中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية

Link to this sectionUltralytics YOLO Dokumentation#

Ultralytics YOLO ist eine Familie von Echtzeit-Computer-Vision-Modellen für Objekterkennung, Instanz-Segmentierung, semantische Segmentierung, Klassifizierung, Pose-Schätzung, orientierte Bounding Boxes und Tracking, die über ein einziges Python-Paket und eine CLI verfügbar sind. YOLO26 basiert auf Fortschritten im Bereich Deep Learning und Computer Vision und bietet eine End-to-End NMS-freie Inferenz sowie eine optimierte Edge-Bereitstellung. Sein optimiertes Design macht es für verschiedene Anwendungen geeignet und leicht an unterschiedliche Hardwareplattformen anpassbar, von Edge-Geräten bis hin zu Cloud-APIs. Für stabile Produktions-Workloads werden sowohl YOLO26 als auch YOLO11 empfohlen.

Entdecke die Ultralytics Dokumentation, eine umfassende Ressource, die das YOLO-Paket und die CLI sowie die Ultralytics Platform abdeckt, welche um Datenannotation, Cloud-Training und Bereitstellung für dieselben Modelle erweitert wurde. Egal, ob du ein erfahrener Machine-Learning-Praktiker bist oder neu auf dem Gebiet, dieses Hub soll dir helfen, das Beste aus YOLO in deinen Projekten herauszuholen.

Fordere eine Enterprise-Lizenz für die kommerzielle Nutzung unter Ultralytics Licensing an.

Link to this sectionIn zwei Befehlen starten#

# Install the ultralytics package from PyPI
pip install ultralytics

# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'

Die Modellgewichte und das Beispielbild werden automatisch heruntergeladen, und das annotierte Ergebnis wird unter runs/detect/predict gespeichert.

Siehe den Quickstart Leitfaden für die vollständige Installations- und Nutzungsreferenz.

Link to this sectionWas möchtest du tun?#

Link to this sectionWie diese Dokumentation organisiert ist#

Die meisten Modell-Workflow-yolo-Befehle folgen einer Grammatik, yolo [TASK] MODE ARGS, wobei die Task optional ist und diese Dokumentation um dieselben drei Teile plus eine Abkürzung herum organisiert ist:

• Task beantwortet die Frage, was du von einem Bild erwartest: detection, instance segmentation, semantic segmentation, classification, pose estimation oder oriented boxes.
• Mode beantwortet die Frage, wie du ein Modell verwendest: train, validate, predict, export, track oder benchmark.
• Args konfiguriert den Befehl, von welchem model mit model= ausgeführt werden soll bis hin zu Hyperparametern wie epochs und imgsz.
• Solutions ist die Abkürzung: eine fertige Anwendung, wie Objektzählung oder ein Sicherheitsalarm, die Task und Mode komplett überspringt.

Alles andere unterstützt diese Grammatik: Models listet jede Architektur auf, die du an model= übergeben kannst — YOLO26, YOLO11, SAM 3, RT-DETR und mehr — Datasets liefert, worauf jede Task trainiert, Guides ist eine breite Sammlung ausführlicher Anleitungen, die Hardware-Bereitstellung, Hyperparameter-Optimierung, Datensatz-Konvertierung und vollständige Projektdurchläufe umfassen, Integrations verbindet die Pipeline mit den Trainings- und Bereitstellungstools, die du bereits verwendest, und der Reference Bereich dokumentiert jede Klasse und Funktion in der Python API.

Über das Python-Paket hinaus laufen zwei weitere Oberflächen auf denselben Modellen: die Ultralytics Platform für Cloud-Annotation, Training und Bereitstellung sowie Ultralytics Inference, eine eigenständige Rust-Bibliothek und CLI zum Ausführen exportierter Modelle ohne Python-Laufzeitumgebung.

Link to this sectionYOLO-Lizenzen: Wie ist Ultralytics YOLO lizenziert?#

Ultralytics bietet zwei Lizenzierungsoptionen für unterschiedliche Anwendungsfälle an:

• AGPL-3.0-Lizenz: Diese OSI-zugelassene Open-Source-Lizenz ist ideal für Studenten und Enthusiasten und fördert die offene Zusammenarbeit und den Wissensaustausch. Weitere Details findest du in der LICENSE-Datei.
• Enterprise-Lizenz: Für die Entwicklung und den produktiven Einsatz ermöglicht diese Lizenz die nahtlose Integration von Ultralytics Software und KI-Modellen in Geschäftsprodukte und Dienstleistungen, einschließlich interner Tools, automatisierter Workflows und Produktionsbereitstellungen, unter Umgehung der Open-Source-Anforderungen der AGPL-3.0. Um zu starten, kontaktiere uns bitte über Ultralytics Licensing.

