Startseite

Wir stellen vor: Ultralytics YOLO26, die neueste Version des gefeierten Modells für Echtzeit-Objekterkennung und Bildsegmentierung. YOLO26 basiert auf deep learning und computer vision Fortschritten und bietet eine durchgängige NMS-freie Inferenz sowie eine optimierte Edge-Bereitstellung. Sein schlankes Design macht es für verschiedene Anwendungen geeignet und leicht an unterschiedliche Hardwareplattformen anpassbar, von Edge-Geräten bis hin zu Cloud-APIs. Für stabile Produktions-Workloads werden sowohl YOLO26 als auch YOLO11 empfohlen.

Erkunde die Ultralytics Docs, eine umfassende Ressource, die dir hilft, die Funktionen und Möglichkeiten zu verstehen und zu nutzen. Egal, ob du ein erfahrener machine learning Praktiker oder neu auf dem Gebiet bist, dieser Hub zielt darauf ab, das Potenzial von YOLO in deinen Projekten zu maximieren.

Fordere eine Enterprise-Lizenz für die kommerzielle Nutzung an unter Ultralytics Licensing.

Wo du anfangen kannst

YOLO: Eine kurze Geschichte

YOLO (You Only Look Once), ein beliebtes object detection und image segmentation Modell, wurde von Joseph Redmon und Ali Farhadi an der University of Washington entwickelt. Das 2015 veröffentlichte YOLO gewann durch seine hohe Geschwindigkeit und Genauigkeit an Popularität.

• YOLOv2, 2016 veröffentlicht, verbesserte das ursprüngliche Modell durch die Einbindung von Batch-Normalisierung, Anchor-Boxen und Dimensionsclustern.
• YOLOv3, 2018 gestartet, steigerte die Leistung des Modells weiter durch ein effizienteres Backbone-Netzwerk, mehrere Anker und Spatial Pyramid Pooling.
• YOLOv4 wurde 2020 veröffentlicht und führte Innovationen wie Mosaic data augmentation, einen neuen ankerfreien Detektionskopf und eine neue loss function.
• YOLOv5 verbesserte die Modellleistung weiter und fügte neue Funktionen hinzu, wie z.B. Hyperparameter-Optimierung, integriertes Experiment-Tracking und automatischen Export in gängige Formate.
• YOLOv6 wurde 2022 von Meituan als Open Source veröffentlicht und wird in vielen der autonomen Lieferroboter des Unternehmens eingesetzt.
• YOLOv7 fügte zusätzliche Aufgaben hinzu, wie z.B. Pose Estimation auf dem COCO Keypoints Datensatz.
• YOLOv8, 2023 von Ultralytics veröffentlicht, führte neue Funktionen und Verbesserungen für höhere Leistung, Flexibilität und Effizienz ein und unterstützt eine vollständige Palette von Vision AI Aufgaben.
• YOLOv9 führt innovative Methoden wie Programmable Gradient Information (PGI) und das Generalized Efficient Layer Aggregation Network (GELAN) ein.
• YOLOv10, entwickelt von Forschern der Tsinghua University unter Verwendung des Ultralytics Python package, bietet Echtzeit- object detection Fortschritte durch die Einführung eines End-to-End-Kopfes, der die Anforderungen an Non-Maximum Suppression (NMS) eliminiert.
• YOLO11: Veröffentlicht im September 2024, liefert YOLO11 hervorragende Leistung bei mehreren Aufgaben, einschließlich object detection, segmentation, pose estimation, tracking, und classification, was die Bereitstellung über diverse KI-Anwendungen und Domänen hinweg ermöglicht.
• YOLO26 🚀: Das YOLO-Modell der nächsten Generation von Ultralytics, optimiert für die Edge-Bereitstellung mit End-to-End NMS-freier Inferenz.

YOLO Lizenzen: Wie ist Ultralytics YOLO lizenziert?

Ultralytics bietet zwei Lizenzierungsoptionen für verschiedene Anwendungsfälle:

• AGPL-3.0 Lizenz: Diese OSI-approved Open-Source-Lizenz ist ideal für Studenten und Enthusiasten und fördert offene Zusammenarbeit und Wissensaustausch. Siehe die LICENSE Datei für weitere Details.
• Enterprise Lizenz: Diese für die kommerzielle Nutzung konzipierte Lizenz erlaubt die nahtlose Integration von Ultralytics Software und KI-Modellen in kommerzielle Waren und Dienstleistungen, ohne die Open-Source-Anforderungen der AGPL-3.0 zu umgehen. Wenn dein Szenario das Einbetten unserer Lösungen in ein kommerzielles Angebot beinhaltet, nimm Kontakt auf über Ultralytics Licensing.

