So verwendest du den Referenzbereich der Ultralytics YOLO-Dokumentation

Künstliche Intelligenz (KI) ist heute zugänglicher denn je. Dadurch kann jede und jeder schnell einsteigen und verschiedene KI-Modelle für vielfältige, hochmoderne Aufgaben einsetzen.

Zum Beispiel ist Computer Vision ein Teilgebiet der KI, das Computern ermöglicht, visuelle Informationen aus Bildern und Videos zu interpretieren und zu verstehen. Computer-Vision-Modelle wie Ultralytics YOLO11 sind leicht zugänglich und einfach zu verwenden.

Ultralytics YOLO11 unterstützt Aufgaben wie Objekterkennung, Instanzsegmentierung und Bildklassifizierung und lässt sich für Anwendungen wie autonomes Fahren, Sicherheitsüberwachung und Einzelhandelsanalysen einsetzen.

Abb. 1. Ultralytics YOLO11 kann zur Erkennung verschiedener Objekte eingesetzt werden.

Das Ultralytics-Python-Paket bietet benutzerfreundliche Tools, mit denen du diese KI-Modelle schnell trainieren, anpassen und bereitstellen kannst. So können Nutzerinnen und Nutzer aller Erfahrungsstufen ganz einfach fortschrittliche Computer-Vision-Anwendungen entwickeln.

Wenn du jedoch genauer verstehen möchtest, wie alles funktioniert, oder eigene Anpassungen vornehmen willst, ist der Referenzbereich der Ultralytics-Dokumentation eine hervorragende Informationsquelle. Er beschreibt die Funktionsweise des Ultralytics-Python-Pakets, einschließlich der Verarbeitung deiner Daten, des Modelltrainings und der Visualisierung von Vorhersagen.

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

Ultralytics YOLO-Modelle genauer betrachtet#

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

Sobald du mit Computer-Vision-Modellen vertraut bist, hilft dir der Referenzbereich der Ultralytics-Dokumentation dabei, genauer zu verstehen, wie der Code funktioniert und welche Funktionen das Paket unterstützt. Außerdem enthält er leicht verständliche Erläuterungen, konfigurierbare Optionen und Links zu relevantem Code im Ultralytics-GitHub-Repository.

Der Referenzbereich erläutert den Aufbau des Ultralytics-Python-Pakets und behandelt wichtige Komponenten wie die Modelleinrichtung, das Laden von Daten, den Trainingsprozess sowie die Erzeugung und Rückgabe von Vorhersagen.

Alles ist übersichtlich in Kategorien gegliedert, sodass du leicht findest, wonach du suchst. Wenn du beispielsweise ein Modell mit deinem eigenen Datensatz trainierst, kannst du den Abschnitt zum Thema Daten im Referenzbereich aufrufen. Dort erfährst du genauer, wie deine Daten für das Modelltraining verwendet werden.

Erste Schritte mit dem Referenzbereich#

Im Referenzbereich der Ultralytics-YOLO-Dokumentation findest du links auf der Seite ein Menü mit verschiedenen Referenzkategorien. Jede Kategorie steht für einen bestimmten Teil der Ultralytics-Codebasis, etwa Modelle, Datenverarbeitung oder Trainingsfunktionen.

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

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

Rechts auf der Seite findest du ein Inhaltsverzeichnis, das jede Referenzseite in wichtige Bestandteile wie Funktionen (wiederverwendbare Codeblöcke), Klassen (Vorlagen zum Erstellen von Objekten) und Methoden (innerhalb von Klassen definierte Funktionen) unterteilt. So kannst du direkt zu den gesuchten Informationen springen.

Abb. 3. Rechts findest du das Inhaltsverzeichnis der Referenzseite, die du gerade ansiehst.

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 demselben Aufbau. So lässt sich leichter nachvollziehen, wie alles zusammenhängt.

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

• Modelle: Dieser Abschnitt behandelt verschiedene Modelle und ihre Modi, etwa das Erstellen von Vorhersagen, die Leistungsvalidierung und den Export trainierter Modelle.
• Engine: Dieser Bereich enthält die Kernlogik 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 Datenladern (Tools, die Daten stapelweise an das Modell übergeben), Anwenden von Transformationen (Änderungen an Bildern wie Größenänderungen oder Spiegelungen, die dem Modell beim Lernen helfen) und Vorbereiten von Daten (Bilder und Labels organisieren und formatieren) für das Training.
• Utils: Dieser Abschnitt bietet zahlreiche Hilfsfunktionen für die gesamte Codebasis, zum Beispiel Werkzeuge zur Visualisierung und Dateiverarbeitung sowie zur Berechnung von Metriken.
• HUB: Dieser Bereich stellt eine Verbindung zu Ultralytics HUB her, einer No-Code-Plattform für Computer Vision. Dadurch lassen sich Cloud-Funktionen wie Anmelden, Hochladen von Modellen und Verwalten von Datensätzen über eine API nutzen.
• Tracker: Dieser Bereich implementiert die Objektverfolgung für Anwendungen mit Videos oder Bildsequenzen, die Bild für Bild verarbeitet werden.

