So verwendest du den Referenzbereich der Ultralytics YOLO-Dokumentation

Heutzutage ist künstliche Intelligenz (AI) zugänglicher als je zuvor. Dadurch kann jeder in die Welt der KI eintauchen und schnell verschiedene KI-Modelle für zahlreiche anspruchsvolle Aufgaben einsetzen.

Beispielsweise ist Computer Vision ein Teilgebiet der künstlichen Intelligenz, das es Computern ermöglicht, visuelle Informationen aus Bildern und Videos zu interpretieren und zu verstehen. Computer-Vision-Modelle wie Ultralytics YOLO11 lassen sich einfach nutzen.

Ultralytics YOLO11 unterstützt Aufgaben wie Objekterkennung, Instanzsegmentierung und Bildklassifizierung und kann für Anwendungen wie autonomes Fahren, Sicherheitsüberwachung und Einzelhandelsanalysen eingesetzt werden.

Abb. 1. Ultralytics YOLO11 kann zum Erkennen verschiedener Objekte eingesetzt werden.

Das Ultralytics Python-Paket stellt benutzerfreundliche Werkzeuge bereit, mit denen du diese KI-Modelle schnell trainieren, anpassen und bereitstellen kannst. So können Anwender aller Erfahrungsstufen problemlos fortschrittliche Computer-Vision-Anwendungen entwickeln.

Wenn du jedoch genauer verstehen möchtest, wie alles funktioniert, oder eigene Anpassungen erstellen willst, ist der Referenzbereich der Ultralytics-Dokumentation eine hervorragende Ressource. Er erläutert die internen Abläufe des Ultralytics Python-Pakets, darunter den Umgang mit deinen Daten, den Modelltrainingsprozess und die Visualisierung von Vorhersagen.

In diesem Artikel werfen wir einen genaueren Blick auf den Referenzbereich der Ultralytics-Dokumentation und darauf, wie du ihn bei der Arbeit an Computer-Vision-Projekten verwendest. Legen wir los!

Ein genauerer Blick auf die Arbeit mit Ultralytics YOLO-Modellen#

Die Arbeit mit dem Ultralytics Python-Paket ist einfach und unkompliziert. Du kannst YOLO-Modelle trainieren oder mit nur wenigen Codezeilen Objekte erkennen.

Sobald du mit der Arbeit mit Computer-Vision-Modellen vertraut bist, hilft dir der Referenzbereich der Ultralytics-Dokumentation, genauer zu untersuchen, wie der Code funktioniert und welche Funktionen das Paket unterstützt. Er enthält außerdem leicht verständliche Erklärungen, konfigurierbare Optionen und Links zu relevantem Code im Ultralytics GitHub-Repository.

Er erklärt den Aufbau des Ultralytics Python-Pakets und behandelt wichtige Komponenten wie die Modelle Einrichtung, das Laden von Daten, den Trainingsprozess sowie die Erstellung und Rückgabe von Vorhersagen.

Alles ist in übersichtlichen Kategorien organisiert, sodass du leicht findest, wonach du suchst. Wenn du beispielsweise ein Modell mit deinem eigenen Datensatz trainierst, kannst du den auf Daten ausgerichteten Teil des Referenzbereichs aufrufen. Dort erhältst du ein besseres Verständnis dafür, wie deine Daten für das Modelltraining verwendet werden.

Erste Schritte mit dem Referenzbereich#

Wenn du den Referenzbereich in der Ultralytics YOLO-Dokumentation öffnest, findest du auf der linken Seite ein Menü mit verschiedenen Referenzkategorien. Jede Kategorie steht für einen bestimmten Teil der Ultralytics-Codebasis, beispielsweise Modelle, Datenverarbeitung oder Trainingsfunktionen.

Wenn du auf eine Kategorie klickst, gelangst du zu einer Seite mit weiteren Einzelheiten.

Abb. 2. Auf der linken Seite findest du ein Menü mit verschiedenen Referenzkategorien.

Auf der rechten Seite findest du außerdem das Inhaltsverzeichnis, das jede Referenzseite in wichtige Komponenten wie Funktionen (wiederverwendbare Codeblöcke), Klassen (Vorlagen zum Erstellen von Objekten) und Methoden (innerhalb von Klassen definierte Funktionen) aufgliedert. So kannst du direkt zu dem springen, wonach du suchst.

