ultralytics/docs/de/models/index.md

comments	description	keywords
true	Entdecken Sie die Vielfalt der von Ultralytics unterstützten Modelle der YOLO-Familie, SAM, MobileSAM, FastSAM, YOLO-NAS und RT-DETR Modelle. Beginnen Sie mit Beispielen für die Verwendung in CLI und Python.	Ultralytics, Dokumentation, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, Modelle, Architekturen, Python, CLI

Von Ultralytics unterstützte Modelle

Willkommen in der Modell-Dokumentation von Ultralytics! Wir bieten Unterstützung für eine breite Palette von Modellen, die für spezifische Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Poseerkennung und Multi-Objekt-Tracking zugeschnitten sind. Wenn Sie daran interessiert sind, Ihre Modellarchitektur an Ultralytics beizutragen, werfen Sie einen Blick auf unseren Beitragenden-Leitfaden.

!!! Note

🚧 Unsere mehrsprachige Dokumentation befindet sich derzeit im Aufbau, und wir arbeiten hart daran, sie zu verbessern. Vielen Dank für Ihre Geduld! 🙏

Vorgestellte Modelle

Hier sind einige der wesentlichen unterstützten Modelle:

1. YOLOv3: Die dritte Iteration der YOLO-Modellfamilie, ursprünglich von Joseph Redmon entwickelt und bekannt für ihre effiziente Echtzeit-Objekterkennung.
2. YOLOv4: Eine darknet-native Aktualisierung von YOLOv3, die 2020 von Alexey Bochkovskiy veröffentlicht wurde.
3. YOLOv5: Eine verbesserte Version der YOLO-Architektur von Ultralytics, die im Vergleich zu früheren Versionen bessere Leistungs- und Geschwindigkeitstrade-offs bietet.
4. YOLOv6: Im Jahr 2022 von Meituan veröffentlicht und in vielen autonomen Zustellrobotern des Unternehmens verwendet.
5. YOLOv7: Im Jahr 2022 von den Autoren von YOLOv4 aktualisierte YOLO-Modelle.
6. YOLOv8: Die neueste Version der YOLO-Familie mit erweiterten Fähigkeiten wie Instanzsegmentierung, Pose-/Schlüsselpunktschätzung und Klassifizierung.
7. Segment Anything Model (SAM): Metas Segment Anything Model (SAM).
8. Mobile Segment Anything Model (MobileSAM): MobileSAM für mobile Anwendungen von der Kyung Hee Universität.
9. Fast Segment Anything Model (FastSAM): FastSAM von der Bild- und Videoanalysegruppe des Instituts für Automatisierung, Chinesische Akademie der Wissenschaften.
10. YOLO-NAS: YOLO Neural Architecture Search (NAS) Modelle.
11. Realtime Detection Transformers (RT-DETR): Baidus PaddlePaddle Realtime Detection Transformer (RT-DETR) Modelle.

Sehen Sie: Ultralytics YOLO-Modelle in nur wenigen Zeilen Code ausführen.

Erste Schritte: Anwendungsbeispiele

!!! Example "Beispiel"

=== "Python"

    PyTorch vortrainierte `*.pt` Modelle sowie Konfigurations-`*.yaml` Dateien können den Klassen `YOLO()`, `SAM()`, `NAS()` und `RTDETR()` übergeben werden, um in Python eine Modellinstanz zu erstellen:

    ```python
    from ultralytics import YOLO

    # Laden eines auf COCO vortrainierten YOLOv8n-Modells
    model = YOLO('yolov8n.pt')

    # Modellinformationen anzeigen (optional)
    model.info()

    # Das Modell mit dem COCO8-Beispieldatensatz für 100 Epochen trainieren
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # Inferenz mit dem YOLOv8n-Modell am Bild 'bus.jpg' durchführen
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    CLI-Befehle sind verfügbar, um die Modelle direkt auszuführen:

    ```bash
    # Laden eines auf COCO vortrainierten YOLOv8n-Modells und Trainieren auf dem COCO8-Beispieldatensatz für 100 Epochen
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # Laden eines auf COCO vortrainierten YOLOv8n-Modells und Durchführung der Inferenz am Bild 'bus.jpg'
    yolo predict model=yolov8n.pt source=path/to/bus.jpg
    ```

Neue Modelle beitragen

Interessiert, Ihr Modell bei Ultralytics beizutragen? Großartig! Wir sind immer offen, unser Modellportfolio zu erweitern.

1. Das Repository forken: Beginnen Sie damit, das GitHub-Repository von Ultralytics zu forken.

2. Ihren Fork klonen: Klonen Sie Ihren Fork auf Ihre lokale Maschine und erstellen Sie einen neuen Branch, um daran zu arbeiten.

3. Ihr Modell implementieren: Fügen Sie Ihr Modell gemäß den in unserem Beitragenden-Leitfaden bereitgestellten Codierstandards und Richtlinien hinzu.

4. Gründlich testen: Stellen Sie sicher, dass Sie Ihr Modell sowohl isoliert als auch als Teil der Pipeline rigoros testen.

5. Einen Pull Request erstellen: Wenn Sie mit Ihrem Modell zufrieden sind, erstellen Sie einen Pull Request zum Hauptrepository zur Überprüfung.

6. Code-Überprüfung und Merging: Nach der Überprüfung wird Ihr Modell, wenn es unseren Kriterien entspricht, in das Hauptrepository übernommen.

Für detaillierte Schritte konsultieren Sie unseren Beitragenden-Leitfaden.