Object Detection with Ultralytics YOLO#

Object detection ist eine Aufgabe, die das Identifizieren der Position und der Klasse von Objekten in einem Bild oder Videostream umfasst.

Das Ergebnis eines Objektdetektors ist eine Reihe von Begrenzungsrahmen, die die Objekte im Bild umschließen, zusammen mit Klassenbeschriftungen und Konfidenzwerten für jeden Rahmen. Objekterkennung ist eine gute Wahl, wenn du Objekte von Interesse in einer Szene identifizieren musst, aber nicht genau wissen musst, wo sich das Objekt befindet oder welche genaue Form es hat.

Models#

Hier werden vorab trainierte YOLO26 Detect-Modelle gezeigt. Detect-, Segment- und Pose-Modelle sind auf dem COCO-Datensatz vorab trainiert, Semantic-Modelle sind auf Cityscapes vorab trainiert und Classify-Modelle sind auf dem ImageNet-Datensatz vorab trainiert.

Modelle werden bei der ersten Verwendung automatisch vom neuesten Ultralytics-Release heruntergeladen.

• mAP^val-Werte gelten für ein einzelnes Modell im Einzelskalierungsmodus auf dem COCO val2017-Datensatz.
  Reproduzieren mit yolo val detect data=coco.yaml device=0
• Geschwindigkeit gemittelt über COCO-val-Bilder unter Verwendung einer Amazon EC2 P4d-Instanz.
  Reproduzieren mit yolo val detect data=coco.yaml batch=1 device=0|cpu
• Params- und FLOPs-Werte gelten für das fusionierte Modell nach model.fuse(), welches Conv- und BatchNorm-Schichten zusammenführt und bei End-to-End-Modellen den zusätzlichen One-to-Many-Erkennungskopf entfernt. Vorab trainierte Checkpoints behalten die vollständige Trainingsarchitektur bei und können höhere Anzahlen aufweisen.

Trainieren#

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

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)

Siehe vollständige train-Modusdetails auf der Train-Seite. Erkennungsmodelle können auch mit dem Ultralytics Platform Cloud-Training trainiert werden.

Datensatzformat#

Das YOLO-Erkennungsdatenformat wird im Detail im Dataset Guide beschrieben. Um deinen bestehenden Datensatz aus anderen Formaten (wie COCO usw.) in das YOLO-Format zu konvertieren, verwende bitte das JSON2YOLO-Tool von Ultralytics. Du kannst Erkennungsdatensätze auch mit den KI-gestützten Annotationstools der Ultralytics Platform annotieren und verwalten.

Validieren#

Validiere die Genauigkeit des trainierten YOLO26n-Modells auf dem COCO8-Datensatz. Es sind keine Argumente erforderlich, da model seine 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

Vorhersagen#

Verwende ein trainiertes YOLO26n-Modell, um Vorhersagen auf Bildern 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

Weitere Details zum predict-Modus findest du auf der Predict-Seite.

Ergebnisausgabe#

Die Objekterkennung gibt ein Results-Objekt pro Bild zurück. Das primäre Vorhersagefeld ist result.boxes, welches Box-Koordinaten, Klassen-IDs und Konfidenzwerte für jedes erkannte Objekt enthält.

Aufgabenspezifische Results-Felder für alle Aufgaben findest du im Abschnitt Predict Results by Task.

Exportieren#

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 Tabelle unten aufgeführt. Du kannst mit dem Argument format, d. h. format='onnx' oder format='engine', in jedes Format exportieren. Du kannst direkt mit exportierten Modellen vorhersagen oder validieren, d. h. yolo predict model=yolo26n.onnx. Nach Abschluss des Exports werden Nutzungsbeispiele für dein Modell angezeigt.

Weitere Details zum export-Modus findest du auf der Export-Seite.

FAQ#