Abb. 3. Auf der rechten Seite findest du ein Inhaltsverzeichnis für die jeweilige Referenzseite, die du gerade ansiehst.

Der Aufbau des Ultralytics GitHub-Repositorys#

Das Ultralytics GitHub-Repository ist anhand verschiedener Teile des Ultralytics-Pakets in Unterverzeichnisse oder Unterpakete gegliedert, beispielsweise für Modelle, Training und Daten. Der Referenzbereich der Dokumentation folgt derselben Struktur. Dadurch lässt sich leichter nachvollziehen, wie alles zusammenpasst.

Hier findest du einige der wichtigsten Unterverzeichnisse oder Kategorien, die du sowohl im Ultralytics GitHub-Repository als auch im Referenzbereich der Ultralytics-Dokumentation sehen wirst:

• Modelle: Dieser Bereich konzentriert sich auf verschiedene Modelle und ihre Modi, etwa das Erstellen von Vorhersagen, das Überprüfen der Leistung und das Exportieren trainierter Modelle.
• Engine: Dieser Bereich enthält die zentrale Logik für das Trainieren, Validieren, Vorhersagen, Exportieren und Bewerten von Modellen.
• Daten: Dieser Bereich verwaltet das Laden, Verarbeiten und Erweitern von Datensätzen. Dazu gehören Funktionen zum Erstellen von Dataloadern (Werkzeuge, die Daten stapelweise in das Modell einspeisen), zum Anwenden von Transformationen (Änderungen an Bildern wie Größenänderungen oder Spiegelungen, die dem Modell helfen, besser zu lernen) und zum Vorbereiten von Daten (Organisieren und Formatieren von Bildern und Beschriftungen) für das Training.
• Utils: Dieser Bereich stellt zahlreiche Hilfsfunktionen bereit, die in der gesamten Codebasis verwendet werden, beispielsweise Werkzeuge zur Visualisierung, Dateiverarbeitung und Berechnung von Metriken.
• HUB: Dieser Bereich stellt eine Verbindung zu Ultralytics HUB, einer No-Code-Plattform für Computer Vision, her und ermöglicht Cloud-Funktionen wie das Anmelden, Hochladen von Modellen und Verwalten von Datensätzen über eine API.
• Tracker: Dieser Bereich implementiert Logik zur Objektverfolgung für Anwendungen mit Videos oder Bildsequenzen, die Bild für Bild verarbeitet werden.

Jedes dieser Unterverzeichnisse im GitHub-Repository verfügt über einen entsprechenden Abschnitt in der Dokumentation. Diese Struktur wurde bewusst gespiegelt, sodass du leichter zwischen dem Lesen der Dokumentation und dem Erkunden des Quellcodes wechseln kannst.

Auf vielen Referenzseiten wird sogar der eigentliche Quellcode angezeigt. So kannst du genau sehen, wie Funktionen und Klassen implementiert sind, ohne die Dokumentation zu verlassen.

Abb. 4. Der Quellcode ist ebenfalls in den Referenzseiten enthalten.

Die Komponenten für Modelle, Engine und Daten verstehen#

Nachdem wir gesehen haben, wie der Referenzbereich organisiert ist, werfen wir nun einen genaueren Blick auf drei wichtige Teile des Ultralytics-Pakets: Modelle, Engine und Daten.

Das Unterverzeichnis für Modelle enthält den Code, der festlegt, wie die einzelnen Modelltypen funktionieren. Es ist sowohl nach Modelltypen (wie YOLO, FastSAM oder RT-DETR) als auch nach Aufgaben wie Erkennung, Segmentierung oder Klassifizierung organisiert. In jedem dieser Bereiche findest du Dateien oder Module, die bestimmte Aktionen übernehmen – beispielsweise, wie das Modell Vorhersagen erstellt, wie es trainiert wird oder wie seine Leistung bewertet wird.

Das Unterverzeichnis für die Engine arbeitet im Hintergrund und verwaltet den gesamten Prozess. Während sich das Unterverzeichnis für Modelle darauf konzentriert, was die einzelnen Modelle tun sollen, konzentriert sich das Engine-Unterverzeichnis darauf, wie diese Aufgaben konsistent und effizient ausgeführt werden.

