Ultralytics entwickelt hochmoderne (State-of-the-Art, SOTA) YOLO-Modelle, die auf jahrelanger Grundlagenforschung in den Bereichen Computer Vision und KI basieren. Unsere Modelle werden ständig in Bezug auf Leistung und Flexibilität weiterentwickelt und sind schnell, präzise und einfach zu bedienen. Zu ihren Stärken gehören Objekterkennung, Tracking, Instanzsegmentierung, semantische Segmentierung, Bildklassifikation und Posenschätzung.

Ausführliche Dokumentation finden Sie in der Ultralytics-Dokumentation. Unterstützung erhalten Sie über GitHub Issues. Nehmen Sie an Diskussionen auf Discord, Reddit und in den Ultralytics Community-Foren teil!

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

📄 Dokumentation

Nachfolgend finden Sie Beispiele für die Schnellstart-Installation und -Verwendung. Eine umfassende Anleitung zu Training, Validierung, Vorhersage und Bereitstellung finden Sie in unserer vollständigen Ultralytics-Dokumentation.

Installation

Installieren Sie das Paket ultralytics einschließlich aller Anforderungen in einer Python>=3.8-Umgebung mit PyTorch>=1.8.

```bash pip install ultralytics

Für alternative Installationsmethoden, einschließlich [Conda](https://anaconda.org/conda-forge/ultralytics), [Docker](https://hub.docker.com/r/ultralytics/ultralytics) und dem Erstellen aus dem Quellcode über Git, konsultieren Sie bitte den [Schnellstart-Leitfaden](https://docs.ultralytics.com/quickstart).

[![Conda Version](https://img.shields.io/conda/vn/conda-forge/ultralytics?logo=condaforge)](https://anaconda.org/conda-forge/ultralytics) [![Docker Image Version](https://img.shields.io/docker/v/ultralytics/ultralytics?sort=semver&logo=docker)](https://hub.docker.com/r/ultralytics/ultralytics) [![Ultralytics Docker Pulls](https://img.shields.io/docker/pulls/ultralytics/ultralytics?logo=docker)](https://hub.docker.com/r/ultralytics/ultralytics)

</details>

<details open>
<summary>Verwendung</summary>

### CLI

Sie können Ultralytics YOLO direkt über die Befehlszeilenschnittstelle (CLI) mit dem Befehl `yolo` verwenden:```bash
# Predict using a pretrained YOLO model (e.g., YOLO26n) on an image
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

Weitere Beispiele findest du in der YOLO [Python-Dokumentation](https://docs.ultralytics.com/usage/python). </details> ## ✨ Modelle Ultralytics unterstützt eine breite Palette von YOLO-Modellen, von frühen Versionen wie [YOLOv3](https://docs.ultralytics.com/models/yolov3) bis zum neuesten [YOLO26](https://docs.ultralytics.com/models/yolo26). Die folgenden Tabellen zeigen YOLO26-Modelle, die auf [COCO](https://docs.ultralytics.com/datasets/detect/coco) für [Objekterkennung](https://docs.ultralytics.com/tasks/detect), [Segmentierung](https://docs.ultralytics.com/tasks/segment) und [Pose-Schätzung](https://docs.ultralytics.com/tasks/pose) vortrainiert wurden. [Semantische Segmentierung](https://docs.ultralytics.com/tasks/semantic)-Modelle sind auf [Cityscapes](https://docs.ultralytics.com/datasets/semantic/cityscapes) vortrainiert, [Tiefenschätzung](https://docs.ultralytics.com/tasks/depth)-Modelle sind auf einer breiten Multi-Datensatz-Mischung vortrainiert und werden auf [NYU Depth V2](https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html) evaluiert, und [Klassifikation](https://docs.ultralytics.com/tasks/classify)-Modelle sind auf [ImageNet](https://docs.ultralytics.com/datasets/classify/imagenet) vortrainiert. Der [Tracking](https://docs.ultralytics.com/modes/track)-Modus ist mit Objekterkennungs-, Segmentierungs-, Pose- und OBB-Modellen kompatibel. Alle [Modelle](https://docs.ultralytics.com/models) werden bei der ersten Verwendung automatisch aus dem neuesten Ultralytics-[Release](https://github.com/ultralytics/assets/releases) heruntergeladen. <a href="https://docs.ultralytics.com/tasks" target="_blank"> <img width="100%" src="https://cdn.ul.run/i/c99d914c3958d0755b5a3d7204b6f24a.avif" alt="Unterstützte