Zu jedem dieser Unterverzeichnisse im GitHub-Repository gibt es einen entsprechenden Abschnitt in der Dokumentation. Dieser Aufbau ist bewusst parallel gestaltet, damit du leichter zwischen der Dokumentation und dem Quellcode wechseln kannst.

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

Abb. 4. Auch auf den Referenzseiten ist der Quellcode enthalten.

Modelle, Engine und Datenkomponenten verstehen#

Nachdem wir uns den Aufbau des Referenzbereichs angesehen haben, werfen wir nun einen genaueren Blick auf drei wichtige Teile des Ultralytics-Pakets: Modelle, Engine und Daten.

Das Unterverzeichnis „models“ enthält den Code, der die Funktionsweise der einzelnen Modelltypen festlegt. Es ist sowohl nach Modelltypen wie YOLO, FastSAM oder RT-DETR als auch nach Aufgaben wie Erkennung, Segmentierung oder Klassifizierung gegliedert. In jedem Bereich findest du Dateien oder Module für bestimmte Vorgänge – zum Beispiel dafür, wie das Modell Vorhersagen erstellt, trainiert wird oder seine Leistung bewertet wird.

Das Unterverzeichnis „engine“ verwaltet im Hintergrund den gesamten Prozess. Während sich „models“ damit befasst, was die einzelnen Modelle tun sollen, geht es in „engine“ darum, diese Aufgaben einheitlich und effizient auszuführen.

Das Unterverzeichnis „data“ ist für das Laden und Vorbereiten von Datensätzen zuständig. Dieser Teil der Codebasis sorgt dafür, 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 Möglichkeit, ihn flexibel anzupassen.

Beispiele für die Nutzung des Referenzbereichs#

Du fragst dich vielleicht, warum es wichtig ist, die verschiedenen Teile der Ultralytics-Codebasis zu verstehen. Wenn du weißt, welcher Codebereich für welche Aufgabe zuständig ist, findest du benötigte Informationen leichter, kannst Änderungen vornehmen und Probleme beheben.

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

• Wenn du dich fragst: „Wie erstellt das Modell Vorhersagen?“, kannst du im Referenzbereich die Kategorie „Modelle“ aufrufen, einen Modelltyp wie YOLO auswählen, eine Aufgabe wie „detect“ festlegen und anschließend die Seite „Predict“ mit den entsprechenden Details öffnen.
• Wenn du wissen möchtest, wie Datenerweiterungen angewendet werden, kannst du die Seite „Augment“ in der Kategorie „Daten“ aufrufen. Dort sind die integrierten Erweiterungsverfahren aufgeführt, mit denen die Modellleistung und die Vielfalt der Trainingsdaten verbessert werden.

Ergebnisse im Referenzbereich erkunden#

Der Referenzbereich ist auch hilfreich, wenn du die Ausgaben verstehen möchtest, die dein Modell zurückgibt. 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 Kamerabild kann das Modell beispielsweise eine Person erkennen und ihren Standort mit einer Bounding Box markieren. 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, hilft dir der Referenzbereich weiter. Dort gibt es eine Seite zum Results-Modul, auf der erklärt wird, welche Informationen enthalten sind und wie du im Code darauf zugreifst. Du findest dort Einzelheiten dazu, wie du Erkennungsrahmen anzeigen, Konfidenzwerte prüfen, Ergebnisse darstellen oder speichern kannst.

Abb. 5. Beispiel für die Visualisierung der von YOLO11 zurückgegebenen Ergebnisse.

Die wichtigsten Erkenntnisse#

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

Wenn du wissen möchtest, was im Hintergrund passiert, erläutert der Referenzbereich der Dokumentation die Abläufe Schritt für Schritt. Er zeigt, wie der Code aufgebaut ist, welche Aufgaben die einzelnen Teile erfüllen und wie alles zusammenarbeitet. So kannst du leichter lernen, eigene Computer-Vision-Projekte anpassen und selbstbewusst umsetzen.

Werde Teil unserer aktiven Community und entdecke das GitHub-Repository, um mehr über die Entwicklung mit KI zu erfahren. Möchtest du deine eigenen Computer-Vision-Ideen umsetzen? Informiere dich über unsere Lizenzoptionen, um loszulegen. Besuche unsere Lösungsseiten und erfahre, wie Vision AI in der Automobilbranche und KI im Gesundheitswesen Wirkung zeigen.