ultralytics: Open-Source-Framework für Computer Vision und Deep Learning 152

Ultralytics ist ein nützliches Open-Source-Framework für Computer Vision und Deep Learning. Es wird hauptsächlich zur Entwicklung und Ausführung der YOLO-Modellreihe verwendet, wie z. B. YOLOv5, YOLOv8 usw. Dieses Tool wird häufig bei visuellen Aufgaben eingesetzt, die schnelle Reaktionen erfordern, wie z. B. Objekterkennung, Bildsegmentierung und Aktionserkennung.

Einfach ausgedrückt handelt es sich um ein Toolkit, das den gesamten Prozess vom Training eines Modells bis zum tatsächlichen Einsatz sehr einfach macht.

Kernfunktionen von Ultralytics

Unterstützung mehrerer Aufgaben

Es kann viele verschiedene Aufgaben aus dem Bereich Computer Vision bewältigen, darunter:

• Dinge finden: Positionen von Objekten markieren.

• Bilder zerschneiden: Die Umrisse von Objekten präzise ausschneiden.

• Bewegungen erkennen: Positionen menschlicher Gelenke erkennen.

• Klassifizieren: Bestimmen, was auf einem ganzen Bild zu sehen ist.

• Schräg suchen: Objekte mit Winkeln finden, z. B. schräg stehende Autos in Luftaufnahmen.

Kompletter Entwicklungsprozess

• Von der Datenaufbereitung über das Training des Modells bis hin zum endgültigen Export und Einsatz kümmert es sich um den gesamten Prozess.

Schnell und einfach zu bedienen

• Einfache Bedienung: Es gibt einfache Code-Befehle, die auch Anfängern das Lernen erleichtern.

• Schnelle Ausführung: Unterstützt verschiedene Beschleunigungstechniken und liefert schnelle Ergebnisse.

• Viele Modelle: Es gibt große und kleine Modelle – je nachdem, ob Sie Geschwindigkeit oder Genauigkeit benötigen.

Einfach überall einsetzbar

• Modelle können in verschiedene Formate konvertiert und auf Computern, Mobiltelefonen oder spezieller Hardware ausgeführt werden.

Anwendungsszenarien von ultralytics

• Qualitätskontrolle in der Fabrik: Prüfung von Produktfehlern, Zählen von Teilen, Lesen von Codes – wird bereits auf über 200 Produktionslinien eingesetzt.

• Stadtsicherheit: Gesichtserkennung, Fahrzeugüberwachung, Branderkennung, Verkehrszählung.

• Roboter und Autos: Hindernissen ausweichen, Straße erkennen, Fahrspuren erkennen.

• Medizin und Forschung: Segmentierung von Zellen, Analyse von Röntgenbildern, Durchführung experimenteller Tests.

• Kleine Geräte: Drohnen, Überwachungskameras, Handheld-Geräte – auch auf normalen Prozessoren können kleine Modelle ausgeführt werden.

Verwendung von ultralytics

Ultralytics bietet flexible Nutzungsmöglichkeiten, sowohl über Python-Code als auch über die Kommandozeile.

Beispiel für die Verwendung der Python-API

from ultralytics import YOLO

# 1. 加载一个预训练模型 (例如 YOLOv8 nano)
model = YOLO("yolov8n.pt")

# 2. 在自定义数据集上训练模型
model.train(data="coco.yaml", epochs=100, imgsz=640)

# 3. 对一张图片进行目标检测
results = model("image.jpg")

# 4. 保存结果
results[0].save(filename="result.jpg")

Beispiel für das Kommandozeilen-Tool (CLI)

# 对图片进行预测
yolo predict model=yolov8n.pt source='path/to/image.jpg'

# 开始训练模型
yolo detect train data=coco.yaml model=yolov8n.pt epochs=100

Häufig gestellte Fragen & Lösungsansätze