Wie man den Referenzbereich der Ultralytics YOLO-Dokumentation nutzt

Heutzutage ist künstliche Intelligenz (KI) zugänglicher denn je, was es jedem ermöglicht, einzusteigen und schnell verschiedene KI-Modelle für diverse innovative Aufgaben zu nutzen.

Zum Beispiel ist computer vision ein KI-Zweig, der es Computern ermöglicht, visuelle Informationen aus Bildern und Videos zu interpretieren und zu verstehen, und Computer-Vision-Modelle wie Ultralytics YOLO11 machen den Einstieg ganz einfach.

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

Abb. 1: Ultralytics YOLO11 kann verwendet werden, um verschiedene Objekte zu erkennen.

Genauer gesagt bietet das Ultralytics Python package benutzerfreundliche Tools zum schnellen Trainieren, Anpassen und Bereitstellen dieser KI-Modelle, sodass Benutzer aller Erfahrungsstufen problemlos fortgeschrittene Computer-Vision-Anwendungen erstellen können.

Wenn du jedoch tiefer in die Funktionsweise eintauchen oder eigene Anpassungen vornehmen möchtest, ist der Reference section der Ultralytics-Dokumentation eine großartige Ressource. Sie behandelt die internen Abläufe des Ultralytics Python package, einschließlich der Handhabung deiner Daten, des Modelltrainingsprozesses und der Visualisierung von Vorhersagen.

In diesem Artikel werfen wir einen genaueren Blick auf den Referenz-Bereich der Ultralytics-Dokumentation und wie du ihn bei der Arbeit an Computer-Vision-Projekten nutzen kannst. Lass uns anfangen!

Ein tieferer Einblick in die Arbeit mit Ultralytics YOLO-Modellen#

Die Arbeit mit dem Ultralytics Python package ist einfach und unkompliziert. Du kannst YOLO-Modelle trainieren oder detect objects in Bildern mit nur wenigen Zeilen Code erkennen.

Sobald du jedoch mit Computer-Vision-Modellen vertraut bist, hilft dir der Referenzbereich der Ultralytics-Dokumentation dabei, einen tieferen Einblick in how the code works und die vom Paket unterstützten Funktionen zu erhalten. Er enthält außerdem leicht verständliche Erklärungen, konfigurierbare Optionen und Links zu relevantem Code im Ultralytics GitHub-Repository.

Er erklärt die Struktur des Ultralytics Python-Pakets und behandelt Schlüsselkomponenten wie Modelleinrichtung, Datenladen, den Trainingsprozess sowie die Erstellung und Rückgabe von Vorhersagen.

Alles ist in klare Kategorien unterteilt, sodass du leicht findest, wonach du suchst. Wenn du beispielsweise ein Modell mit deinem eigenen Datensatz trainierst, kannst du den datenbezogenen Teil des Referenz-Bereichs aufrufen, um ein besseres Verständnis dafür zu bekommen, wie deine Daten für das Modelltraining verwendet werden.

So startest du mit dem Referenz-Bereich#

Wenn du zum Referenzbereich in der Ultralytics YOLO-Dokumentation navigierst, findest du auf der linken Seite der Seite ein Menü mit verschiedenen Referenzkategorien. Jede Kategorie repräsentiert einen bestimmten Teil der Ultralytics-Codebasis, wie etwa models, die Datenverarbeitung oder Trainingsfunktionen.

Ein Klick auf eine Kategorie führt dich zu einer Seite, die dir weitere Details liefert.

Fig 2. Links findest du ein Menü mit verschiedenen Referenzkategorien.

Ebenso findest du auf der rechten Seite der Seite ein Inhaltsverzeichnis, das jede Referenzseite in Schlüsselkomponenten wie Funktionen (wiederverwendbare Code-Blöcke), Klassen (Vorlagen für die Erstellung von Objekten) und Methoden (in Klassen definierte Funktionen) unterteilt. Dies macht es einfach, direkt zu dem zu springen, was du suchst.

Fig 3. Rechts findest du ein Inhaltsverzeichnis für die jeweilige Referenzseite, die du gerade ansiehst.

Die Struktur des Ultralytics GitHub-Repositorys#

Das Ultralytics GitHub-Repository ist basierend auf verschiedenen Teilen des Ultralytics-Pakets in Unterverzeichnisse oder Unterpakete wie Modelle, Training und data unterteilt. Der Referenzbereich in der Dokumentation folgt genau dieser Struktur, was das Verständnis des Zusammenwirkens erleichtert.

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

• Models: Dieser Abschnitt konzentriert sich auf verschiedene Modelle und deren modes wie das Treffen von Vorhersagen, das Validieren der Leistung und das Exportieren trainierter Modelle.
• Engine: Dieser enthält die Kernlogik für das Training, Validieren, Vorhersagen, Exportieren und Evaluieren von Modellen.
• Data: Dieser verwaltet, wie Datensätze geladen, verarbeitet und augmentiert werden. Dies umfasst Funktionen zum Erstellen von Dataloadern (Tools, die Daten in Batches in das Modell einspeisen), Anwenden von Transformationen (Änderungen an Bildern wie Größenanpassung oder Spiegelung, um dem Modell beim besseren Lernen zu helfen) und Vorbereiten von Daten (Organisieren und Formatieren der Bilder und Labels) für das Training.
• Utils: Dieser Abschnitt bietet eine breite Palette an Hilfsfunktionen, die in der gesamten Codebasis verwendet werden, wie etwa Visualisierungstools, Dateiverwaltung und Metrikberechnungen.
• HUB: Er stellt eine Verbindung zu Ultralytics HUB her, einer No-Code-Computer-Vision-Plattform, die Cloud-Funktionen wie das Anmelden, Hochladen von Modellen und Verwalten von Datensätzen über eine API ermöglicht.
• Trackers: Dieser implementiert die Logik zur Objektverfolgung für Anwendungen, die Videos oder Bildsequenzen Bild für Bild verarbeiten.

