Objekterkennung mit einem vortrainierten Ultralytics-YOLOv8-Modell

In diesem Tutorial stellen wir Ultralytics YOLO-Modelle vor und zeigen, wie du sie zur Objekterkennung einsetzen kannst.

Überblick über das Ultralytics YOLOv8-Modell#

Beginnen wir mit den Funktionen des Modells Ultralytics YOLOv8. Dieses Modell stellt einen bedeutenden Fortschritt im Bereich der Objekterkennung dar und bietet ein ausgewogenes Verhältnis zwischen Geschwindigkeit und Genauigkeit. Im Vergleich zu früheren YOLO-Modellen liefert YOLOv8 schnellere Inferenz, ohne bei der Erkennungsgenauigkeit Abstriche zu machen.

Im Folgenden vergleichen wir Inferenzgeschwindigkeit und Genauigkeit von Ultralytics YOLOv8 mit anderen YOLO-Modellen und zeigen die Vorteile bei der Objekterkennung in Echtzeit. Mit YOLOv8 können Nutzer bei einer Vielzahl von Anwendungen mit einer deutlichen Leistungssteigerung rechnen.

Vortrainierte Ultralytics YOLOv8-Modelle verwenden#

Zu den wichtigsten Vorzügen des Ultralytics YOLOv8-Modells gehört seine einfache Bedienung, insbesondere mit vortrainierten Modellen. Ganz gleich, ob du erfahren entwickelst oder gerade erst mit Computer Vision, maschinellem Lernen oder Deep Learning anfängst: Die Verwendung vortrainierter YOLOv8-Modelle ist unkompliziert.

Mit nur zwei Zeilen Python-Code kannst du ein vortrainiertes Ultralytics YOLOv8-Modell zur Objekterkennung ausführen. So lässt sich Computer Vision mit minimalem Aufwand in deine Projekte integrieren.

Dokumentation und Argumente für Ultralytics YOLOv8#

Es ist auch hilfreich, die verfügbaren Ressourcen für das Ultralytics YOLOv8-Modell zu kennen. In unseren künftigen Tutorials behandeln wir verschiedene Themen, darunter die benutzerdefinierte Objekterkennung, Objektverfolgung, Pose Estimation und Segmentierung. Damit bieten wir Nutzern aller Erfahrungsstufen umfassende Anleitungen.

Abb. 1. Von Ultralytics YOLO-Modellen ausgeführte Hauptaufgaben.

Außerdem behandeln wir die wichtigsten Vorhersageparameter, damit du das Beste aus Ultralytics YOLOv8 herausholen kannst. Wenn du diese Parameter wie Quelle, Konfidenzschwelle und Geräteauswahl verstehst, kannst du deine Modelle an bestimmte Anforderungen anpassen.

Objekterkennung in Echtzeit mit einer Webcam#

Ultralytics YOLOv8 kann auch Objekte in Echtzeit über eine Webcam erkennen. Im Video erkennt YOLOv8 Objekte in einem Live-Webcam-Feed mit mehr als 100 Bildern pro Sekunde.

Ob du eine belebte Straße überwachst oder Objekte in einer chaotischen Umgebung verfolgst: Ultralytics YOLOv8 überzeugt in Echtzeitszenarien. Dank der Fähigkeit, viele verschiedene Objekte präzise und effizient zu erkennen, eröffnet YOLOv8 neue Anwendungsmöglichkeiten in zahlreichen Branchen, darunter Gesundheitswesen, Landwirtschaft und Fertigung.

Zum Abschluss#

Zusammenfassend lässt sich sagen, dass YOLOv8 einen bedeutenden Fortschritt bei der Objekterkennung darstellt. Bei Ultralytics setzen wir uns dafür ein, Entwicklern und Forschenden praktische Werkzeuge und Ressourcen für maschinelles Lernen und künstliche Intelligenz bereitzustellen. Inzwischen wurde YOLOv8 durch Ultralytics YOLO26 abgelöst, das du mit derselben Python API ausführen kannst.

Sieh dir das vollständige Video an und bleib dran – weitere Tutorials, Anleitungen und Einblicke folgen. Tritt unserer Community bei und teile, was du mit Ultralytics YOLO entwickelst!