Unsere Lizenzierungsstrategie wurde entwickelt, um sicherzustellen, dass alle Verbesserungen an unseren Open-Source-Projekten an die Community zurückfließen. Wir glauben an Open Source und unsere Mission ist es, sicherzustellen, dass unsere Beiträge auf eine Weise genutzt und erweitert werden können, die allen zugutekommt.

Link to this sectionFAQ#

Link to this sectionWas ist Ultralytics YOLO und wie verbessert es die Objekterkennung?#

Ultralytics YOLO ist die gefeierte YOLO (You Only Look Once)-Serie für Echtzeit-Objekterkennung und Bildsegmentierung. Das neueste Modell, YOLO26, baut auf früheren Versionen auf und führt eine NMS-freie End-to-End-Inferenz sowie eine optimierte Edge-Bereitstellung ein. YOLO unterstützt verschiedene Vision-KI-Aufgaben wie Erkennung, Instanzsegmentierung, semantische Segmentierung, Pose-Schätzung, Tracking und Klassifizierung. Seine effiziente Architektur sorgt für exzellente Geschwindigkeit und Genauigkeit, was es für diverse Anwendungen geeignet macht, einschließlich Edge-Geräten und Cloud-APIs.

Link to this sectionWie kann ich mit der Installation und Einrichtung von YOLO beginnen?#

Der Einstieg in YOLO ist schnell und unkompliziert. Installiere das Ultralytics-Paket von pip mit pip install ultralytics und führe dann deine erste Vorhersage mit yolo predict model=yolo26n.pt aus — die Modellgewichte werden automatisch heruntergeladen. Für umfassende Anweisungen zu conda, Docker und der Installation aus dem Quellcode besuche die Quickstart Seite.

Link to this sectionWie kann ich ein benutzerdefiniertes YOLO-Modell mit meinem Datensatz trainieren?#

Das Training eines benutzerdefinierten YOLO-Modells mit deinem Datensatz umfasst einige detaillierte Schritte:

1. Bereite deinen annotierten Datensatz vor und beschreibe ihn in einer Datensatz-YAML-Datei.
2. Lade ein vortrainiertes Modell, zum Beispiel YOLO("yolo26n.pt") in Python.
3. Starte das Training mit model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640) oder über die Befehlszeile mit yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.

Für eine detaillierte Anleitung sieh dir unseren Ein Modell trainieren-Leitfaden an, der Beispiele und Tipps zur Optimierung deines Trainingsprozesses enthält.

Link to this sectionWelche Lizenzoptionen gibt es für Ultralytics YOLO?#

Ultralytics bietet zwei Lizenzoptionen für YOLO an:

• AGPL-3.0-Lizenz: Diese Open-Source-Lizenz ist ideal für den Bildungsbereich und den nicht-kommerziellen Gebrauch und fördert die offene Zusammenarbeit.
• Enterprise-Lizenz: Für Entwicklungs- und Produktionszwecke, einschließlich interner Tools, automatisierter Workflows und Produktionsbereitstellungen, wobei die Open-Source-Anforderungen der AGPL-3.0 umgangen werden.

Weitere Details findest du auf unserer Lizenzierungs-Seite.

Link to this sectionWie kann Ultralytics YOLO für die Echtzeit-Objektverfolgung verwendet werden?#

Ultralytics YOLO unterstützt effizientes und anpassbares Multi-Objekt-Tracking. Rufe YOLO("yolo26n.pt").track(source="path/to/video.mp4") in Python auf oder führe yolo track source=path/to/video.mp4 über die Befehlszeile aus — beides funktioniert mit Videodateien, Live-Streams und Webcam-Eingaben. Für eine detaillierte Anleitung zur Einrichtung und Ausführung von Objekt-Tracking, sieh dir unsere Track Mode Dokumentation an, die die Konfiguration und praktische Anwendungen in Echtzeit-Szenarien erklärt.