Objekterkennung mit Ultralytics YOLO#

Objekterkennung ist eine Aufgabe, bei der Objekte in einem Bild oder Videostream erkannt und ihre Position sowie Klasse bestimmt werden.

Die Ausgabe eines Objektdetektors besteht aus Begrenzungsrahmen, die die Objekte im Bild umschließen, sowie Klassenbezeichnungen und Konfidenzwerten für jeden Rahmen. Die Objekterkennung eignet sich, wenn du Objekte von Interesse in einer Szene erkennen musst, ihre genaue Form aber nicht kennen musst.

Modelle#

Die mit dem Datensatz COCO vortrainierten YOLO26-Detect-Modelle sind unten aufgeführt.

Modelle werden bei der ersten Verwendung automatisch aus der neuesten Ultralytics-Version heruntergeladen.

• mAP^val-Werte gelten für ein einzelnes Modell mit einer Bildskalierung auf dem Datensatz COCO val2017.
  Mit yolo detect val data=coco.yaml device=0 reproduzieren. nms=False hinzufügen, um die e2e-Spalte zu reproduzieren.
• Geschwindigkeit: Durchschnitt über COCO-val-Bilder mit ONNX auf einer CPU und TensorRT10 auf einer NVIDIA-T4-GPU.
  Mit yolo detect val data=coco.yaml batch=1 device=0|cpu nms=False reproduzieren
• Die Werte für Parameter und FLOPs gelten für zusammengeführte Modelle nach dem Zusammenführen von Conv/BatchNorm und dem Entfernen des ungenutzten Erkennungszweigs. Vortrainierte Prüfpunkte behalten die vollständige Trainingsarchitektur bei und können daher höhere Werte aufweisen.

Vorläufige Ergebnisse der COCO-Erkennung findest du in der unveröffentlichten YOLO27-Vorschau.

Trainieren#

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

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n.yaml")  # ein neues Modell aus YAML erstellen
model = YOLO("yolo26n.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # aus YAML erstellen und Gewichte übertragen

# Das Modell trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Ausführliche Informationen zum Modus train findest du auf der Seite Trainieren. Erkennungsmodelle lassen sich auch mit dem Cloud-Training der Ultralytics Platform trainieren.

Datensatzformat#

Eine ausführliche Beschreibung des YOLO-Formats für Erkennungsdatensätze findest du im Leitfaden zu Datensätzen. Um einen vorhandenen COCO-JSON-Datensatz in das YOLO-Format umzuwandeln, verwende die integrierte Funktion convert_coco, die im Leitfaden zur Umwandlung von COCO in YOLO beschrieben ist. Mit den KI-gestützten Anmerkungswerkzeugen der Ultralytics Platform kannst du außerdem Erkennungsdatensätze annotieren und verwalten.

Validieren#

Überprüfe die Genauigkeit des trainierten YOLO26n-Modells. Es sind keine Argumente erforderlich, da model die Trainings-data und Argumente als Modellattribute speichert: path/to/best.pt aus dem Beispiel Trainieren validiert mit COCO8. In offiziellen Gewichten ist ein Trainingsdatensatzpfad gespeichert, der auf deinem Rechner nicht vorhanden ist. Deshalb wird mit einer Warnung auf den Standardwert coco8.yaml für die Aufgabe zurückgegriffen. Übergib data, um einen anderen Datensatz für die Validierung zu verwenden.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n.pt")  # Ein offizielles Modell laden
model = YOLO("path/to/best.pt")  # Ein benutzerdefiniertes Modell laden

# Das Modell validieren
metrics = model.val()  # Keine Argumente erforderlich, Datensatz und Einstellungen werden gespeichert
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # Eine Liste mit mAP50-95-Werten für jede Kategorie
metrics.box.image_metrics  # Kennzahlenverzeichnis pro Bild mit Präzision, Trefferquote, F1, TP, FP und FN

Vorhersagen#

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

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n.pt")  # Ein offizielles Modell laden
model = YOLO("path/to/best.pt")  # Ein benutzerdefiniertes Modell laden

# Mit dem Modell Vorhersagen erstellen
results = model("https://ultralytics.com/images/bus.jpg")  # Eine Vorhersage für ein Bild erstellen

# Auf die Ergebnisse zugreifen
for result in results:
    xywh = result.boxes.xywh  # Mittelpunkt-x, Mittelpunkt-y, Breite, Höhe
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # Oben-links-x, oben-links-y, unten-rechts-x, unten-rechts-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # Klassenname jedes Rahmens
    confs = result.boxes.conf  # Konfidenzwert jedes Rahmens

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

Ausgabe der Ergebnisse#

Die Objekterkennung gibt für jedes Bild ein Results-Objekt zurück. Das zentrale Vorhersagefeld ist result.boxes; es enthält Rahmenkoordinaten, Klassen-IDs und Konfidenzwerte für jedes erkannte Objekt.

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

Exportieren#

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

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n.pt")  # Ein offizielles Modell laden
model = YOLO("path/to/best.pt")  # Ein benutzerdefiniertes Modell laden

# Modell exportieren
model.export(format="onnx")

Die verfügbaren YOLO26-Exportformate sind in der Tabelle unten aufgeführt. Mit dem Argument format kannst du in jedes Format exportieren, zum Beispiel mit format='onnx' oder format='engine'. Du kannst Vorhersagen direkt mit exportierten Modellen erstellen oder sie validieren, zum Beispiel mit yolo predict model=yolo26n.onnx. Nach Abschluss des Exports werden Beispiele zur Verwendung deines Modells angezeigt.

nms=None gibt standardmäßig Rohdaten für die externe NMS aus. Lege nms=False fest, um einen verfügbaren Kopf ohne NMS auszuwählen; nicht unterstützte Formate greifen auf ihren nativen Ausgabepfad zurück. Die obigen Einträge nms kennzeichnen Formate, die NMS mit nms=True integrieren können.

Ausführliche Informationen zu export findest du auf der Seite Export.

Häufig gestellte Fragen#