Ultralytics Objekterkennungs- und Segmentierungsmodelle mit wenigen Zeilen Code ausführen

Willkommen zu einem weiteren Blogbeitrag, in dem wir uns mit den Fähigkeiten der Ultralytics YOLOv5 und YOLOv8 Modelle im Bereich Objekterkennung und Segmentierung beschäftigen. Wir erkunden, wie du diese benutzerfreundlichen Modelle mit nur wenigen Zeilen Code in deine Projekte integrieren kannst. Egal, ob du Anfänger oder erfahrener Entwickler bist, du wirst sehen, wie Ultralytics verschiedene Modelle und Architekturen unterstützt, einschließlich verschiedener YOLO-Versionen und Transformer-basierter Modelle.

In seinem Video führt uns Nicolai Nielsen durch den Prozess der Einrichtung und Verwendung verschiedener Modelle innerhalb des Ultralytics Frameworks. Lass uns das Schritt für Schritt durchgehen und sehen, wie du mit diesen unglaublichen Tools loslegen kannst.

Link to this sectionErste Schritte mit Ultralytics Modellen#

Ultralytics bietet ein umfassendes Framework, das mehrere Modelle zur Objekterkennung und Segmentierung unterstützt. Dazu gehören die beliebten YOLO-Modelle, von YOLOv3 bis zum neuesten YOLOv8, sowie YOLO-NAS und SAM Modelle. Diese Modelle sind für eine Vielzahl von Aufgaben konzipiert, wie z. B. Echtzeit-Erkennung, Segmentierung und Pose-Schätzung.

Besuche für den Start die Dokumentationsseite von Ultralytics. Hier findest du detaillierte Informationen zu jedem Modell, einschließlich ihrer Hauptfunktionen, Architekturen und ihrer Verwendung in deinen Python-Skripten.

Link to this sectionEinrichten deiner Umgebung#

Stelle zuerst sicher, dass Ultralytics installiert ist. Dies kannst du tun, indem du Folgendes ausführst:

pip install ultralytics

Sobald dies erledigt ist, kannst du diese Modelle in deinen Projekten verwenden. Lass uns als Beispiel mit dem YOLOv8 Modell beginnen.

Link to this sectionHauptfunktionen von YOLOv8#

YOLOv8 bietet gegenüber seinen Vorgängern mehrere Verbesserungen. Es wurde entwickelt, um schneller und präziser zu sein, was es perfekt für Echtzeitanwendungen macht. Einige Hauptmerkmale umfassen:

• Erhöhte Geschwindigkeit und Genauigkeit
• Vortrainierte Gewichte für mehrere Aufgaben
• Unterstützung für Objekterkennung, Segmentierung und Klassifizierung
• Verbesserte Modellarchitektur für eine höhere Leistung

Link to this sectionAusführen von YOLOv8 in Python#

Hier erfährst du, wie du mit YOLOv8 in nur wenigen Zeilen Code loslegen kannst:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Das war's! Du hast gerade ein YOLOv8 Modell auf einem Bild ausgeführt. Diese Einfachheit ist es, die Ultralytics Modelle so leistungsstark und benutzerfreundlich macht.

Link to this sectionLive-Webcam-Erkennung#

Möchtest du YOLOv8 in Aktion über einen Live-Webcam-Feed sehen? So kannst du das tun:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on the webcam feed (source=0) and display the results
results = model.predict(source=0, show=True)

Dieses Skript öffnet deine Webcam und wendet das YOLOv8 Modell an, um Objekte in Echtzeit zu erkennen.

Abb. 1. Nicolai Nielsen erläutert, wie man Ultralytics Objekterkennungs- und Segmentierungsmodelle ausführt.

Link to this sectionErkundung anderer Modelle#

Ultralytics beschränkt sich nicht nur auf YOLOv8. Sie unterstützen auch verschiedene andere Modelle wie YOLOv5, YOLO-NAS und Transformer-basierte Modelle für die Echtzeiterkennung. Jedes Modell hat seine eigenen Stärken und Anwendungsfälle.

Link to this sectionTransformer-Modelle und wie man sie ausführt#

Das RT-DETR Modell, das von Baidu entwickelt und von Ultralytics unterstützt wird, ist ein hochmoderner End-to-End-Objektdetektor, der Echtzeitleistung und hohe Genauigkeit bietet. Es verwendet ein Conv-basiertes Backbone und einen effizienten hybriden Encoder für Echtzeitgeschwindigkeit, zeichnet sich auf CUDA mit TensorRT aus und unterstützt eine flexible Anpassung der Inferenzgeschwindigkeit.

So kannst du ein RT-DETR Modell ausführen:

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Link to this sectionSegment Anything Modelle#

Ultralytics bietet auch Modelle für Segmentierungsaufgaben an, wie MobileSAM und FastSAM. Diese Modelle sind darauf ausgelegt, alles in einem Bild zu segmentieren und bieten detaillierte Einblicke in die Szene.

Link to this sectionAusführen von FastSAM#

FastSAM ist für die Echtzeit-Segmentierung optimiert, und so kannst du es ausführen:

from ultralytics import FastSAM

# Create a FastSAM model
model = FastSAM("FastSAM-s.pt")  # or FastSAM-x.pt

# Run inference on an image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

Dieses Modell ist perfekt für Anwendungen, die eine schnelle und genaue Segmentierung erfordern.

Link to this sectionLeistung und Vergleiche#

Eine der großartigen Funktionen des Ultralytics Frameworks ist die Möglichkeit, verschiedene Modelle nebeneinander zu vergleichen. Du kannst leicht bestimmen, welches Modell für deine spezifische Anwendung am besten funktioniert, indem du Leistungsmetriken wie Inferenzgeschwindigkeit und mittlere durchschnittliche Präzision (mAP) betrachtest.

Link to this sectionDie wichtigsten Erkenntnisse#

Ultralytics macht es unglaublich einfach, Objekterkennungs- und Segmentierungsmodelle mit nur wenigen Zeilen Code auszuführen. Egal, ob du an Echtzeitanwendungen arbeitest oder hochpräzise Modelle benötigst, Ultralytics hat eine Lösung für dich. Schau dir unbedingt das vollständige Tutorial von Nicolai Nielsen auf dem YouTube-Kanal von Ultralytics an, um tiefere Einblicke und Beispiele zu erhalten.

Bleib dran für weitere Tutorials und Updates aus der Ultralytics Community!