Ultralytics-YOLO-Aufgaben"> </a> <details open><summary>Objekterkennung (COCO)</summary> Weitere Anwendungsbeispiele findest du in der [Dokumentation zur Objekterkennung](https://docs.ultralytics.com/tasks/detect). Diese Modelle sind auf dem [COCO-Datensatz](https://cocodataset.org/) trainiert und umfassen 80 Objektklassen. | Modell | Größe (Pixel) | mAPval 50-95 | mAPval 50-95(e2e) | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) | | ---------------------------------------------------------------------- | --------------------------- | -------------------------- | ------------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- | | [YOLO26n](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n) | 640 | 40.9 | 40.1 | 38.9 ± 0.7 | 1.7 ± 0.0 | 2.4 | 5.4 | | [YOLO26s](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s) | 640 | 48.6 | 47.8 | 87.2 ± 0.9 | 2.5 ± 0.0 | 9.5 | 20.7 | | [YOLO26m](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m) | 640 | 53.1 | 52.5 | 220.0 ± 1.4 | 4.7 ± 0.1 | 20.4 | 68.2 | | [YOLO26l](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l) | 640 | 55.0 | 54.4 | 286.2 ± 2.0 | 6.2 ± 0.2 | 24.8 | 86.4 | | [YOLO26x](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x) | 640 | 57.5 | 56.9 | 525.8 ± 4.0 | 11.8 ± 0.2 | 55.7 | 193.9 | - **mAPval**-Werte beziehen sich auf die Leistung eines einzelnen Modells in einer einzelnen Skala auf dem [COCO val2017](https://cocodataset.org/)-Datensatz. Details findest du unter [YOLO-Leistungsmetriken](https://docs.ultralytics.com/guides/yolo-performance-metrics). Reproduzieren mit `yolo val detect data=coco.yaml device=0` - **Geschwindigkeit**: Die Metriken werden über COCO-val-Bilder mit einer [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/)-Instanz gemittelt. CPU-Geschwindigkeiten werden mit [ONNX](https://onnx.ai/)-Export gemessen, GPU-Geschwindigkeiten mit [TensorRT](https://developer.nvidia.com/tensorrt)-Export. Reproduzieren mit `yolo val detect data=coco.yaml batch=1 device=0|cpu` </details> <details><summary>Segmentierung (COCO)</summary> Weitere Anwendungsbeispiele findest du in der [Segmentierungs-Dokumentation](https://docs.ultralytics.com/tasks/segment). Diese Modelle sind auf [COCO-Seg](https://docs.ultralytics.com/datasets/segment/coco) trainiert und umfassen 80 Klassen. | Modell | Größe (Pixel) | mAPbox 50-95(e2e) | mAPmask 50-95(e2e) | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) | | ------------------------------------------------------------------------------ | --------------------------- | ------------------------------- | -------------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- | | [YOLO26n-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-seg) | 640 | 39.6 | 33.9 | 53.3 ± 0.5 | 2.1 ± 0.0 | 2.7 | 9.1 | | [YOLO26s-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-seg) | 640 | 47.3 | 40.0 | 118.4 ± 0.9 | 3.3 ± 0.0 | 10.4 | 34.2 | | [YOLO26m-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-seg) | 640 | 52.5 | 44.1 | 328.2 ± 2.4 | 6.7 ± 0.1 | 23.6 | 121.5 | | [YOLO26l-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-seg) | 640 | 54.4 | 45.5 | 387.0 ± 3.7 | 8.0 ± 0.1 | 28.0 | 139.8 | | [YOLO26x-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-seg) | 640 | 56.5 | 47.0 | 787.0 ± 6.8 | 16.4 ± 0.1 | 62.8 | 313.5 | - **mAPval**-Werte gelten für einzelne Modelle in einer einzelnen Skala auf dem [COCO val2017](https://cocodataset.org/)-Datensatz. Details findest du unter [YOLO-Leistungsmetriken](https://docs.ultralytics.com/guides/yolo-performance-metrics). Reproduzieren mit `yolo val segment data=coco.yaml device=0` - **Geschwindigkeit**: Die Metriken werden über COCO-val-Bilder mit einer [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/)-Instanz gemittelt. CPU-Geschwindigkeiten werden mit [ONNX](https://onnx.ai/)-Export gemessen, GPU-Geschwindigkeiten mit [TensorRT](https://developer.nvidia.com/tensorrt)-Export. Reproduzieren