YOLO-Objekterkennung in Echtzeit
Finde und lokalisiere Objekte in Bildern und Videos mit den Erkennungsmodellen Ultralytics YOLO26. Trainiere mit deinen eigenen Daten, werte die Modelle anhand aussagekräftiger Kennzahlen aus und setze sie in Echtzeit auf Edge-Geräten, in der Cloud und auf Mobilgeräten ein.
YOLO26-Modelle zur Erkennung
Die Objekterkennung ist die grundlegende Aufgabe der YOLO26-Familie. Fünf Modellgrößen decken alles ab – von eingebetteten CPUs bis hin zu Cloud-Workloads, bei denen Genauigkeit entscheidend ist. Jede Größe lässt sich mit deinen eigenen Daten über dieselbe dreizeilige API trainieren und in das Format exportieren, das auf deiner Hardware am besten läuft.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 detection model
model = YOLO("yolo26n.pt")
# Run inference
results = model("image.jpg")| Modell | Größe (px) | mAP 50–95 | mAP 50-95 (e2e) | CPU ONNX (ms) | T4 TensorRT (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 40.1 | 38.9 ± 0.7 | 1.7 ± 0.0 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 47.8 | 87.2 ± 0.9 | 2.5 ± 0.0 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 52.5 | 220.0 ± 1.4 | 4.7 ± 0.1 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 54.4 | 286.2 ± 2.0 | 6.2 ± 0.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 56.9 | 525.8 ± 4.0 | 11.8 ± 0.2 | 55.7 | 193.9 |
YOLO26-Erkennungsbenchmarks aus der Ultralytics-Dokumentation.
Weltweit führende Organisationen vertrauen uns
Die Wirkung unserer Modelle
Optimiere Abläufe in verschiedenen Branchen mit unseren hochmodernen Vision-AI-Modellen. Ultralytics sorgt für Geschwindigkeit, Genauigkeit und einfache Bedienung.
Die Entwicklung der Ultralytics-YOLO-Modelle
Sieh dir an, wie sich Ultralytics YOLO vom praktischen YOLOv5-Ablauf bis zur Inferenz mit YOLO26 für Edge-Geräte weiterentwickelt hat.
Bis zu 10-mal schneller beschriften – mit intelligenter Annotation
Die Ultralytics Platform bietet dir ein Bild-Annotationstool, mit dem du schneller hochwertige Datensätze erstellst. Von intelligenter Annotation bis hin zu präziser manueller Bearbeitung: Diese Funktionen verkürzen die Zeit für die Bildbeschriftung, ohne die Qualität zu beeinträchtigen.
- Intelligente, von SAM unterstützte Annotation:Masken und Begrenzungsrahmen mit einem Klick.
- Unterstützung für alle KI-Aufgaben:Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Klassifizierung, Posenschätzung, OBB.
- Unterstützung universeller Formate:Du hast die Wahl zwischen YOLO, COCO und mehr.
- Teamprüfung und Versionsverwaltung:Klare Zusammenarbeit bei jedem Schritt.
Trainiere günstiger auf den besten GPUs
26 NVIDIA-GPUs ab 0,24 $/Std. – von Ampere bis Blackwell. Keine Aufschläge, keine Mindestabnahme, keine Vertragsbindung.
Überall bereitstellen
Exportiere in 22 Formate und stelle sie auf Edge-Geräten, in der Cloud und auf Mobilgeräten bereit.
Lösungen für verschiedene Branchen entdecken
Erfahre, wie Teams Computer Vision von Ultralytics in Produktionsumgebungen einsetzen.
Landwirtschaft
Automobilindustrie
Gesundheitswesen
Logistik
Fertigung
Einzelhandel
Robotik
Häufig gestellte Fragen
Die Objekterkennung identifiziert Objekte in einem Bild oder Videobild und lokalisiert jedes Objekt mit einer Begrenzungsbox und einer Klassenbezeichnung. Ultralytics-YOLO-Modelle führen die Erkennung in einem einzigen Durchlauf aus und können deshalb auf Hardware von Edge-Geräten bis zu Cloud-GPUs in Echtzeit arbeiten. Die Erkennung ist die grundlegende Aufgabe der Ultralytics-YOLO-Familie und der Ausgangspunkt für Arbeitsabläufe zur Verfolgung, Zählung und Analyse.
Ultralytics YOLO26 ist die neueste stabile Generation und die empfohlene Wahl für neue Erkennungsprojekte. Das End-to-End-Design ohne NMS vereinfacht die Bereitstellung, und die Nano-Variante ist für CPU- und Edge-Inferenz optimiert. Frühere Modellfamilien wie YOLO11 und YOLOv5u werden weiterhin über dieselbe API unterstützt.
Verwende den Trainingsmodus der Ultralytics-Bibliothek mit deinem Datensatz im YOLO-Format oder nutze die Ultralytics Platform, um Bilder zu annotieren, auf Cloud-GPUs zu trainieren und Trainingsläufe im Browser zu verwalten. Es empfiehlt sich, mit vortrainierten Gewichten zu beginnen: Beim Fine-Tuning wird schneller konvergiert und es werden weniger Daten benötigt als beim Training von Grund auf.
Erkennungsmodelle werden anhand von Präzision, Trefferquote und mittlerer durchschnittlicher Präzision (mAP) bewertet, die über verschiedene IoU-Schwellenwerte hinweg berechnet werden. Die Ultralytics-Validierung gibt diese Kennzahlen automatisch für jede Klasse aus. Der Leitfaden zur Modellbewertung erklärt, wie du die Kennzahlen interpretierst und deinen Datensatz sowie deine Trainingseinstellungen verbesserst.
Verwende den Exportmodus, um trainierte Erkennungsmodelle für deine Zielhardware in Formate wie ONNX, OpenVINO, TensorRT, CoreML und LiteRT umzuwandeln. Das NMS-freie Design von YOLO26 hält den exportierten Graphen einfach, und der Benchmark-Modus vergleicht Geschwindigkeit und Genauigkeit der verschiedenen Formate, bevor du das Modell auslieferst.
Objekterkennung mit Ultralytics entwickeln
Annotiere Daten, trainiere YOLO26-Erkennungsmodelle und stelle sie mit der Ultralytics Platform überall bereit.