Das Unterverzeichnis für Daten ist außerdem für das Laden und Vorbereiten von Datensätzen zuständig. Dieser Teil der Codebasis stellt sicher, dass deine Trainingsdaten sauber, strukturiert und vielfältig sind, damit das Modell besser lernt und effektiver verallgemeinert.

Diese klare Trennung erleichtert die Wartung des Codes und gibt dir die Flexibilität, ihn anzupassen.

Beispiele für die Verwendung des Referenzbereichs#

Vielleicht fragst du dich, warum es wichtig ist, die verschiedenen Teile der Ultralytics-Codebasis zu verstehen. Wenn du weißt, welcher Teil des Codes welche Aufgabe übernimmt, kannst du die benötigten Informationen leichter finden, Änderungen vornehmen oder Probleme beheben.

Hier sind einige Beispiele dafür, wie du den Referenzbereich der Dokumentation verwenden kannst:

• Wenn du dich fragst: „Wie erstellt das Modell Vorhersagen?“, kannst du im Referenzbereich zur Kategorie „Modelle“ gehen, einen Modelltyp (z. B. YOLO) auswählen, eine Aufgabe (z. B. detect) festlegen und anschließend die Seite „Predict“ öffnen, um weitere Informationen zu erhalten.
• Wenn du wissen möchtest, wie Datenerweiterungen angewendet werden, kannst du die Seite „Augment“ in der Kategorie „Daten“ aufrufen. Dort sind die integrierten Erweiterungstechniken aufgeführt, die die Modellleistung und die Vielfalt der Trainingsdaten verbessern.

Ergebnisse über den Referenzbereich untersuchen#

Der Referenzbereich ist auch hilfreich, wenn du die von deinem Modell zurückgegebenen Ausgaben verstehen möchtest. Nachdem ein Modell wie Ultralytics YOLO11 eine Inferenz für ein Bild ausgeführt hat, gibt es eine Reihe von Ergebnissen zurück, die beschreiben, was erkannt wurde.

In einem Kamerastream könnte es beispielsweise eine Person erkennen und ihre Position mit einer Begrenzungsbox hervorheben. Dazu gehört ein Konfidenzwert – ein Wert zwischen 0 und 1, der angibt, wie sicher sich das Modell bei der Erkennung ist.

Wenn du verstehen möchtest, wie du diese Ausgabe in deinem Projekt verwendest, kann dich der Referenzbereich dabei unterstützen. Er enthält eine Seite für das Results-Modul, auf der die enthaltenen Elemente und ihr Zugriff im Code erläutert werden. Dort erfährst du, wie du Erkennungsboxen anzeigst, Konfidenzwerte überprüfst, Ergebnisse darstellst oder speicherst.

Abb. 5. Beispiel für die Visualisierung von Ergebnissen, die von YOLO11 zurückgegeben werden.

Wichtige Erkenntnisse#

Die Ultralytics-Dokumentation hilft dir, YOLO-Modelle effektiv zu verwenden. Sie erklärt wichtige Prozesse wie das Trainieren von Modellen, das Vorbereiten von Daten und die Arbeit mit Ergebnissen. Jede Seite enthält klare Erklärungen und Beispielcode, damit du schnell loslegen kannst.

Wenn du neugierig bist, was im Hintergrund geschieht, erläutert der Referenzbereich der Dokumentation die Abläufe ebenfalls Schritt für Schritt. Er zeigt, wie der Code strukturiert ist, welche Aufgabe die einzelnen Teile übernehmen und wie alles zusammenarbeitet. So kannst du leichter lernen, Anpassungen vornehmen und selbstbewusst eigene Computer-Vision-Projekte entwickeln.

Werde Teil unserer aktiven Community und erkunde das GitHub-Repository, um mehr über die Entwicklung mit KI zu erfahren. Bereit, deine eigenen Computer-Vision-Ideen umzusetzen? Besuche unsere Lizenzoptionen, um loszulegen. Erfahre auf unseren Lösungsseiten, wie Vision AI im Automobilbereich und KI im Gesundheitswesen Wirkung zeigen.