Ultralytics YOLO27: Trag dich in die Warteliste ein.
Get Started
Masken, Keypoints, gedrehte Boxen und Klassenbezeichnungen – beschriftet, trainiert, in Zahlen umgewandelt und ausgeliefert
Lernpfad für PraxisFortgeschrittene ~5 Stunden 10 LektionenAbschlussprüfung · Zertifikat

Mehr als Erkennung: Segmentierung, Pose, OBB und Klassifizierung

Du kannst einen Detektor trainieren. Ultralytics YOLO unterstützt sieben Bildverarbeitungsaufgaben, und dieser Kurs vermittelt die fünf, denen du nach der Erkennung am häufigsten begegnen wirst – Instanz- und semantische Segmentierung, Pose, orientierte Bounding-Boxen und Klassifizierung. Dabei geht es vom Beschriftungsformat und Training bis zum Auslesen der Ergebnisse im Code, zum Verketten von Modellen sowie zur aufgabenspezifischen Auswertung und zum Export. Tiefenschätzung, die siebte Aufgabe, ist Teil des Aufgabenplans sowie der Lektionen zu Auswertung und Export.

Von Ultralytics Academy

Kurs beginnenMelde dich an, um deinen Fortschritt zu speichern
Was du lernen wirst

Wähle für eine Produktfrage die passende Ultralytics-YOLO26-Aufgabe aus und beschrifte, trainiere, lies aus, werte aus und exportiere Segmentierungs-, semantische Segmentierungs-, Pose-, OBB- und Klassifizierungsmodelle. Verknüpfe sie zu Pipelines, die Fragen beantworten, die ein Detektor nicht beantworten kann.

  • Ordne eine Produktfrage einer der sieben Ultralytics-YOLO-Aufgaben, ihren Gewichten, ihrem Ergebnisfeld und ihrer maßgeblichen Metrik zu.

  • Erstelle und überprüfe Polygon-, PNG-Klassenkarten-, Keypoint-, Vier-Ecken-OBB- und Ordnerstruktur-Datensätze vor dem Training.

  • Trainiere die Modelle -seg, -sem, -pose, -obb und -cls und lies die Masken-mAP, mIoU, die OKS-basierte Pose-mAP, die mAP für gedrehte Bounding-Boxes und die Top-1-Genauigkeit ab.

  • Mach aus Vorhersagen Entscheidungen: Maskenflächen und Überlappungen, Abdeckung der Klassenkarte, Gelenkwinkel, Schiffskurs und nach Konfidenz weitergeleitete Labels.

  • Verknüpfe Aufgaben (erst erkennen, dann klassifizieren; Pose plus Tracking), halte ihre Kosten konstant und exportiere jede Aufgabe mit einer verifizierten Vorhersage nach ONNX.

Was du entwickeln wirst

  • Ein Aufgabenplan, der für jedes Modell in einer Pipeline die Aufgabe, die Gewichte, das Label-Format, das Ergebnisfeld und die maßgebliche Metrik benennt.

  • Prüfwerkzeuge für Segmentierungs- und Pose-Datensätze, die fehlerhafte Zeilen erkennen, bevor auch nur eine GPU-Stunde verbraucht wird.

  • Trainingsläufe über eine Epoche für Segmentierung, semantische Segmentierung, Pose, OBB und Klassifizierung, bei denen jede Metrik erklärt wird.

  • Skripte, die anhand echter Vorhersagen Maskenfläche und Überlappung, begehbare Fläche, Ellenbogen- und Kniewinkel sowie Schiffsachsen messen.

  • Eine zweistufige Pipeline, die jede erfasste Person genau einmal klassifiziert, sowie ONNX-Exporte jeder Aufgabe, jeweils mit einer Vorhersage verifiziert.

Voraussetzungen

  • Schließe Trainiere dein erstes YOLO-Modell vollständig ab — dieser Kurs setzt voraus, dass du mit einem Detektor trainieren, validieren und Vorhersagen treffen kannst.

  • Du bist mit Python und NumPy-Arrays vertraut.

  • Eine GPU ist hilfreich, aber nicht erforderlich: Jedes Beispiel läuft auf einem Laptop mit CPU und epochs=1 sowie einem kleinen imgsz.

Kursinhalt

4 Module · 10 Lektionen

Modul 1

Planen
1

Aufgabe auswählen und Pipeline planen

Ordne jede Produktfrage einer der sieben Ultralytics-YOLO-Aufgaben zu und lege Gewichte, Ergebnisfeld, Label-Format und maßgebliche Metrik fest. Belege den Plan, indem du jede Aufgabe mit einem Bild ausführst.

Modul 2

Segmentieren
2

Instanzsegmentierung beschriften und trainieren

Erstelle Polygonbeschriftungen, prüfe sie im Code, trainiere yolo26n-seg.pt mit COCO8-seg und diagnostiziere ein Modell anhand der Abweichung zwischen seinen Box- und Maskenmetriken.

3

Masken im Code verwenden: Flächen, Überlappungen, Umrisse, Freisteller

Lies masks.data und masks.xy korrekt aus, miss Objektfläche und Füllgrad, prüfe Überlappungen mit Masken statt mit Boxen und stelle Objekte aus dem Bild frei.

4

Semantische Segmentierung: Jeden Pixel kennzeichnen

Erstelle mit yolo26n-sem.pt eine pixelweise Klassenkarte, wandle sie in Abdeckungswerte um, erstelle Datensätze mit Klassenkarten im PNG-Format und lies mIoU aus, ohne dich von der Pixelgenauigkeit täuschen zu lassen.

Modul 3

Pose und OBB
5

Pose-Modelle kennzeichnen und trainieren

Erstelle Keypoint-Labels mit Sichtbarkeit, setze kpt_shape und flip_idx korrekt, trainiere mit COCO8-pose und wandle Keypoints in Konfidenzschwellen unterliegende Gelenkwinkel um.

6

Benutzerdefinierte Keypoints und OKS-Metriken

Entwirf ein Keypoint-Schema für nicht menschliche Objekte, erstelle und überprüfe das Dataset-YAML und lege OKS-Sigmas anhand der Platzierungsgenauigkeit der einzelnen Punkte fest.

7

Orientierte Bounding-Boxes für gedrehte Objekte

Labele OBBs mit vier Ecken, trainiere yolo26n-obb.pt mit DOTA8 und wandle xywhr-Vorhersagen in eine stabile Ausrichtungsachse um, ohne über die verschiedenen Winkelkonventionen zu stolpern.

Modul 4

Klassifizieren, kombinieren, versenden
8

Einen Bildklassifikator trainieren

Richte einen Datensatz als Ordnerstruktur ein, trainiere yolo26n-cls.pt mit MNIST160, lies Wahrscheinlichkeiten und Top-1-Genauigkeit aus und leite Vorhersagen mit geringer Konfidenz zur manuellen Prüfung weiter.

9

Aufgaben in einer Pipeline kombinieren

Erstelle eine Kaskade aus Erkennung und anschließender Klassifizierung, klassifiziere jedes verfolgte Objekt nur einmal statt in jedem Einzelbild und erstelle aus Pose-Schlüsselpunkten Zeitreihen pro Person.

10

Jede Aufgabe bewerten und produktiv einsetzen

Lege für jede Aufgabe eine eigene Freigabeschwelle anhand ihrer Metrik bei der Einsatzauflösung fest, validiere alle Aufgaben in einer Schleife und exportiere jede Aufgabe nach ONNX. Prüfe anschließend die Vorhersage.