Jedes dieser Unterverzeichnisse im GitHub-Repository hat einen entsprechenden Abschnitt in der Dokumentation. Diese Struktur wird bewusst gespiegelt, was den Wechsel zwischen dem Lesen der Dokumentation und dem Durchsuchen des Quellcodes erleichtert.

Tatsächlich wird auf vielen Referenzseiten auch der eigentliche Quellcode angezeigt, sodass du genau sehen kannst, wie Funktionen und Klassen implementiert sind, ohne die Dokumentation verlassen zu müssen.

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

Die Komponenten Modelle, Engine und Daten verstehen#

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

Das Unterverzeichnis für Modelle enthält den Code, der definiert, wie jeder Modultyp funktioniert. Es ist sowohl nach Modelltypen (wie YOLO, FastSAM oder RT-DETR) als auch nach Aufgaben wie Detektion, Segmentierung oder Klassifizierung gegliedert. Darin findest du Dateien oder Module für bestimmte Aktionen – beispielsweise wie das Modell Vorhersagen trifft, trainiert wird oder wie seine performance bewertet wird.

Das Unterverzeichnis 'Engine' arbeitet unterdessen hinter den Kulissen, um den gesamten Prozess zu steuern. Während sich das Unterverzeichnis 'Models' darauf konzentriert, was jedes Modell tun soll, konzentriert sich 'Engine' darauf, wie diese Aufgaben konsistent und effizient ausgeführt werden.

Auch das Unterverzeichnis 'Data' ist für das Laden und Vorbereiten von Datensätzen verantwortlich. Dieser Teil der Codebasis stellt sicher, dass deine Trainingsdaten sauber, strukturiert und vielfältig sind, was dem Modell hilft, besser zu lernen und effektiver zu generalisieren.

Diese klare Trennung macht den Code wartungsfreundlicher und bietet Benutzern die Flexibilität, ihn anzupassen.

Beispiele für die Nutzung des Referenz-Bereichs#

Vielleicht fragst du dich, warum es wichtig ist, die verschiedenen Teile der Ultralytics-Codebasis zu verstehen? Wenn du weißt, welcher Teil des Codes was handhabt, wird es viel einfacher, die benötigten Informationen zu finden, Änderungen vorzunehmen oder Probleme zu beheben.

Hier sind einige Beispiele dafür, wie du den Referenz-Bereich der Dokumentation nutzen kannst:

• Wenn du fragst: „Wie macht das Modell Vorhersagen?“, kannst du zur Kategorie 'Models' im Referenz-Bereich gehen, einen Modelltyp auswählen (wie YOLO), eine Aufgabe festlegen (wie detect) und dann die Seite 'Predict' für Details öffnen.
• Wenn du wissen möchtest, wie data augmentations angewendet werden, kannst du die Augment-Seite unter der Kategorie Data erkunden. Sie listet die integrierten Augmentierungstechniken auf, die zur Verbesserung der Modellleistung und der Vielfalt der Trainingsdaten verwendet werden.

Ergebnisse durch den Referenz-Bereich erkunden#

Der Referenzbereich ist auch hilfreich, wenn du versuchst, die von deinem Modell zurückgegebenen Ausgaben zu verstehen. Nachdem ein Modell wie Ultralytics YOLO11 verwendet wurde, um eine Inferenz auf einem Bild auszuführen, gibt es einen Satz von Ergebnissen zurück, die beschreiben, was erkannt wurde.

In einem Kamera-Feed könnte beispielsweise eine Person erkannt und deren Position mithilfe einer bounding box markiert werden, zusammen mit einem Konfidenzwert – einem Wert zwischen 0 und 1, der angibt, wie sicher das Modell bezüglich der Detektion ist.

Wenn du verstehen möchtest, wie du dieses Ergebnis in deinem Projekt verwendest, kann dir der Referenzbereich weiterhelfen. Er enthält eine Seite für das Results module, die aufschlüsselt, was enthalten ist und wie du im Code darauf zugreifst. Es gibt Details dazu, wie man Detektionsboxen anzeigt, Konfidenzwerte überprüft, Ergebnisse darstellt oder speichert.

Fig 5. Ein Beispiel dafür, wie von YOLO11 zurückgegebene Ergebnisse visualisiert werden können.

Wichtige Erkenntnisse#

Die Ultralytics-Dokumentation hilft dir zu verstehen, wie du YOLO-Modelle effektiv nutzt. Sie erklärt Schlüsselprozesse wie das Training von Modellen, das Vorbereiten von Daten und die Arbeit mit Ergebnissen. Jede Seite bietet klare Erklärungen und beispielhafte Code-Snippets, damit du schnell starten kannst.

Wenn du neugierig bist, was hinter den Kulissen passiert, schlüsselt der Referenz-Bereich der Dokumentation dies Schritt für Schritt auf. Er zeigt, wie der Code strukturiert ist, was jeder Teil macht und wie alles zusammenarbeitet. Das macht es einfacher, zu lernen, anzupassen und selbstbewusst eigene Computer-Vision-Projekte zu bauen.

Werde Teil von our active community und erkunde das GitHub repository, um mehr über die Entwicklung mit KI zu erfahren. Bist du bereit, deine eigenen Computer-Vision-Ideen umzusetzen? Besuche our licensing options, um loszulegen. Erfahre auf unseren Lösungsseiten, wie vision AI in automotive und AI in healthcare Wirkung zeigen.