Objekterkennungs- und Segmentierungsmodelle von Ultralytics mit wenigen Codezeilen ausführen

Willkommen zu einem weiteren Blogbeitrag, in dem wir uns mit den Fähigkeiten der Modelle Ultralytics' YOLOv5 und YOLOv8 im Bereich der Objekterkennung und Segmentierung beschäftigen. Wir zeigen, wie du diese benutzerfreundlichen Modelle mit nur wenigen Codezeilen in deine Projekte integrieren kannst. Egal, ob du Anfänger oder erfahrener Entwickler bist – du wirst sehen, wie Ultralytics verschiedene Modelle und Architekturen unterstützt, darunter unterschiedliche YOLO-Versionen und auf Transformer basierende Modelle.

In seinem Video führt Nicolai Nielsen durch den Prozess der Einrichtung und Verwendung verschiedener Modelle innerhalb des Ultralytics-Frameworks. Sehen wir uns Schritt für Schritt an, wie du mit diesen leistungsfähigen Werkzeugen beginnen kannst.

Erste 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 ausgelegt, darunter Erkennung, Segmentierung und Posenschätzung in Echtzeit.

Rufe zunächst die Ultralytics-Dokumentationsseite auf. Dort findest du detaillierte Informationen zu jedem Modell, einschließlich der wichtigsten Funktionen, Architekturen und der Verwendung in deinen Python-Skripten.

Einrichten deiner Umgebung#

Stelle zunächst sicher, dass Ultralytics installiert ist. Führe dazu Folgendes aus:

pip install ultralytics

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

Wichtige Funktionen von Ultralytics YOLOv8#

Ultralytics YOLOv8 bietet mehrere Verbesserungen gegenüber seinen Vorgängern. Es wurde für höhere Geschwindigkeit und Genauigkeit entwickelt und eignet sich daher ideal für Echtzeitanwendungen. Zu den wichtigsten Funktionen gehören:

• Höhere 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 mit nur wenigen Codezeilen beginnen:

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 macht Ultralytics-Modelle so leistungsfähig und benutzerfreundlich.

Live-Erkennung per Webcam#

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

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 Ultralytics-YOLOv8-Modell an, um Objekte in Echtzeit zu erkennen.

Abb. 1: Nicolai Nielsen erklärt, wie Ultralytics-Modelle zur Objekterkennung und Segmentierung ausgeführt werden.

Weitere Modelle erkunden#

Ultralytics beschränkt sich nicht nur auf YOLOv8. Auch andere Modelle wie YOLOv5, YOLO-NAS und auf Transformer basierende Modelle für die Echtzeiterkennung werden unterstützt. Jedes Modell hat seine eigenen Stärken und Einsatzbereiche.

Transformer-Modelle und ihre Ausführung#

Das von Baidu entwickelte und von Ultralytics unterstützte Modell RT-DETR ist ein hochmodernes, durchgängiges Modell zur Objekterkennung, das Echtzeitleistung und hohe Genauigkeit bietet. Es verwendet ein auf Faltungen basierendes Backbone und einen effizienten hybriden Encoder für hohe Geschwindigkeit in Echtzeit, erzielt mit CUDA und TensorRT hervorragende Ergebnisse 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, etwa MobileSAM und FastSAM. Diese Modelle sind dafür ausgelegt, alles in einem Bild zu segmentieren und detaillierte Einblicke in die Szene zu liefern.

FastSAM ausführen#

FastSAM ist für die Segmentierung in Echtzeit optimiert. 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 eignet sich ideal für Anwendungen, die eine schnelle und präzise Segmentierung erfordern.

Leistung und Vergleiche#

Eine der großen Stärken des Ultralytics-Frameworks ist die Möglichkeit, verschiedene Modelle direkt miteinander zu vergleichen. Anhand von Leistungskennzahlen wie Inferenzgeschwindigkeit und mittlerer durchschnittlicher Präzision (mAP) kannst du leicht feststellen, welches Modell für deine spezifische Anwendung am besten geeignet ist.

Wichtigste Erkenntnisse#

Mit Ultralytics lassen sich Modelle zur Objekterkennung und Segmentierung mit nur wenigen Codezeilen ausführen. Egal, ob du an Echtzeitanwendungen arbeitest oder hochpräzise Modelle benötigst – Ultralytics bietet eine passende Lösung. Sieh dir das vollständige Tutorial von Nicolai Nielsen auf dem Ultralytics-YouTube-Kanal an, um weitere Informationen und Beispiele zu erhalten.

Freue dich auf weitere Tutorials und Neuigkeiten aus der Ultralytics-Community!