Ultralytics-Modelle zur Objekterkennung und Segmentierung mit wenigen Codezeilen ausführen

In diesem Beitrag sehen wir uns an, welche Möglichkeiten die Modelle Ultralytics YOLOv5 und YOLOv8 für Objekterkennung und Segmentierung bieten. Wir zeigen, wie du diese benutzerfreundlichen Modelle mit nur wenigen Codezeilen in deine Projekte integrierst. Ganz gleich, ob du Anfänger oder erfahrener Entwickler bist: Du wirst sehen, wie Ultralytics verschiedene Modelle und Architekturen unterstützt, darunter unterschiedliche YOLO-Versionen und Transformer-basierte Modelle.

In seinem Video führt Nicolai Nielsen durch die Einrichtung und Verwendung verschiedener Modelle im Ultralytics-Framework. Gehen wir die einzelnen Schritte durch und sehen uns an, wie du mit diesen Tools loslegen kannst.

Erste Schritte mit Ultralytics-Modellen#

Ultralytics bietet ein umfassendes Framework, das verschiedene Modelle zur Objekterkennung und Segmentierung unterstützt. Dazu gehören die beliebten YOLO-Modelle von YOLOv3 bis YOLOv8 (inzwischen abgelöst durch YOLO26) sowie YOLO-NAS und SAM-Modelle. Diese Modelle sind für vielfältige Aufgaben wie Erkennung in Echtzeit, Segmentierung und Posenschätzung ausgelegt.

Rufe zunächst die Ultralytics-Dokumentationsseite auf. Dort findest du ausführliche Informationen zu jedem Modell, einschließlich seiner wichtigsten Merkmale und Architektur sowie Anleitungen zur Verwendung in deinen Python-Skripten.

Deine Umgebung einrichten#

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

pip install ultralytics

Sobald das erledigt ist, kannst du diese Modelle in deinen Projekten einsetzen. 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 gut 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 höhere Leistung

Ultralytics YOLOv8 in Python ausführen#

So kannst du mit nur wenigen Codezeilen mit Ultralytics YOLOv8 loslegen:

from ultralytics import YOLO

# Ein vortrainiertes YOLOv8-Modell laden
model = YOLO("yolov8n.pt")

# Inferenz auf einem Bild ausführen
results = model("path/to/image.jpg")

Das war's! Du hast gerade mit einem YOLOv8-Modell eine Inferenz auf einem Bild ausgeführt. Diese Einfachheit macht Ultralytics-Modelle so benutzerfreundlich.

Live-Erkennung mit der Webcam#

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

from ultralytics import YOLO

# Ein vortrainiertes YOLOv8-Modell laden
model = YOLO("yolov8n.pt")

# Inferenz auf dem Webcam-Stream ausführen (source=0) und die Ergebnisse anzeigen
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 entdecken#

Ultralytics beschränkt sich nicht auf YOLOv8. Es unterstützt auch verschiedene andere Modelle wie YOLOv5, YOLO-NAS und Transformer-basierte Modelle für die Erkennung in Echtzeit. Jedes Modell hat eigene Stärken und Anwendungsfälle.

Transformer-Modelle und ihre Ausführung#

Das von Baidu entwickelte und von Ultralytics unterstützte Modell RT-DETR ist ein hochmodernes End-to-End-Objekterkennungsmodell, das Leistung in Echtzeit und hohe Genauigkeit bietet. Es nutzt ein Faltungs-basiertes Backbone und einen effizienten hybriden Encoder für hohe Geschwindigkeit in Echtzeit, erzielt hervorragende Ergebnisse mit CUDA und TensorRT und ermöglicht eine flexible Anpassung der Inferenzgeschwindigkeit.

So kannst du ein RT-DETR-Modell ausführen:

from ultralytics import RTDETR

# Ein auf COCO vortrainiertes RT-DETR-l-Modell laden
model = RTDETR("rtdetr-l.pt")

# Inferenz auf einem Bild ausführen
results = model("path/to/image.jpg")

Segment Anything-Modelle#

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

FastSAM ausführen#

FastSAM ist für die Echtzeitsegmentierung optimiert. So kannst du das Modell ausführen:

from ultralytics import FastSAM

# Ein FastSAM-Modell erstellen
model = FastSAM("FastSAM-s.pt")  # oder FastSAM-x.pt

# Inferenz auf einem Bild ausführen
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

Dieses Modell eignet sich gut für Anwendungen, die eine schnelle und präzise Segmentierung erfordern.

Leistung und Vergleiche#

Eine nützliche Funktion des Ultralytics-Ökosystems ist die Möglichkeit, verschiedene Modelle direkt miteinander zu vergleichen. Anhand von Leistungskennzahlen wie Inferenzgeschwindigkeit und mittlerer durchschnittlicher Präzision (mAP) kannst du ermitteln, welches Modell sich am besten für deine konkrete Anwendung eignet.

Die wichtigsten Erkenntnisse#

Mit Ultralytics kannst du Objekterkennungs- und Segmentierungsmodelle ganz einfach mit wenigen Codezeilen ausführen. Ganz gleich, ob du an Echtzeitanwendungen arbeitest oder hochpräzise Modelle benötigst – Ultralytics bietet eine passende Lösung. Weitere ausführliche Informationen und Beispiele findest du im vollständigen Tutorial von Nicolai Nielsen auf dem Ultralytics-YouTube-Kanal.

Bleib dran – weitere Tutorials und Neuigkeiten aus der Ultralytics-Community folgen!