Ultralytics Objekterkennungs- und Segmentierungsmodelle in wenigen Codezeilen ausführen

Willkommen zu einem weiteren Blogbeitrag, in dem wir uns mit den Fähigkeiten der Ultralytics' YOLOv5- und YOLOv8-Modelle im Bereich Objekterkennung und Segmentierung befassen werden. Wir werden untersuchen, wie Sie diese benutzerfreundlichen Modelle mit nur wenigen Codezeilen in Ihre Projekte integrieren können. Egal, ob Sie Anfänger oder erfahrener Entwickler sind, Sie werden 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 Nutzung verschiedener Modelle innerhalb des Ultralytics-Frameworks. Lassen Sie uns dies Schritt für Schritt aufschlüsseln und sehen, wie Sie mit diesen unglaublichen Tools beginnen können.

Erste Schritte mit Ultralytics-Modellen

Ultralytics bietet ein umfassendes Framework, das mehrere Objekterkennungs- und Segmentierungsmodelle unterstützt. Dazu gehören die populären 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.

Besuchen Sie zunächst die Ultralytics-Dokumentationsseite. Hier finden Sie detaillierte Informationen zu jedem Modell, einschließlich seiner wichtigsten Funktionen, Architekturen und der Verwendung in Ihren Python-Skripten.

Einrichten Ihrer Umgebung

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

bash

Code kopieren

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

Hauptmerkmale von YOLOv8

YOLOv8 bietet gegenüber seinen Vorgängern einige Verbesserungen. Es ist schneller und genauer konzipiert und eignet sich daher perfekt für Echtzeitanwendungen. 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

So können Sie in wenigen Codezeilen mit YOLOv8 beginnen:

Code kopieren

Das ist alles! Sie haben gerade ein YOLOv8-Modell auf einem Bild ausgeführt. Diese Einfachheit macht Ultralytics-Modelle so leistungsstark und benutzerfreundlich.

Live-Webcam-Erkennung

Möchten Sie YOLOv8 live über eine Webcam in Aktion sehen? So geht's:

python

Code kopieren

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

Andere Modelle erkunden

Ultralytics beschränkt sich nicht nur auf YOLOv8. Sie unterstützen auch verschiedene andere Modelle wie YOLOv5, YOLO-NAS und Transformer-basierte Modelle für die Echtzeit-Detektion. 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-Modell ist ein hochmoderner End-to-End-Objektdetektor, der Echtzeitleistung und hohe Genauigkeit bietet. Es verwendet ein Conv-basiertes Backbone und einen effizienten Hybrid-Encoder für Echtzeitgeschwindigkeit, ist hervorragend auf CUDA mit TensorRT und unterstützt eine flexible Anpassung der Inferenzgeschwindigkeit.

So führen Sie ein RT-DETR-Modell aus:

Code kopieren

Segment Anything Modelle

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

FastSAM ausführen

FastSAM ist für Echtzeit-Segmentierung optimiert, und so können Sie es ausführen:

Code kopieren

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. Sie können leicht feststellen, welches Modell für Ihre spezifische Anwendung am besten geeignet ist, indem Sie sich Leistungsmetriken wie Inferenzgeschwindigkeit und mittlere durchschnittliche Präzision (mAP) ansehen.

Wichtigste Erkenntnisse

Ultralytics macht es unglaublich einfach, Objekterkennungs- und Segmentierungsmodelle mit nur wenigen Codezeilen auszuführen. Egal, ob Sie an Echtzeitanwendungen arbeiten oder hochpräzise Modelle benötigen, Ultralytics hat eine Lösung für Sie. Sehen Sie sich Nicolai Nielsens vollständiges Tutorial auf dem Ultralytics YouTube-Kanal an, um detailliertere Informationen und Beispiele zu erhalten.

Bleiben Sie dran für weitere Tutorials und Updates von der Ultralytics Community!