mit `yolo val segment data=coco.yaml batch=1 device=0|cpu` </details> <details><summary>Semantische Segmentierung (Cityscapes)</summary> Weitere Anwendungsbeispiele findest du in der [Dokumentation zur semantischen Segmentierung](https://docs.ultralytics.com/tasks/semantic). Diese Modelle sind auf [Cityscapes](https://docs.ultralytics.com/datasets/semantic/cityscapes) trainiert und umfassen 19 Klassen. | Modell | Größe (Pixel) | mIoUval | Geschwindigkeit RTX3090 PyTorch (ms) | Parameter (M) | FLOPs (B) | | ------------------------------------------------------------------------------ | --------------------------- | ------------------ | ----------------------------------------------------- | ------------------------ | ----------------------- | | [YOLO26n-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-sem) | 1024 × 2048 | 78.3 | 4.4 ± 0.0 | 1.6 | 22.7 | | [YOLO26s-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-sem) | 1024 × 2048 | 80.8 | 8.4 ± 0.0 | 6.5 | 88.8 | | [YOLO26m-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-sem) | 1024 × 2048 | 82.0 | 19.9 ± 0.1 | 14.3 | 304.5 | | [YOLO26l-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-sem) | 1024 × 2048 | 82.9 | 26.5 ± 0.1 | 17.9 | 384.7 | | [YOLO26x-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-sem) | 1024 × 2048 | 83.6 | 48.9 ± 0.2 | 40.2 | 861.7 | - **mIoUval**-Werte gelten für einzelne Modelle in einer einzelnen Skala auf dem [Cityscapes](https://www.cityscapes-dataset.com/)-Validierungsset. Reproduzieren mit `yolo semantic val data=cityscapes.yaml device=0 imgsz=2048` - **Geschwindigkeit**: Die Metriken werden über Cityscapes-Validierungsbilder mit einer RTX3090-Instanz gemittelt. Reproduzieren mit `yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048` </details> <details><summary>Tiefenschätzung (NYU Depth V2)</summary> Weitere Anwendungsbeispiele findest du in der [Dokumentation zur Tiefenschätzung](https://docs.ultralytics.com/tasks/depth). Diese Modelle sind auf einer breiten Multi-Datensatz-Mischung vortrainiert und werden auf dem [NYU Depth V2](https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html) Eigen-Test-Split evaluiert. Sie sagen die Tiefe pro Pixel in Metern voraus. | Modell | Größe (Pixel) | delta1NYU | abs_relNYU | rmseNYU | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) | | ---------------------------------------------------------------------------------- | --------------------------- | -------------------- | --------------------- | ------------------ | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- | | [YOLO26n-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-depth) | 768 | 0.882 | 0.109 | 0.414 | 272.0 ± 27.2 | 2.7 ± 0.1 | 6.4 | 46.9 | | [YOLO26s-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-depth) | 768 | 0.896 | 0.104 | 0.399 | 393.7 ± 13.1 | 3.8 ± 0.0 | 13.2 | 67.9 | | [YOLO26m-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-depth) | 768 | 0.921 | 0.089 | 0.364 | 621.5 ± 49.7 | 6.0 ± 0.1 | 23.3 | 130.7 | | [YOLO26l-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-depth) | 768 | 0.930 | 0.083 | 0.351 | 821.9 ± 50.7 | 7.7 ± 0.1 | 27.7 | 157.2 | | [YOLO26x-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-depth) | 768 | 0.933 | 0.080 | 0.344 | 1240.9 ± 73.3 | 13.6 ± 0.2 | 57.0 | 302.0 | - **delta1NYU** ist der Prozentsatz der Pixel, bei denen die vorhergesagte Tiefe innerhalb eines Faktors von 1.25 der Ground Truth liegt, auf dem NYU-Depth-V2-Eigen-Test-Split (654 Bilder) mit Multi-Scale- und horizontalem Flip-TTA sowie Log-Least-Squares-Ausrichtung. - Die Genauigkeit mit einer einzelnen Skala ohne TTA ist reproduzierbar mit `yolo depth val model=yolo26n-depth.pt data=nyu-depth.yaml imgsz=768 device=0` (ersetze `model=` für jede Größe), wobei die Median-Ausrichtung (nur Skala) verwendet wird und niedrigere Werte erzielt werden: delta1 0.785 (n), 0.786 (s), 0.827 (m), 