yolov8_test/docs/de/models/index.md

comments	description	keywords
true	Entdecken Sie die vielfältige Palette an Modellen der YOLO-Familie, SAM, MobileSAM, FastSAM, YOLO-NAS und RT-DETR, die von Ultralytics unterstützt werden. Beginnen Sie mit Beispielen für die CLI- und Python-Nutzung.	Ultralytics, Dokumentation, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, Modelle, Architekturen, Python, CLI

Von Ultralytics unterstützte Modelle

Willkommen bei der Modell-Dokumentation von Ultralytics! Wir bieten Unterstützung für eine breite Palette von Modellen, die jeweils für spezifische Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung und Multi-Objekt-Tracking maßgeschneidert sind. Wenn Sie daran interessiert sind, Ihre Modellarchitektur bei Ultralytics beizutragen, sehen Sie sich unseren Beitragenden-Leitfaden an.

!!! Note "Hinweis"

🚧 Unsere Dokumentation in verschiedenen Sprachen ist derzeit im Aufbau und wir arbeiten hart daran, sie zu verbessern. Vielen Dank für Ihre Geduld! 🙏

Vorgestellte Modelle

Hier sind einige der wichtigsten unterstützten Modelle:

1. YOLOv3: Die dritte Iteration der YOLO-Modellfamilie, ursprünglich von Joseph Redmon, bekannt für ihre effiziente Echtzeit-Objekterkennungsfähigkeiten.
2. YOLOv4: Ein dunkelnetz-natives Update von YOLOv3, veröffentlicht von Alexey Bochkovskiy im Jahr 2020.
3. YOLOv5: Eine verbesserte Version der YOLO-Architektur von Ultralytics, die bessere Leistungs- und Geschwindigkeitskompromisse im Vergleich zu früheren Versionen bietet.
4. YOLOv6: Veröffentlicht von Meituan im Jahr 2022 und in vielen autonomen Lieferrobotern des Unternehmens im Einsatz.
5. YOLOv7: Aktualisierte YOLO-Modelle, die 2022 von den Autoren von YOLOv4 veröffentlicht wurden.
6. YOLOv8 NEU 🚀: 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 University.
9. Fast Segment Anything Model (FastSAM): FastSAM von der Image & Video Analysis Group, Institute of Automation, 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.

Anschauen: Führen Sie Ultralytics YOLO-Modelle in nur wenigen Codezeilen aus.

Einstieg: Nutzungbeispiele

Dieses Beispiel bietet einfache YOLO-Trainings- und Inferenzbeispiele. Für vollständige Dokumentationen über diese und andere Modi siehe die Dokumentationsseiten Predict, Train, Val und Export.

Beachten Sie, dass das folgende Beispiel für YOLOv8 Detect Modelle zur Objekterkennung ist. Für zusätzliche unterstützte Aufgaben siehe die Dokumentation zu Segment, Classify und Pose.

!!! Example "Beispiel"

=== "Python"

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

    ```python
    from ultralytics import YOLO

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

    # Modellinformationen anzeigen (optional)
    model.info()

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

    # Inferenz mit dem YOLOv8n Modell auf das Bild 'bus.jpg' ausführen
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

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

    ```bash
    # Ein COCO-vortrainiertes YOLOv8n Modell laden und auf dem COCO8-Beispieldatensatz für 100 Epochen trainieren
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # Ein COCO-vortrainiertes YOLOv8n Modell laden und Inferenz auf das Bild 'bus.jpg' ausführen
    yolo predict model=yolov8n.pt source=path/to/bus.jpg
    ```

Neue Modelle beitragen

Sind Sie daran interessiert, Ihr Modell bei Ultralytics beizutragen? Großartig! Wir sind immer offen dafür, unser Modellportfolio zu erweitern.

1. Repository forken: Beginnen Sie mit dem Forken des Ultralytics GitHub-Repositorys.

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 entsprechend den in unserem Beitragenden-Leitfaden bereitgestellten Kodierungsstandards und Richtlinien hinzu.

4. Gründlich testen: Stellen Sie sicher, dass Sie Ihr Modell sowohl isoliert als auch als Teil des Pipelines gründlich testen.

5. Eine Pull-Anfrage erstellen: Sobald Sie mit Ihrem Modell zufrieden sind, erstellen Sie eine Pull-Anfrage zum Hauptrepository zur Überprüfung.

6. Code-Review & Zusammenführen: Nach der Überprüfung, wenn Ihr Modell unseren Kriterien entspricht, wird es in das Hauptrepository zusammengeführt.

Für detaillierte Schritte konsultieren Sie unseren Beitragenden-Leitfaden.