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 Detektion, Segmentierung, semantische Segmentierung, Tiefenschätzung, Klassifikation, 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.
Watch: Explore Ultralytics YOLO Tasks: Object Detection, Segmentation, OBB, Tracking, and Pose Estimation.
Detektion#
Detection ist die primäre Aufgabe, die von YOLO26 unterstützt wird. Dabei werden Objekte in einem Bild oder Videobild identifiziert und mit Bounding Boxes umrandet. Die erkannten Objekte werden basierend auf ihren Merkmalen in verschiedene Kategorien eingeteilt. YOLO26 kann mehrere Objekte in einem einzigen Bild oder Videobild mit hoher accuracy und Geschwindigkeit erkennen, was es ideal für Echtzeitanwendungen wie surveillance systems und autonomous vehicles macht.
Bildsegmentierung#
Die Segmentierung führt die Objekterkennung weiter, indem sie Masken auf Pixelebene für jedes Objekt erzeugt. Diese Präzision ist nützlich für Anwendungen wie medizinische Bildgebung, landwirtschaftliche Analyse und Qualitätskontrolle in der Fertigung.
Semantische Segmentierung#
Die semantische Segmentierung weist jedem Pixel in einem Bild ein Klassenlabel zu und erzeugt eine dichte Klassenkarte der gesamten Szene. Im Gegensatz zur Instanzsegmentierung wird hier nicht zwischen einzelnen Objekten derselben Klasse unterschieden. Dies macht sie ideal für autonomous driving, scene parsing und Landbedeckungskartierung, bei denen das Verständnis des gesamten räumlichen Layouts wichtiger ist als die Identifizierung einzelner Objekte.
Beispiele zur semantischen Segmentierung
Monokulare Tiefenschätzung#
Die monokulare Tiefenschätzung prognostiziert eine Tiefenkarte pro Pixel in Metern aus einem einzelnen RGB-Bild. Die Ausgabe ist eine dichte Float-Karte, die am Eingabebild ausgerichtet ist, wodurch sie sich für 3D-Szenenrekonstruktion, Roboternavigation sowie AR/VR-Anwendungen eignet, bei denen das räumliche Layout von einer einzelnen Kamera abgeleitet werden muss.
Klassifizierung#
Die Klassifizierung beinhaltet die Kategorisierung ganzer Bilder basierend auf ihrem Inhalt. Diese Aufgabe ist essenziell für Anwendungen wie Produktkategorisierung im E-Commerce, Inhaltsmoderation und Wildtierüberwachung.
Pose-Schätzung#
Die Pose-Schätzung erkennt spezifische Schlüsselpunkte in Bildern oder Videobildern, um Bewegungen zu verfolgen oder Posen zu schätzen. Diese Schlüsselpunkte können menschliche Gelenke, Gesichtsmerkmale oder andere signifikante Punkte von Interesse darstellen. YOLO26 zeichnet sich durch eine hohe Genauigkeit und Geschwindigkeit bei der Schlüsselpunkterkennung aus, was es wertvoll für Fitness-Apps, Sportanalytik und Mensch-Computer-Interaktion macht.
OBB#
Die Detektion mit orientierten Begrenzungsrahmen (Oriented Bounding Box, OBB) verbessert die herkömmliche Objekterkennung durch Hinzufügen eines Orientierungswinkels, um rotierte Objekte besser zu lokalisieren. Diese Fähigkeit ist besonders wertvoll für Luftbildanalysen, Dokumentenverarbeitung und industrielle Anwendungen, bei denen Objekte in verschiedenen Winkeln erscheinen. YOLO26 liefert hohe Genauigkeit und Geschwindigkeit bei der Erkennung rotierter Objekte in diversen Szenarien.
Fazit#
Ultralytics YOLO26 unterstützt mehrere Computer Vision-Aufgaben, einschließlich Detektion, Instanzsegmentierung, semantische Segmentierung, monokulare Tiefenschätzung, Klassifizierung, orientierte Objektdetektion und Keypoint-Detektion. Jede Aufgabe adressiert spezifische Anforderungen in der Computer Vision-Landschaft, von der einfachen Objektidentifikation bis zur dichten Tiefeninferenz pro Pixel. Indem du die Fähigkeiten und Anwendungen jeder Aufgabe verstehst, kannst du den passendsten Ansatz für deine spezifischen Computer Vision-Herausforderungen auswählen und die leistungsstarken Funktionen von YOLO26 nutzen, um effektive Lösungen zu entwickeln.
Wie geht es weiter?#
Hast du dich für eine Aufgabe entschieden? Formatiere deine Daten dafür mit dem Datasets guide und trainiere anschließend mit deinen eigenen Bildern.
FAQ#
Ultralytics YOLO26 ist ein vielseitiges KI-Framework, das verschiedene Computer-Vision-Aufgaben mit hoher Genauigkeit und Geschwindigkeit ausführen kann. Diese Aufgaben umfassen:
- Objekterkennung: Identifizierung und Lokalisierung von Objekten in Bildern oder Videobildern durch das Zeichnen von Begrenzungsrahmen um sie herum.
- Bildsegmentierung: Segmentierung von Bildern in verschiedene Regionen basierend auf ihrem Inhalt, nützlich für Anwendungen wie medizinische Bildgebung.
- Semantische Segmentierung: Zuweisung eines Klassenlabels zu jedem Pixel in einem Bild für ein dichtes Szenenverständnis.
- Monokulare Tiefenschätzung: Vorhersage einer Tiefenkarte pro Pixel in Metern aus einem einzelnen RGB-Bild.
- Klassifizierung: Kategorisierung ganzer Bilder basierend auf ihrem Inhalt.
- Pose-Schätzung: Erkennung spezifischer Schlüsselpunkte in einem Bild oder Videobild zur Verfolgung von Bewegungen oder Posen.
- Orientierte Objekterkennung (OBB): Erkennung rotierter Objekte mit einem zusätzlichen Orientierungswinkel für verbesserte Genauigkeit.
Um Ultralytics YOLO26 für die Objekterkennung zu verwenden, befolge diese Schritte:
- Bereite deinen Datensatz im geeigneten Format vor.
- Trainiere das YOLO26-Modell unter Verwendung der Detektionsaufgabe.
- Verwende das Modell, um Vorhersagen zu treffen, indem du neue Bilder oder Videobilder 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 resultsFür detailliertere Anleitungen sieh dir unsere Beispiele zur Detektion an.
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.
- Vielseitige 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 Abschnitt zur Bildsegmentierung.
Ja, Ultralytics YOLO26 kann Pose-Schätzung und Schlüsselpunkterkennung effektiv mit hoher Genauigkeit und Geschwindigkeit durchführen. Diese Funktion ist besonders nützlich für die Verfolgung von Bewegungen in der Sportanalytik, im Gesundheitswesen und in Anwendungen der Mensch-Computer-Interaktion. YOLO26 erkennt Schlüsselpunkte in einem Bild oder Videobild und ermöglicht so eine präzise Pose-Schätzung.
Für weitere Details und Implementierungstipps besuche unsere Beispiele zur Pose-Schätzung.
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 rotierter Objekte erfordern, wie z. B. Luftbildanalysen und Lagerautomatisierung.
- Erhöhte Präzision: Die Winkelkomponente reduziert falsch-positive Ergebnisse bei rotierten Objekten.
- Vielseitige Anwendungen: Nützlich für Aufgaben in der Geodatenanalyse, Robotik usw.
Sieh dir den Abschnitt zur orientierten Objekterkennung für weitere Details und Beispiele an.