Ausführen von Ultralytics Objekterkennungs- und Segmentierungsmodellen in wenigen Codezeilen

Willkommen zu einem weiteren Blogpost, in dem wir uns mit den Möglichkeiten von Ultralytics' YOLOv5 und YOLOv8 Modelle für die Objekterkennung und -segmentierung. Wir werden untersuchen, wie Sie diese einfach zu verwendenden Modelle mit nur wenigen Zeilen Code in Ihre Projekte integrieren können. Unabhängig davon, ob Sie ein Anfänger oder ein erfahrener Entwickler sind, werden Sie sehen, wie Ultralytics verschiedene Modelle und Architekturen unterstützt, einschließlich verschiedener YOLO und Transformator-basierter Modelle. 

In seinem Video führt uns Nicolai Nielsen durch den Prozess der Einrichtung und Verwendung verschiedener Modelle innerhalb des Ultralytics . Gehen wir Schritt für Schritt vor und sehen wir, wie Sie mit diesen unglaublichen Tools loslegen können.

Erste Schritte mit Ultralytics

Ultralytics bietet ein umfassendes Framework, das mehrere Objekterkennungs- und Segmentierungsmodelle unterstützt. Dazu gehören die beliebten YOLO , die von YOLOv3 bis zum neuesten YOLOv8 reichen, sowie die Modelle YOLO und SAM . Diese Modelle wurden entwickelt, um eine Vielzahl von Aufgaben wie Echtzeit-Erkennung, Segmentierung und Posenschätzung zu bewältigen.

Besuchen Sie zunächst die Ultralytics . Hier finden Sie ausführliche Informationen zu jedem Modell, einschließlich der wichtigsten Funktionen, Architekturen und der Verwendung in Ihren Python .

Einrichten Ihrer Umgebung

Stellen Sie zunächst sicher, dass Sie Ultralytics installiert haben. Sie können dies tun, indem Sie ausführen:

bash

Code kopieren

Sobald dies geschehen ist, können Sie diese Modelle in Ihren Projekten verwenden. Beginnen wir mit dem YOLOv8 als Beispiel.

Hauptmerkmale von YOLOv8

YOLOv8 verfügt über mehrere Verbesserungen gegenüber seinen Vorgängern. Es wurde entwickelt, um schneller und genauer zu sein, was es perfekt für Echtzeitanwendungen macht. Einige der wichtigsten Funktionen sind: 

• Erhöhte Geschwindigkeit und Genauigkeit
• Vorab trainierte Gewichte für verschiedene Aufgaben
• Unterstützung für Objekterkennung, Segmentierung und Klassifizierung
• Verbesserte Modellarchitektur für bessere Leistung

YOLOv8 in Python ausführen

Hier erfahren Sie, wie Sie mit YOLOv8 in nur wenigen Zeilen Code loslegen können:

Code kopieren

Das war's! Sie haben soeben ein YOLOv8 auf ein Bild angewendet. Diese Einfachheit macht die Ultralytics so leistungsstark und benutzerfreundlich.

Live-Webcam-Erkennung

Willst du YOLOv8 in Aktion sehen, indem du eine Live-Webcam einsetzt? So kannst du es tun:

python

Code kopieren

Dieses Skript öffnet Ihre Webcam und wendet das YOLOv8 an, um Objekte in Echtzeit detect .

Andere Modelle erkunden

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

Transformer-Modelle und wie man sie ausführt

Das von Baidu entwickelte und von Ultralytics unterstützte RT-DETR ist ein hochmoderner, durchgängiger Objektdetektor, der Echtzeitleistung und hohe Genauigkeit bietet. Es verwendet ein Conv-basiertes Backbone und einen effizienten hybriden Encoder für Echtzeit-Geschwindigkeit, der sich auf CUDA mit TensorRT auszeichnet, und unterstützt eine flexible Anpassung der Inferenzgeschwindigkeit.

So können Sie ein RT-DETR durchführen:

Code kopieren

Segment Anything Modelle

Ultralytics bietet auch Modelle für Segmentierungsaufgaben an, z. B. MobileSAM und FastSAM. Diese Modelle sind darauf ausgelegt, alles in einem Bild segment , um detaillierte Einblicke in die Szene zu erhalten.

FastSAM ausführen

FastSAM ist für die Echtzeit-Segmentierung optimiert, und hier erfahren Sie, wie Sie es einsetzen können:

Code kopieren

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

Leistung und Vergleiche

Eine der großartigen Funktionen des Ultralytics ist die Möglichkeit, verschiedene Modelle nebeneinander zu vergleichen. Sie können leicht feststellen, welches Modell für Ihre spezifische Anwendung am besten geeignet ist, indem Sie Leistungskennzahlen wie die Ableitungsgeschwindigkeit und die mittlere durchschnittliche GenauigkeitmAP) betrachten.

Wichtigste Erkenntnisse

Ultralytics macht die Ausführung von Objekterkennungs- und Segmentierungsmodellen mit nur ein paar Zeilen Code unglaublich einfach. Egal, ob Sie an Echtzeitanwendungen arbeiten oder hochpräzise Modelle benötigen, Ultralytics hat eine Lösung für Sie. Schauen Sie sich unbedingt Nicolai Nielsens vollständiges Tutorial auf dem Ultralytics YouTube-Kanal an, um weitere ausführliche Informationen und Beispiele zu erhalten.

Bleiben Sie dran für weitere Anleitungen und Aktualisierungen von derUltralytics-Community!