Von Ultralytics YOLO26 unterstützte Computer-Vision-Aufgaben#
Ultralytics YOLO26 ist ein vielseitiges KI-Framework, das mehrere computer vision tasks unterstützt. Das Framework kann verwendet werden, um detection, segmentation, semantic segmentation, depth estimation, classification, pose-Schätzung und OBB durchzuführen. Jede dieser Aufgaben hat ein anderes Ziel und einen anderen Anwendungsfall, sodass du verschiedene Herausforderungen im Bereich Computer Vision mit einem einzigen Framework bewältigen kannst.
Watch: Explore Ultralytics YOLO26 Tasks: Object Detection, Segmentation, Depth Estimation, Classification, Pose Estimation, and OBB.
Detektion#
Detection ist die primäre Aufgabe, die von YOLO26 unterstützt wird. Sie umfasst das Identifizieren von Objekten in einem Bild oder Videobild und das Zeichnen von Bounding Boxes um diese herum. 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, wodurch es ideal für Echtzeitanwendungen wie surveillance systems und autonomous vehicles ist.
Image segmentation#
Segmentation geht über die Objekterkennung hinaus, indem sie pixelgenaue Masken für jedes Objekt erstellt. Diese Präzision ist nützlich für Anwendungen wie medical imaging, agricultural analysis und manufacturing quality control.
Semantic Segmentation#
Semantic segmentation weist jedem Pixel in einem Bild ein Klassenlabel zu und erstellt so eine dichte Klassenkarte der gesamten Szene. Im Gegensatz zur Instanzsegmentierung wird hierbei nicht zwischen einzelnen Objekten derselben Klasse unterschieden. Dies macht sie ideal für autonomous driving, scene parsing und Landbedeckungskartierung, bei denen das Verständnis des vollständigen räumlichen Layouts wichtiger ist als das Identifizieren einzelner Objekte.
Beispiele für semantische Segmentierung
Monocular Depth Estimation#
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.
Classification#
Classification beinhaltet das Kategorisieren ganzer Bilder basierend auf ihrem Inhalt. Diese Aufgabe ist unerlässlich für Anwendungen wie product categorization im E-Commerce, content moderation und wildlife monitoring.
Pose estimation#
Pose estimation erkennt spezifische Keypoints in Bildern oder Videobildern, um Bewegungen zu verfolgen oder Posen zu schätzen. Diese Keypoints können menschliche Gelenke, Gesichtsmerkmale oder andere signifikante Punkte von Interesse darstellen. YOLO26 zeichnet sich durch die Keypoint-Erkennung mit hoher Genauigkeit und Geschwindigkeit aus, was es wertvoll für fitness applications, sports analytics und human-computer interaction macht.
OBB#
Oriented Bounding Box (OBB) detection verbessert die herkömmliche Objekterkennung durch das Hinzufügen eines Orientierungswinkels, um gedrehte Objekte besser zu lokalisieren. Diese Funktion ist besonders wertvoll für aerial imagery analysis, document processing und industrial applications, bei denen Objekte in verschiedenen Winkeln auftreten. YOLO26 liefert hohe Genauigkeit und Geschwindigkeit beim Erkennen gedrehter Objekte in verschiedensten Szenarien.
Fazit#
Ultralytics YOLO26 unterstützt verschiedene Computer-Vision-Aufgaben, darunter Objekterkennung, Instanzsegmentierung, semantische Segmentierung, monokulare Tiefenschätzung, Klassifizierung, Keypoint-Erkennung und orientierte Objekterkennung. Jede Aufgabe deckt spezifische Anforderungen im Bereich Computer Vision ab – von der einfachen Objektidentifikation bis hin zur dichten Tiefenanalyse auf Pixelebene. Wenn du die Funktionen und Einsatzmöglichkeiten der einzelnen Aufgaben 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 dem Datasets guide 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. Diese Aufgaben umfassen:
- Object Detection: Identifizieren und Lokalisieren von Objekten in Bildern oder Videobildern durch das Zeichnen von Bounding Boxes um diese herum.
- Image segmentation: Segmentieren von Bildern in verschiedene Regionen basierend auf ihrem Inhalt, nützlich für Anwendungen wie medizinische Bildgebung.
- Semantic Segmentation: Zuweisen eines Klassenlabels zu jedem Pixel in einem Bild für ein dichtes Szenenverständnis.
- Monocular Depth Estimation: Vorhersage einer Tiefenkarte pro Pixel in Metern aus einem einzelnen RGB-Bild.
- Classification: Kategorisieren ganzer Bilder basierend auf ihrem Inhalt.
- Pose estimation: Erkennen spezifischer Keypoints in einem Bild oder Videobild, um Bewegungen oder Posen zu verfolgen.
- Oriented Object Detection (OBB): Erkennen gedrehter Objekte mit einem hinzugefügten 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 resultsWeitere detaillierte Anweisungen findest du in unseren detection examples.
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 image segmentation section.
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.
Weitere Details und Implementierungstipps findest du in unseren pose estimation examples.
Oriented Object Detection (OBB) mit YOLO26 bietet eine verbesserte precision durch das Erkennen von Objekten mit einem zusätzlichen Winkelparameter. Diese Funktion ist vorteilhaft für Anwendungen, die eine präzise Lokalisierung gedrehter Objekte erfordern, wie etwa die Analyse von Luftbildern und die Lagerautomatisierung.
- Erhöhte Präzision: Die Winkelkomponente reduziert falsch-positive Ergebnisse bei rotierten Objekten.
- Vielseitige Anwendungen: Nützlich für Aufgaben in der Geodatenanalyse, Robotik usw.
Besuche den Abschnitt Oriented Object Detection section für weitere Details und Beispiele.