Unsere Lizenzierungsstrategie ist darauf ausgelegt sicherzustellen, dass alle Verbesserungen an unseren Open-Source-Projekten an die Community zurückfließen. Wir glauben an Open Source, und unsere Mission ist es sicherzustellen, dass unsere Beiträge auf eine Weise genutzt und erweitert werden können, die jedem zugutekommt.

Die Evolution der Objekterkennung

Die Objekterkennung hat sich über die Jahre signifikant weiterentwickelt, von traditionellen Computer-Vision-Techniken bis hin zu modernen Deep-Learning-Modellen. Die YOLO family of models steht an der Spitze dieser Evolution und erweitert beständig die Grenzen dessen, was bei der Echtzeit-Objekterkennung möglich ist.

YOLOs einzigartiger Ansatz behandelt die Objekterkennung als ein einziges Regressionsproblem und sagt bounding boxes und Klassenwahrscheinlichkeiten direkt aus vollständigen Bildern in einer einzigen Evaluierung voraus. Diese revolutionäre Methode hat YOLO-Modelle signifikant schneller als vorherige zweistufige Detektoren gemacht, während sie eine hohe Genauigkeit beibehalten.

Mit jeder neuen Version hat YOLO architektonische Verbesserungen und innovative Techniken eingeführt, die die Leistung über verschiedene Metriken hinweg gesteigert haben. YOLO26 setzt diese Tradition fort, indem es die neuesten Fortschritte aus der Computer-Vision-Forschung einbezieht, inklusive durchgängiger NMS-freier Inferenz und optimierter Edge-Bereitstellung für Anwendungen in der realen Welt.

FAQ

Was ist Ultralytics YOLO und wie verbessert es die Objekterkennung?

Ultralytics YOLO ist die gefeierte YOLO (You Only Look Once) Serie für Objekterkennung und Bildsegmentierung in Echtzeit. Das neueste Modell, YOLO26, baut auf früheren Versionen auf, indem es NMS-freie End-to-End-Inferenz und optimierte Edge-Bereitstellung einführt. YOLO unterstützt verschiedene Vision-KI-Aufgaben wie Detektion, Segmentierung, Pose-Schätzung, Tracking und Klassifizierung. Seine effiziente Architektur sorgt für exzellente Geschwindigkeit und Genauigkeit und macht es für diverse Anwendungen geeignet, einschließlich Edge-Geräten und Cloud APIs.

Wie kann ich mit der Installation und Einrichtung von YOLO beginnen?

Der Einstieg in YOLO ist schnell und einfach. Du kannst das Ultralytics-Paket mit pip installieren und innerhalb von Minuten einsatzbereit sein. Hier ist ein grundlegender Installationsbefehl:

pip install -U ultralytics

Für eine umfassende Schritt-für-Schritt-Anleitung besuche unsere Quickstart Seite. Diese Ressource hilft dir bei den Installationsanweisungen, der Ersteinrichtung und dem Ausführen deines ersten Modells.

Wie kann ich ein benutzerdefiniertes YOLO-Modell auf meinem Datensatz trainieren?

Das Trainieren eines benutzerdefinierten YOLO-Modells auf deinem Datensatz beinhaltet einige detaillierte Schritte:

1. Bereite deinen annotierten Datensatz vor.
2. Konfiguriere die Trainingsparameter in einer YAML-Datei.
3. Verwende den yolo TASK train Befehl, um das Training zu starten. (Jedes TASK hat sein eigenes Argument)

Hier ist ein Beispielcode für die Objekterkennungsaufgabe:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Für eine detaillierte Anleitung schau dir unsere Modell trainieren Anleitung an, die Beispiele und Tipps zur Optimierung deines Trainingsprozesses enthält.

Welche Lizenzierungsoptionen gibt es für Ultralytics YOLO?

Ultralytics bietet zwei Lizenzierungsoptionen für YOLO an:

• AGPL-3.0 LizenzAGPL-3.0: Diese Open-Source-Lizenz ist ideal für Bildungs- und nicht-kommerzielle Zwecke und fördert die offene Zusammenarbeit.
• Enterprise LizenzEnterprise-Lizenz: Diese ist für kommerzielle Anwendungen konzipiert und ermöglicht die nahtlose Integration von Ultralytics-Software in kommerzielle Produkte ohne die Einschränkungen der AGPL-3.0 Lizenz.

Für weitere Details besuche unsere Licensing Seite.

Wie kann Ultralytics YOLO für die Echtzeit-Objektverfolgung verwendet werden?

Ultralytics YOLO unterstützt effizientes und anpassbares Multi-Objekt-Tracking. Um Tracking-Funktionen zu nutzen, kannst du den yolo track Befehl verwenden, wie unten gezeigt:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Für eine ausführliche Anleitung zur Einrichtung und Durchführung von Objekt-Tracking schau dir unsere Track Mode Dokumentation an, die die Konfiguration und praktische Anwendungen in Echtzeit-Szenarien erklärt.