macht sie ideal für autonomes Fahren, Szenenanalyse und die Kartierung der Landbedeckung, wenn die gesamte räumliche Anordnung wichtiger ist als die Identifizierung einzelner Objekte.
Beispiele zur semantischen Segmentierung
Tiefenschätzung#
Die monokulare Tiefenschätzung sagt anhand eines einzelnen RGB-Bildes für jedes Pixel eine Tiefe in Metern voraus. Die Ausgabe ist eine dichte Float-Karte, die am Eingabebild ausgerichtet ist. Damit eignet sie sich für die 3D-Szenenrekonstruktion, die Navigation von Robotern und AR/VR-Anwendungen, bei denen die räumliche Anordnung aus einer einzelnen Kamera abgeleitet werden muss.
Klassifizierung#
Bei der Klassifizierung werden ganze Bilder anhand ihres Inhalts kategorisiert. Diese Aufgabe ist wichtig für Anwendungen wie Produktkategorisierung im E-Commerce, Inhaltsmoderation und Wildtierüberwachung.
Posenschätzung#
Bei der Pose-Schätzung werden bestimmte Schlüsselpunkte in Bildern oder Videobildern erkannt, um Bewegungen zu verfolgen oder Posen zu schätzen. Diese Schlüsselpunkte können menschliche Gelenke, Gesichtsmerkmale oder andere wichtige Punkte darstellen. YOLO26 erkennt Schlüsselpunkte mit hoher Genauigkeit und Geschwindigkeit und ist dadurch wertvoll für Fitnessanwendungen, Sportanalysen und die Mensch-Computer-Interaktion.
OBB#
Die Erkennung orientierter Begrenzungsrahmen (OBB) erweitert die herkömmliche Objekterkennung um einen Ausrichtungswinkel, damit gedrehte Objekte genauer lokalisiert werden können. Diese Funktion ist besonders wertvoll für die Analyse von Luftbildern, die Dokumentenverarbeitung und industrielle Anwendungen, bei denen Objekte in verschiedenen Winkeln erscheinen. YOLO26 bietet hohe Genauigkeit und Geschwindigkeit bei der Erkennung gedrehter Objekte in vielfältigen Szenarien.
Wie geht es weiter?#
Hast du dich für eine Aufgabe entschieden? Formatiere deine Daten dafür mit dem Leitfaden zu Datensätzen und trainiere anschließend mit deinen eigenen Bildern.
Häufig gestellte Fragen#
Ultralytics YOLO26 ist ein vielseitiges KI-Framework, das verschiedene Computer-Vision-Aufgaben mit hoher Genauigkeit und Geschwindigkeit ausführen kann. Zu diesen Aufgaben gehören:
- Objekterkennung: Objekte in Bildern oder Videobildern erkennen und lokalisieren, indem Begrenzungsrahmen um sie gezogen werden.
- Instanzsegmentierung: Für jedes erkannte Objekt eine Maske auf Pixelebene erstellen, was beispielsweise für medizinische Bildgebung nützlich ist.
- Semantische Segmentierung: Jedem Pixel in einem Bild eine Klassenbezeichnung zuweisen, um eine dichte Szenenerfassung zu ermöglichen.
- Tiefenschätzung: Aus einem einzelnen RGB-Bild eine Tiefenkarte in Metern für jedes Pixel vorhersagen.
- Klassifizierung: Ganze Bilder anhand ihres Inhalts kategorisieren.
- Posenschätzung: Bestimmte Schlüsselpunkte in einem Bild oder Videobild erkennen, um Bewegungen oder Posen zu verfolgen.
- Erkennung orientierter Objekte (OBB): Gedrehte Objekte mit einem zusätzlichen Ausrichtungswinkel erkennen, um die Genauigkeit zu erhöhen.
Gehe wie folgt vor, um Ultralytics YOLO26 zur Objekterkennung zu verwenden:
- Bereite deinen Datensatz im passenden Format vor.
- Trainiere das YOLO26-Modell mit der Erkennungsaufgabe.
- Lass das Modell Vorhersagen erstellen, indem du neue Bilder oder Videobilder einspeist.
Beispielfrom ultralytics import YOLO # Ein vortrainiertes YOLO-Modell laden (den Modelltyp bei Bedarf anpassen) model = YOLO("yolo26n.pt") # Versionen n, s, m, l und x verfügbar # Objekterkennung in einem Bild durchführen results = model.predict(source="image.jpg") # Du kannst auch ein Video, ein Verzeichnis, eine URL usw. verwenden. # Ergebnisse anzeigen results[0].show() # Ergebnisse des ersten Bildes anzeigenAusführlichere Anweisungen findest du in unseren Beispielen zur Erkennung.
Die Verwendung von YOLO26 für Segmentierungsaufgaben bietet mehrere Vorteile:
- Hohe Genauigkeit: Die Segmentierungsaufgabe liefert präzise Masken auf Pixelebene.
- Geschwindigkeit: YOLO26 ist für Echtzeitanwendungen optimiert und verarbeitet auch hochauflösende Bilder schnell.
- Vielfältige Anwendungen: Das Modell eignet sich ideal für die medizinische Bildgebung, autonomes Fahren und andere Anwendungen, die eine detaillierte Bildsegmentierung erfordern.
Weitere Informationen zu den Vorteilen und Anwendungsfällen von YOLO26 für die Segmentierung findest du im Abschnitt zur Bildsegmentierung.
Ja, Ultralytics YOLO26 kann Posenschätzung und Schlüsselpunkterkennung mit hoher Genauigkeit und Geschwindigkeit ausführen. Diese Funktion eignet sich besonders zur Bewegungsverfolgung in der Sportanalyse, im Gesundheitswesen und bei Anwendungen zur Mensch-Computer-Interaktion. YOLO26 erkennt Schlüsselpunkte in einem Bild oder Videobild und ermöglicht so eine präzise Posenschätzung.
Weitere Informationen und Hinweise zur Implementierung findest du in unseren Beispielen zur Posenschätzung.
Die Erkennung orientierter Objekte (OBB) mit YOLO26 sorgt für höhere Präzision, indem sie Objekte mit einem zusätzlichen Winkelparameter erkennt. Diese Funktion ist vorteilhaft für Anwendungen, die eine präzise Lokalisierung gedrehter Objekte erfordern, etwa die Analyse von Luftbildern und die Automatisierung von Lagerhäusern.
- Höhere Präzision: Die Winkelkomponente verringert die Zahl falsch positiver Erkennungen gedrehter Objekte.
- Vielfältige Einsatzmöglichkeiten: Nützlich für Aufgaben in der Geodatenanalyse, der Robotik usw.
Weitere Informationen und Beispiele findest du im Abschnitt zur Erkennung orientierter Objekte.