Echtzeit-YOLO-Objekterkennung
Finde und lokalisiere Objekte in Bildern und Videos mit Ultralytics YOLO26-Erkennungsmodellen. Trainiere auf deinen eigenen Daten, evaluiere mit klaren Metriken und stelle sie in Echtzeit auf Edge, Cloud und Mobilgeräten bereit.
YOLO26-Erkennungsmodelle
Die Objekterkennung ist die grundlegende Aufgabe der YOLO26-Familie mit fünf Modellgrößen, die alles von eingebetteten CPUs bis hin zu genauigkeitskritischen Cloud-Workloads abdecken. Jede Größe wird mit denselben drei API-Zeilen auf deinen eigenen Daten trainiert und in das Format exportiert, auf dem deine 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-Erkennungs-Benchmarks aus der Ultralytics-Dokumentation.
Von weltweit führenden Unternehmen vertraut
Die Wirkung unserer Modelle
Optimiere Prozesse branchenübergreifend mit unseren hochmodernen Vision-KI-Modellen. Geschwindigkeit, Genauigkeit und Benutzerfreundlichkeit, angetrieben von Ultralytics.
Die Evolution der Ultralytics-YOLO-Modelle
Erfahre, wie sich Ultralytics YOLO vom praktischen YOLOv5-Workflow zur Edge-Ready-YOLO26-Inferenz entwickelt hat.
Beschrifte bis zu 10x schneller mit intelligenter Annotation
Ultralytics Platform bietet dir das Bildannotationstool, um schneller hochwertige Datensätze zu erstellen. Von smarter Annotation bis hin zur präzisen manuellen Bearbeitung sind diese Funktionen darauf ausgelegt, den Zeitaufwand für die Bildbeschriftung zu reduzieren, ohne Abstriche bei der Qualität zu machen.
- SAM-gestützte intelligente Annotation: Masken und Bounding Boxes mit einem Klick.
- Vollständige KI-Aufgabenabdeckung: Erkennung, Instanzsegmentierung, semantische Segmentierung, Klassifizierung, Pose, OBB.
- Unterstützung universeller Formate: Deine Wahl aus YOLO, COCO und mehr.
- Team-Review und Versionierung: Klare Zusammenarbeit bei jedem Schritt.
Trainiere auf den besten GPUs zu geringeren Kosten
26 NVIDIA GPUs ab 0,24 $/Std. – von Ampere bis Blackwell. Kein Aufschlag, kein Mindestbetrag, keine Verpflichtung.
Branchenlösungen erkunden
Sieh dir an, wie Teams die Computer Vision von Ultralytics in Produktionsumgebungen einsetzen.
Landwirtschaft
Automobilindustrie
Gesundheitswesen
Logistik
Fertigung
Einzelhandel
Robotik
Landwirtschaft
Automobilindustrie
Gesundheitswesen
Logistik
Fertigung
Einzelhandel
Robotik
Landwirtschaft
Automobilindustrie
Gesundheitswesen
Logistik
Fertigung
Einzelhandel
Robotik
Häufig gestellte Fragen
Object detection identifiziert Objekte in einem Bild oder Videobild und lokalisiert jedes Objekt mit einer Bounding Box und einem Klassenlabel. Ultralytics YOLO-Modelle führen die Erkennung in einem einzigen Durchlauf aus, weshalb sie auf Hardware von Edge-Geräten bis hin zu Cloud-GPUs in Echtzeit laufen. Die Objekterkennung ist die Grundaufgabe der Ultralytics YOLO-Familie und der Startpunkt für Tracking-, Zähl- und Analyse-Workflows.
Ultralytics YOLO26 ist die neueste stabile Generation und die empfohlene Wahl für neue Detektionsprojekte. Dessen End-to-End- und NMS-freies Design vereinfacht die Bereitstellung, und die Nano-Variante ist für CPU- und Edge-Inferenz optimiert. Frühere Familien wie YOLO11 und YOLOv5u werden über dieselbe API weiterhin unterstützt.
Verwende den Train-Modus der Ultralytics-Bibliothek mit deinem Datensatz im YOLO-Format, oder nutze Ultralytics Platform, um Bilder zu annotieren, auf Cloud-GPUs zu trainieren und Ausführungen direkt im Browser zu verwalten. Es wird empfohlen, von vortrainierten Gewichten aus zu starten: Fine-Tuning konvergiert schneller und benötigt weniger Daten als das Training von Grund auf.
Detektionsmodelle werden anhand von Präzision, Recall und mean average precision (mAP) bewertet, die über IoU-Schwellenwerte hinweg berechnet werden. Die Ultralytics-Validierung berichtet diese Metriken automatisch für jede Klasse. Die Leitfaden zur Modellbewertung erklärt, wie du diese interpretierst und deinen Datensatz sowie dein Trainings-Setup verbesserst.
Verwende den Export-Modus, um trainierte Detektoren für deine Zielhardware in Formate wie ONNX, TensorRT, CoreML, OpenVINO und LiteRT zu konvertieren. Das NMS-freie Design von YOLO26 hält den exportierten Graphen einfach, und der Benchmark-Modus vergleicht Geschwindigkeit und Genauigkeit über verschiedene Formate hinweg, bevor du die Anwendung auslieferst.
Erstelle Objekterkennung mit Ultralytics
Annotiere Daten, trainiere YOLO26-Detektoren und stelle sie mit der Ultralytics Platform überall bereit.