Ultralytics Objekterkennungs- und Segmentierungsmodelle mit wenigen Zeilen Code ausführen

Willkommen zu einem weiteren Blogbeitrag, in dem wir in die Funktionen der Ultralytics' YOLOv5- und YOLOv8-Modelle in Bezug auf object detection und segmentation eintauchen. Wir schauen uns an, wie du diese benutzerfreundlichen Modelle mit nur wenigen Zeilen Code in deine Projekte integrierst. 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 im Ultralytics-Framework. Schauen wir uns das Schritt für Schritt an und sehen, wie du mit diesen unglaublichen Tools loslegst.

Erste Schritte mit Ultralytics Modellen#

Ultralytics bietet ein umfassendes Framework, das mehrere Objekterkennungs- und Segmentierungsmodelle unterstützt. Dazu gehören die beliebten YOLO-Modelle, von YOLOv3 bis zum neuesten YOLOv8, sowie YOLO-NAS- und SAM-Modelle. Diese Modelle sind für die Bewältigung verschiedenster Aufgaben wie Echtzeit-detection, segmentation und pose estimation ausgelegt.

Besuche zunächst die Ultralytics documentation page. Dort findest du detaillierte Informationen zu jedem Modell, einschließlich der Hauptfunktionen, Architekturen und der Verwendung in deinen Python-Skripten.

Einrichten deiner Umgebung#

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

pip install ultralytics

Sobald das erledigt ist, kannst du diese Modelle in deinen Projekten verwenden. Fangen wir als Beispiel mit dem Ultralytics YOLOv8-Modell an.

Hauptmerkmale von Ultralytics YOLOv8#

Ultralytics YOLOv8 bietet im Vergleich zu seinen Vorgängern mehrere Verbesserungen. Es ist auf höhere Geschwindigkeit und Genauigkeit ausgelegt, wodurch es sich perfekt für Echtzeitanwendungen eignet. Zu den wichtigsten Funktionen gehören:

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

Ausführen von Ultralytics YOLOv8 in Python#

So kannst du mit Ultralytics YOLOv8 in nur wenigen Zeilen Code loslegen:

from ultralytics import YOLO

# Load a pretrained Ultralytics 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.

Live-Webcam-Erkennung#

Möchtest du Ultralytics YOLOv8 in Aktion bei einem Live-Webcam-Feed sehen? So geht's:

from ultralytics import YOLO

# Load a pretrained Ultralytics 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 Ultralytics YOLOv8-Modell an, um Objekte in Echtzeit zu erkennen.

Abb. 1: Nicolai Nielsen zeigt, wie Ultralytics-Objekterkennungs- und Segmentierungsmodelle ausgeführt werden.

Erkundung anderer Modelle#

Ultralytics hört nicht bei YOLOv8 auf. Sie unterstützen auch verschiedene other models wie YOLOv5, YOLO-NAS und Transformer-basierte Modelle für die Echtzeiterkennung. Jedes Modell hat seine eigenen Stärken und Anwendungsbereiche.

Transformer-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")

Segment 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.

Ausführen 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.

Leistung 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.

Die 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!