Grundlagen der Computer Vision
Lerne die fachlichen Überlegungen hinter jedem funktionierenden Bildverarbeitungssystem kennen – die Aufgabe präzise festlegen, aus den sieben Ultralytics-YOLO-Aufgaben wählen, Daten und Beschriftungen prüfen, Daten sauber aufteilen und Kennzahlen richtig interpretieren – anhand ausführbarer YOLO26-Beispiele mit echten Bildern und Datensätzen.
Von Ultralytics Academy
Lege ein Computer-Vision-Problem fest, wähle die passende Aufgabe und die richtigen Beschriftungen, prüfe, ob deine Daten der Realität entsprechen, und bestimme vor dem Training, was als „gut“ gilt.
Mach aus einer Produktidee eine dreizeilige Aufgabenbeschreibung und halte Geschäftsregeln im Code statt im Modell fest.
Ordne die Ausgabe der passenden einer von sieben Aufgaben zu: Klassifizierung, Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Pose oder OBB.
Interpretiere die Ausgabe des Detektors und lege Konfidenz- und IoU-Schwellenwerte anhand der Kosten einzelner Fehler fest.
Prüfe einen echten Datensatz auf Lücken in der Abdeckung, fehlerhafte Beschriftungen und nahezu identische Bilder, die zwischen den Datensatzteilen durchsickern.
Betrachte Präzision, Trefferquote, mAP50-95, AP pro Klasse und die Konfusionsmatrix gemeinsam, um zu entscheiden, ob du veröffentlichst, iterierst oder neu ansetzt.
Eine Aufgabenbeschreibung für dein Projekt mit einer Entscheidungsregel, die als Code auf der YOLO26-Ausgabe aufsetzt.
Eine Datensatzprüfung und Beschriftungskontrolle für einen echten Datensatz mit einem priorisierten Plan zur Datenerfassung.
Eine Leckprüfung und eine Gruppenaufteilung, die nahezu identische Bilder aus der Validierung heraushalten.
Eine Auswertung, die die Engpassklasse und den Schwellenwert für die Veröffentlichung benennt.
Ein erster YOLO26-Lauf mit deinen eigenen Bildern, geprüft anhand deiner Aufgabenbeschreibung.
Keine Vorkenntnisse in Computer Vision erforderlich – die Konzepte sind eigenständig verständlich.
Optional, aber empfohlen: Python 3.10+ und
pip install ultralytics, um die Beispiele auszuführen. Alles läuft in wenigen Sekunden auf der CPU eines Laptops.
Kursinhalt
4 Module · 10 LektionenModul 1
Modul 2
Die sieben Bildverarbeitungsaufgaben
Ordne eine Ausgabezeile der Klassifizierung, Objekterkennung, Instanzsegmentierung, semantischen Segmentierung, Tiefenschätzung, Pose oder OBB zu und wähle die YOLO26-Gewichte für den Einstieg.
Objektdetektion verstehen
Lies die Ausgabe eines Detektors aus – Klasse, Box, Konfidenz – und lege anhand der Kosten der einzelnen Fehler die Schwellenwerte für Konfidenz und IoU fest.
Boxen oder Masken: Wann du wirklich Segmentierung brauchst
Miss anhand eines echten Bildes, welchen Mehrwert eine Maske gegenüber einer Box bietet, und entscheide anhand der nachgelagerten Anwendung, ob dein Projekt überhaupt die Form benötigt.
Pose-Schätzung und OBB
Lies Keypoints und gedrehte Boxen aus YOLO26 aus, formuliere darauf aufbauend jeweils eine Regel und erkenne, wann die Körperhaltung oder der Winkel das entscheidende Signal ist.
Modul 3
Datensätze, die die Realität abbilden
Prüfe einen echten Datensatz auf Abdeckungslücken, bevor du weitere Bilder labelst, und leite daraus mit schwierigen Negativbeispielen einen Erfassungsplan ab.
Qualität der Annotationen
Finde heraus, was ein YOLO-Label enthält, prüfe Labeldateien auf fehlerhafte Zeilen und sorge mit einer Richtlinie und einer messbaren Kalibrierungsrunde für einheitliche Annotationen.
Modul 4
Aufteilungen, die die Wahrheit zeigen
Finde nahezu identische Bilder, die zwischen Trainings- und Validierungsdaten durchsickern, und teile die Daten nach der Einheit auf, die beim Einsatz neu sein wird.
Erkennungsmetriken richtig interpretieren
Führe die Validierung aus, lies Precision, Recall, mAP50-95, AP pro Klasse und die Konfusionsmatrix gemeinsam und wähle anhand eines Zielwerts einen Schwellenwert für den Einsatz aus.
Vom Labor in den produktiven Einsatz
Installiere Ultralytics, führe YOLO26 mit deinen eigenen Bildern aus, prüfe die Ausgabe anhand deiner Spezifikation und wähle deinen nächsten Schritt.