Von Ultralytics YOLO26 unterstützte Computer-Vision-Aufgaben#
Ultralytics YOLO26 ist ein vielseitiges KI-Framework, das mehrere Computer-Vision-Aufgaben unterstützt. Das Framework kann verwendet werden, um Erkennung, Segmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Pose-Schätzung und OBB durchzuführen. Jede dieser Aufgaben hat ein anderes Ziel und einen anderen Anwendungsfall, sodass du verschiedene Computer-Vision-Herausforderungen mit einem einzigen Framework bewältigen kannst.
Für die geplante YOLO27-Unterstützung siehe die YOLO27-Vorschau. YOLO27 erscheint in Kürze und ist noch nicht verfügbar; dieser Leitfaden verwendet veröffentlichte YOLO26-Modelle.
Watch: Explore Ultralytics YOLO26 Tasks: Object Detection, Segmentation, Depth Estimation, Classification, Pose Estimation, and OBB.
Erkennung#
Die Erkennung ist die primäre Aufgabe, die von YOLO26 unterstützt wird. Sie beinhaltet das Identifizieren von Objekten in einem Bild oder Video-Frame und das Zeichnen von Bounding-Boxen darum herum. Die erkannten Objekte werden basierend auf ihren Merkmalen in verschiedene Kategorien eingeteilt. YOLO26 kann mehrere Objekte in einem einzigen Bild oder Video-Frame mit hoher Genauigkeit und Geschwindigkeit erkennen, wodurch es sich ideal für Echtzeitanwendungen wie Überwachungssysteme und autonome Fahrzeuge eignet.
Instanzsegmentierung#
Die Segmentierung führt die Objekterkennung weiter, indem sie Pixel-Ebene-Masken für jedes Objekt erstellt. Diese Präzision ist nützlich für Anwendungen wie medizinische Bildgebung, landwirtschaftliche Analysen und Qualitätskontrolle in der Fertigung.
Semantische Segmentierung#
Die semantische Segmentierung weist jedem Pixel in einem Bild ein Klassenlabel zu und erzeugt so eine dichte Klassenkarte der gesamten Szene. Im Gegensatz zur Instanzsegmentierung wird dabei nicht zwischen einzelnen Objekten derselben Klasse unterschieden. Dies macht sie ideal für autonomes Fahren, Szenenparsing und Landbedeckungskartierung, bei denen das Verständnis des vollständigen räumlichen Layouts wichtiger ist als die Identifizierung einzelner Objekte.
Beispiele für semantische Segmentierung
Tiefenschätzung#
Die monokulare Tiefenschätzung prognostiziert eine Tiefenkarte pro Pixel in Metern aus einem einzigen RGB-Bild. Das Ergebnis ist eine dichte Gleitkommakarte, die am Eingabebild ausgerichtet ist, wodurch sie sich für 3D-Szenenrekonstruktion, Roboterinbetriebnahme und AR/VR-Anwendungen eignet, bei denen das räumliche Layout aus einer einzigen Kamera abgeleitet werden muss.
Klassifizierung#
Die Klassifizierung umfasst das Kategorisieren ganzer Bilder basierend auf deren Inhalt. Diese Aufgabe ist unverzichtbar für Anwendungen wie Produktkategorisierung im E-Commerce, Inhaltsmoderation und Wildtierüberwachung.
Posenschätzung#
Die Posenschätzung erkennt spezifische Keypoints in Bildern oder Video-Frames, um Bewegungen zu verfolgen oder Posen zu schätzen. Diese Keypoints können menschliche Gelenke, Gesichtsmerkmale oder andere signifikante Interessenpunkte darstellen. YOLO26 zeichnet sich durch Keypoint-Erkennung mit hoher Genauigkeit und Geschwindigkeit aus, was sie wertvoll für Fitnessanwendungen, Sportanalysen und Mensch-Computer-Interaktion macht.
OBB#
Die Erkennung mit orientierten Bounding-Boxen (OBB) erweitert die herkömmliche Objekterkennung um einen Orientierungswinkel, um gedrehte Objekte besser zu lokalisieren. Diese Funktion ist besonders wertvoll für Luftbildanalysen, Dokumentenverarbeitung und industrielle Anwendungen, bei denen Objekte in verschiedenen Winkeln erscheinen. YOLO26 liefert hohe Genauigkeit und Geschwindigkeit beim Erkennen gedrehter Objekte in unterschiedlichen Szenarien.
