Objekterkennung mit Ultralytics YOLO#

Objekterkennung ist eine Aufgabe, bei der die Position und Klasse von Objekten in einem Bild oder Videostream bestimmt werden.

Die Ausgabe eines Objektdetektors besteht aus einer Reihe von Begrenzungsrahmen, die die Objekte im Bild einschließen, sowie Klassenbezeichnungen und Konfidenzwerten für jeden Rahmen. Objekterkennung ist eine gute Wahl, wenn du Objekte von Interesse in einer Szene erkennen musst, aber nicht genau wissen musst, wo sich das Objekt befindet oder welche exakte Form es hat.

Modelle#

Hier werden vortrainierte YOLO26-Detect-Modelle angezeigt. Detect-, Segment- und Pose-Modelle wurden auf dem COCO-Datensatz vortrainiert, Semantik-Modelle auf Cityscapes, und Classify-Modelle auf dem ImageNet-Datensatz.

Modelle werden bei der ersten Verwendung automatisch aus dem neuesten Release von Ultralytics heruntergeladen.

• mAP^val-Werte gelten für Einzelmodelle im Einzelskalierungsmodus auf dem COCO val2017-Datensatz.
  Reproduziere dies mit yolo val detect data=coco.yaml device=0. Füge nms=False hinzu, um die e2e-Spalte zu reproduzieren.
• Geschwindigkeit, gemittelt über COCO-val-Bilder unter Verwendung einer Amazon-EC2-P4d-Instanz.
  Reproduziere sie mit yolo val detect data=coco.yaml batch=1 device=0|cpu nms=False
• Params- und FLOPs-Werte beziehen sich auf fusionierte Modelle nach der Conv/BatchNorm-Faltung und dem Entfernen des nicht verwendeten Erkennungszweigs. Vortrainierte Checkpoints behalten die vollständige Trainingsarchitektur bei und können höhere Anzahlen aufweisen.

Siehe die unveröffentlichte YOLO27-Vorschau für vorläufige COCO-Erkennungsergebnisse.

Trainieren#

Trainiere YOLO26n 100 Epochen lang mit dem COCO8-Datensatz bei einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Konfiguration.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Ausführliche Informationen zum Modus train findest du auf der Seite Train. Erkennungsmodelle können auch mit dem Cloud-Training der Ultralytics Platform trainiert werden.

Datensatzformat#

Das YOLO-Erkennungsdatensatzformat wird im Detail im Dataset Guide beschrieben. Um einen bestehenden COCO-JSON-Datensatz in das YOLO-Format zu konvertieren, nutzt du die integrierte convert_coco-Funktion, die im COCO to YOLO guide beschrieben wird. Du kannst Erkennungsdatensätze auch mit den Ultralytics Platform's AI-assisted annotation tools annotieren und verwalten.

Validierung#

Überprüfe die Genauigkeit eines trainierten YOLO26n-Modells auf dem COCO8-Datensatz. Es sind keine Argumente erforderlich, da model die Trainings-data und -Argumente als Modelleigenschaften beibehält.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Vorhersage#

Verwende ein trainiertes YOLO26n-Modell, um Vorhersagen für Bilder auszuführen.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xywh = result.boxes.xywh  # center-x, center-y, width, height
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # top-left-x, top-left-y, bottom-right-x, bottom-right-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # class name of each box
    confs = result.boxes.conf  # confidence score of each box

Ausführliche Informationen zum Modus predict findest du auf der Seite Predict.

Ausgabe der Ergebnisse#

Die Objekterkennung gibt ein Results-Objekt pro Bild zurück. Das wichtigste Vorhersagefeld ist result.boxes; es enthält die Koordinaten der Rahmen, Klassen-IDs und Konfidenzwerte für jedes erkannte Objekt.

Task-spezifische Felder Results für alle Tasks findest du im Abschnitt Vorhersageergebnisse nach Task.

Export#

Exportiere ein YOLO26n-Modell in ein anderes Format wie ONNX, CoreML usw.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

Die verfügbaren YOLO26-Exportformate sind in der folgenden Tabelle aufgeführt. Du kannst mit dem Argument format in jedes Format exportieren, also mit format='onnx' oder format='engine'. Du kannst Vorhersagen direkt auf exportierten Modellen ausführen oder sie validieren, also mit yolo predict model=yolo26n.onnx. Nach Abschluss des Exports werden Verwendungsbeispiele für dein Modell angezeigt.

nms=None verwendet standardmäßig Rohausgaben für externes NMS. Setze nms=False, um einen verfügbaren NMS-freien Kopf auszuwählen; nicht unterstützte Formate greifen auf ihren nativen Ausgabepfad zurück. Die Einträge nms oben identifizieren Formate, die NMS mit nms=True einbetten können.

Ausführliche Informationen zu export findest du auf der Seite Export.

FAQ#