0.839 (l), 0.843 (x). - **abs_rel** ist der mittlere absolute relative Fehler zwischen vorhergesagten und Ground-Truth-Tiefenwerten. - **rmse** ist die Wurzel des mittleren quadratischen Fehlers (Root Mean Squared Error) in Metern. - **Geschwindigkeit** ist die reine Inferenzlatenz (ohne Vor-/Nachbearbeitung) bei `imgsz=768`, `batch=1`, angegeben als Mittelwert ± Standardabweichung über zeitlich gemessene Läufe nach dem Aufwärmen. **CPU ONNX** ist ONNX Runtime fp32 auf einem 32-Kern-Intel-Xeon (Skylake); **T4 TensorRT10** ist TensorRT fp16 auf einer Tesla T4. - **Parameter** und **FLOPs** werden bei 768×768 gemessen, der Trainingsauflösung der veröffentlichten Gewichte. </details> <details><summary>Klassifikation (ImageNet)</summary> Weitere Anwendungsbeispiele findest du in der [Klassifikations-Dokumentation](https://docs.ultralytics.com/tasks/classify). Diese Modelle sind auf [ImageNet](https://docs.ultralytics.com/datasets/classify/imagenet) trainiert und decken 1000 Klassen ab. | Modell | Größe (Pixel) | acc top1 | acc top5 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) bei 224 | | ------------------------------------------------------------------------------ | --------------------------- | ---------------------- | ---------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ------------------------------ | | [YOLO26n-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-cls) | 224 | 71.4 | 90.1 | 5.0 ± 0.3 | 1.1 ± 0.0 | 2.8 | 0.5 | | [YOLO26s-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-cls) | 224 | 76.0 | 92.9 | 7.9 ± 0.2 | 1.3 ± 0.0 | 6.7 | 1.6 | | [YOLO26m-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-cls) | 224 | 78.1 | 94.2 | 17.2 ± 0.4 | 2.0 ± 0.0 | 11.6 | 4.9 | | [YOLO26l-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-cls) | 224 | 79.0 | 94.6 | 23.2 ± 0.3 | 2.8 ± 0.0 | 14.1 | 6.2 | | [YOLO26x-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-cls) | 224 | 79.9 | 95.0 | 41.4 ± 0.9 | 3.8 ± 0.0 | 29.6 | 13.6 | - **acc**-Werte stehen für die Modellgenauigkeit auf dem Validierungsset des [ImageNet](https://www.image-net.org/)-Datensatzes. Reproduzieren mit `yolo val classify data=path/to/ImageNet device=0` - **Geschwindigkeit**: Die Metriken werden über ImageNet-val-Bilder mit einer [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/)-Instanz gemittelt. CPU-Geschwindigkeiten werden mit [ONNX](https://onnx.ai/)-Export gemessen, GPU-Geschwindigkeiten mit [TensorRT](https://developer.nvidia.com/tensorrt)-Export. Reproduzieren mit `yolo val classify data=path/to/ImageNet batch=1 device=0|cpu` </details> <details><summary>Pose (COCO)</summary> Weitere Anwendungsbeispiele findest du in der [Dokumentation zur Pose-Schätzung](https://docs.ultralytics.com/tasks/pose). Diese Modelle sind auf [COCO-Pose](https://docs.ultralytics.com/datasets/pose/coco) trainiert und konzentrieren sich auf die Klasse 'person'. | Modell | Größe (Pixel) | mAPpose 50-95(e2e) | mAPpose 50(e2e) | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) | | -------------------------------------------------------------------------------- | --------------------------- | -------------------------------- | ----------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- | | [YOLO26n-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-pose) | 640 | 57.2 | 83.3 | 40.3 ± 0.5 | 1.8 ± 0.0 | 2.9 | 7.5 | | [YOLO26s-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-pose) | 640 | 63.0 | 86.6 | 85.3 ± 0.9 | 2.7 ± 0.0 | 10.4 | 23.9 | | [YOLO26m-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-pose) | 640 | 68.8 | 89.6 | 218.0 ± 1.5 | 5.0 ± 0.1 | 21.5 | 73.1 | | [YOLO26l-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-pose) | 640 | 70.4 | 90.5 | 275.4 ± 2.4 | 6.5 ± 0.1 | 25.9 | 91.3 | | [YOLO26x-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-pose) | 640 | 71.6 | 91.6 | 565.4 ± 3.0 | 12.2 ± 0.2 | 57.6 | 201.7 | - **mAPval**-Werte gelten