Fazit#
Ultralytics YOLO26 unterstützt mehrere Computer-Vision-Aufgaben, darunter Erkennung, Instanzsegmentierung, semantische Segmentierung, monokulare Tiefenschätzung, Klassifizierung, Keypoint-Erkennung und orientierte Objekterkennung. Jede Aufgabe deckt spezifische Anforderungen im Computer-Vision-Bereich ab, von der einfachen Objektidentifikation bis hin zur dichten Tiefeninferenz pro Pixel. Indem du die Funktionen und Anwendungen jeder Aufgabe verstehst, kannst du den am besten geeigneten Ansatz für deine spezifischen Computer-Vision-Herausforderungen auswählen und die leistungsstarken Features von YOLO26 nutzen, um effektive Lösungen zu entwickeln.
Wie geht es weiter?#
Hast du eine Aufgabe ausgewählt? Formatiere deine Daten dafür mit der Datensatz-Anleitung und trainiere dann mit deinen eigenen Bildern.
FAQ#
Ultralytics YOLO26 ist ein vielseitiges KI-Framework, das verschiedene Computer-Vision-Aufgaben mit hoher Genauigkeit und Geschwindigkeit ausführen kann. Zu diesen Aufgaben gehören:
- Objekterkennung: Identifizieren und Lokalisieren von Objekten in Bildern oder Video-Frames durch das Zeichnen von Bounding-Boxen um diese herum.
- Instance Segmentation: Erzeugung einer Maske auf Pixelebene für jedes erkannte Objekt, nützlich für Anwendungen wie die medizinische Bildgebung.
- Semantische Segmentierung: Zuweisen eines Klassenlabels zu jedem Pixel in einem Bild für ein dichtes Szenenverständnis.
- Depth Estimation: Vorhersage einer Tiefenkarte pro Pixel in Metern aus einem einzelnen RGB-Bild.
- Klassifizierung: Kategorisieren ganzer Bilder basierend auf deren Inhalt.
- Pose Estimation: Erkennung spezifischer Schlüsselpunkte in einem Bild oder Videobild zur Verfolgung von Bewegungen oder Posen.
- Orientierte Objekterkennung (OBB): Erkennen gedrehter Objekte mit einem hinzugefügten Orientierungswinkel für erhöhte Genauigkeit.
Um Ultralytics YOLO26 für die Objekterkennung zu verwenden, befolge diese Schritte:
- Bereite deinen Datensatz im entsprechenden Format vor.
- Trainiere das YOLO26-Modell mithilfe der Erkennungsaufgabe.
- Verwende das Modell, um Vorhersagen zu treffen, indem du neue Bilder oder Video-Frames einspeist.
Beispielfrom ultralytics import YOLO # Load a pretrained YOLO model (adjust model type as needed) model = YOLO("yolo26n.pt") # n, s, m, l, x versions available # Perform object detection on an image results = model.predict(source="image.jpg") # Can also use video, directory, URL, etc. # Display the results results[0].show() # Show the first image resultsAusführlichere Anweisungen findest du in unseren Erkennungsbeispielen.
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 bietet eine schnelle Verarbeitung selbst bei hochauflösenden Bildern.
- Vielfältige Anwendungen: Es ist ideal für medizinische Bildgebung, autonomes Fahren und andere Anwendungen, die eine detaillierte Bildsegmentierung erfordern.
Erfahre mehr über die Vorteile und Anwendungsfälle von YOLO26 für die Segmentierung im Bereich Bildsegmentierung.
Ja, Ultralytics YOLO26 kann Posenschätzung und Keypoint-Erkennung effektiv mit hoher Genauigkeit und Geschwindigkeit ausführen. Diese Funktion ist besonders nützlich für die Verfolgung von Bewegungen in Sportanalysen, im Gesundheitswesen und bei Anwendungen zur Mensch-Computer-Interaktion. YOLO26 erkennt Keypoints in einem Bild oder Video-Frame, was eine präzise Posenschätzung ermöglicht.
Weitere Details und Implementierungstipps findest du in unseren Posenschätzungsbeispielen.
Die orientierte Objekterkennung (OBB) mit YOLO26 bietet verbesserte Präzision, indem Objekte mit einem zusätzlichen Winkelparameter erkannt werden. Diese Funktion ist vorteilhaft für Anwendungen, die eine genaue Lokalisierung gedrehter Objekte erfordern, wie etwa Luftbildanalysen und Lagerautomatisierung.
- Erhöhte Präzision: Die Winkelkomponente reduziert falsch-positive Ergebnisse bei gedrehten Objekten.
- Vielseitige Anwendungen: Nützlich für Aufgaben in Geospatial-Analysen, Robotik usw.
Schau dir den Bereich für orientierte Objekterkennung an, um weitere Details und Beispiele zu erhalten.