Ausführen von Ultralytics Objekterkennungs- und Segmentierungsmodellen in wenigen Codezeilen

Erste Schritte mit Ultralytics-Modellen

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

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

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-Modell 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: 

• Verbesserte Geschwindigkeit und Genauigkeit
• Vortrainierte Gewichte für mehrere Aufgaben
• Unterstützung für Objekterkennung, Segmentierung und Klassifizierung
• Verbesserte Modellarchitektur für mehr 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-Modell auf ein Bild angewendet. Diese Einfachheit macht die Ultralytics-Modelle 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-Modell an, um Objekte in Echtzeit zu erkennen.

Erkundung anderer Modelle

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

Transformatormodelle und deren Betrieb

Das von Baidu entwickelte und von Ultralytics unterstützte RT-DETR-Modell 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-Modell durchführen:

Code kopieren

FastSAM ausführen

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

Code kopieren

Dieses Modell ist ideal 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 Leistungskennzahlen wie die Ableitungsgeschwindigkeit und die mittlere durchschnittliche Genauigkeit (mAP) 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 Tutorials und Aktualisierungen von der Ultralytics-Community!