für einzelne Modelle in einer einzelnen Skala auf dem [COCO Keypoints val2017](https://docs.ultralytics.com/datasets/pose/coco)-Datensatz. Details findest du unter [YOLO-Leistungsmetriken](https://docs.ultralytics.com/guides/yolo-performance-metrics). Reproduzieren mit `yolo val pose data=coco-pose.yaml device=0` - **Geschwindigkeit**: Die Metriken werden über COCO-val-Bilder mit einer [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/)-Instanz gemittelt. CPU-Geschwindigkeiten werden mit [ONNX](https://onnx.ai/)-Export gemessen, GPU-Geschwindigkeiten mit [TensorRT](https://developer.nvidia.com/tensorrt)-Export. Reproduzieren mit `yolo val pose data=coco-pose.yaml batch=1 device=0|cpu` </details></details> <details><summary>Oriented Bounding Boxes (DOTAv1)</summary> Nutzungsbeispiele findest du in der [OBB-Dokumentation](https://docs.ultralytics.com/tasks/obb). Diese Modelle sind auf [DOTAv1](https://docs.ultralytics.com/datasets/obb/dota-v2#dota-v10) trainiert, einschließlich 15 Klassen. | Model | size (pixels) | mAPtest 50-95(e2e) | mAPtest 50(e2e) | Speed CPU ONNX (ms) | Speed T4 TensorRT10 (ms) | params (M) | FLOPs (B) | | ------------------------------------------------------------------------------ | --------------------------- | -------------------------------- | ----------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- | | [YOLO26n-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-obb) | 1024 | 52.4 | 78.9 | 97.7 ± 0.9 | 2.8 ± 0.0 | 2.5 | 14.0 | | [YOLO26s-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-obb) | 1024 | 54.8 | 80.9 | 218.0 ± 1.4 | 4.9 ± 0.1 | 9.8 | 55.1 | | [YOLO26m-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-obb) | 1024 | 55.3 | 81.0 | 579.2 ± 3.8 | 10.2 ± 0.3 | 21.2 | 183.3 | | [YOLO26l-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-obb) | 1024 | 56.2 | 81.6 | 735.6 ± 3.1 | 13.0 ± 0.2 | 25.6 | 230.0 | | [YOLO26x-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-obb) | 1024 | 56.7 | 81.7 | 1485.7 ± 11.5 | 30.5 ± 0.9 | 57.6 | 516.5 | - Die **mAPtest**-Werte beziehen sich auf die Multiskalen-Leistung eines einzelnen Modells auf dem [DOTAv1-Testdatensatz](https://captain-whu.github.io/DOTA/dataset.html). Reproduzierbar mit `yolo val obb data=DOTAv1.yaml device=0 split=test`; reiche die zusammengeführten Ergebnisse beim [DOTA-Bewertungsserver](https://captain-whu.github.io/DOTA/evaluation.html) ein. - Die **Geschwindigkeits**-Metriken werden über [DOTAv1-Validierungsbilder](https://docs.ultralytics.com/datasets/obb/dota-v2#dota-v10) mit einer [Amazon-EC2-P4d](https://aws.amazon.com/ec2/instance-types/p4/)-Instanz gemittelt. CPU-Geschwindigkeiten gemessen mit [ONNX](https://onnx.ai/)-Export. GPU-Geschwindigkeiten gemessen mit [TensorRT](https://developer.nvidia.com/tensorrt)-Export. Reproduzierbar mit `yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu` </details> ## 🧩 Integrationen Unsere wichtigsten Integrationen mit führenden KI-Plattformen erweitern die Funktionalität der Ultralytics-Angebote und verbessern Aufgaben wie Datensatzbeschriftung, Training, Visualisierung und Modellverwaltung. Entdecke, wie Ultralytics in Zusammenarbeit mit Partnern wie [Weights & Biases](https://docs.ultralytics.com/integrations/weights-biases), [Comet ML](https://docs.ultralytics.com/integrations/comet), [Roboflow](https://docs.ultralytics.com/integrations/roboflow) und [Intel OpenVINO](https://docs.ultralytics.com/integrations/openvino) deinen KI-Workflow optimieren kann. Mehr dazu unter [Ultralytics-Integrationen](https://docs.ultralytics.com/integrations). <a href="https://platform.ultralytics.com" target="_blank"> <img width="100%" src="https://raw.githubusercontent.com/ultralytics/assets/main/yolov8/banner-integrations.png" alt="Ultralytics-Integrationen für aktives Lernen"> </a> ## 🤝 Mitwirken Wir leben von der Zusammenarbeit mit der Community! Ultralytics YOLO wäre ohne die Beiträge von Entwicklern wie dir nicht das SOTA-Framework, das es ist. Wirf bitte einen Blick in unseren [Beitragsleitfaden](https://docs.ultralytics.com/help/contributing), um loszulegen. Wir freuen uns auch über dein Feedback – teile deine Erfahrungen, indem du an unserer [Umfrage](https://www.ultralytics.com/survey?utm_source=github&utm_medium=social&utm_campaign=Survey) teilnimmst. Ein riesiges **Dankeschön** 🙏 an alle, die mitwirken!  [![Ultralytics-Open-Source-Mitwirkende](https://assets.kitploit.com/production/public/readmes/50968/e8dfd3a4db6b12b76c65c9512b216e602c35c02a86dffc3d4d89103bf03049c1/4a76e7a68e4f656d72d699333132b3da07c093e64e1825ce10494d28e6a08d38-display-v1.webp)](https://github.com/ultralytics/ultralytics/graphs/contributors) Wir freuen uns auf deine Beiträge, um das Ultralytics-Ökosystem noch besser zu machen! ## 📜 Lizenz Ultralytics bietet zwei Lizenzoptionen, die unterschiedliche Bedürfnisse abdecken: - **AGPL-3.0-Lizenz**: Diese [OSI-zugelassene](https://opensource.org/license/agpl-3.0) Open-Source-Lizenz ist perfekt für Studierende, Forschende und Enthusiasten. Sie fördert offene Zusammenarbeit und Wissensaustausch. Details findest du in der Datei [LICENSE](https://github.com/ultralytics/ultralytics/blob/main/LICENSE). - **Ultralytics-Enterprise-Lizenz**: Für Entwicklungs- und Produktionszwecke ermöglicht diese Lizenz die nahtlose Integration von Ultralytics-Software und KI-Modellen in Geschäftsprodukte und -dienstleistungen, einschließlich interner Tools, automatisierter Workflows und Produktionsbereitstellungen – und umgeht dabei die Open-Source-Anforderungen von AGPL-3.0. Um loszulegen, kontaktiere uns bitte über die [Ultralytics-Lizenzierung](https://www.ultralytics.com/license). ## 📞 Kontakt Für Fehlerberichte und Funktionswünsche zur Ultralytics-Software besuche bitte [GitHub Issues](https://github.com/ultralytics/ultralytics/issues). Bei Fragen, Diskussionen und Community-Support tritt unseren aktiven Communities auf [Discord](https://discord.com/invite/ultralytics), [Reddit](https://www.reddit.com/r/ultralytics/) und den [Ultralytics-Community-Foren](https://community.ultralytics.com) bei. Wir helfen dir gerne bei allen Anliegen rund um Ultralytics! <div align="center"> <a href="https://github.com/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-github.png" width="3%" alt="Ultralytics GitHub"></a> <img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space"> <a href="https://www.linkedin.com/company/ultralytics/"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-linkedin.png" width="3%" alt="Ultralytics LinkedIn"></a> <img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space"> <a href="https://twitter.com/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-twitter.png" width="3%" alt="Ultralytics Twitter"></a> <img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space"> <a href="https://www.youtube.com/ultralytics?sub_confirmation=1"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-youtube.png" width="3%" alt="Ultralytics YouTube"></a> <img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space"> <a href="https://www.tiktok.com/@ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-tiktok.png" width="3%" alt="Ultralytics TikTok"></a> <img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space"> <a href="https://ultralytics.com/bilibili"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-bilibili.png" width="3%" alt="Ultralytics BiliBili"></a> <img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space"> <a href="https://discord.com/invite/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-discord.png" width="3%" alt="Ultralytics Discord"></a> </div>

ultralytics

Beliebteste

Python

Load a pretrained YOLO26n model

Train the model on the COCO8 dataset for 100 epochs

Evaluate the model's performance on the validation set

Perform object detection on an image

Export the model to ONNX format for deployment