Von der pip-Installation bis zu einem benutzerdefinierten Detektor, den du ausliefern kannst

Lernpfad für GrundlagenAnfänger ~4 Stunden 10 LektionenAbschlussprüfung · Zertifikat

Trainiere dein erstes YOLO-Modell

Bringe Ultralytics YOLO26 von einer frischen Installation bis zu einem benutzerdefiniert trainierten, validierten und exportierten Detektor. Führe Vorhersagen auf Bildern aus, strukturiere einen echten Datensatz, trainiere und diagnostiziere einen Pillendetektor, verarbeite Videos mit Tracking und exportiere nach ONNX – mit dem Nachweis, dass das Ergebnis mit PyTorch übereinstimmt. Jeder Schritt läuft in Python und über die CLI auf einer Laptop-CPU; die tatsächliche Ausgabe wird gezeigt. Die Planung, Erfassung und Beschriftung des Datensatzes selbst wird in *Building High-Performance YOLO Datasets* behandelt.

Von Ultralytics Academy

Kurs beginnen Melde dich an, um deinen Fortschritt zu speichern

Was du lernen wirst

Trainiere, validiere und exportiere ein Ultralytics-YOLO26-Modell mit einem benutzerdefinierten Datensatz, führe es auf Videos aus und erfahre, wie du jeden Schritt diagnostizierst, wenn etwas schiefgeht – sowohl mit Python als auch über die Befehlszeile.

Installiere Ultralytics, prüfe, welches Gerät verwendet wird, und führe YOLO26-Vorhersagen mit Python und über die CLI aus.
Wähle die Modellgröße anhand eines gemessenen Latenzbudgets statt anhand einer Rangliste.
Strukturiere einen Datensatz im Ultralytics-YOLO-Format, konvertiere Labels und schreibe eine data.yaml, die sich von überall aus auflösen lässt.
Trainiere, validiere, setze Trainingsläufe fort und starte sie mit vorgewärmten Gewichten; erstelle aus den Validierungsartefakten eine Liste notwendiger Korrekturen.
Verarbeite Videos als Stream mit Tracking, exportiere anschließend nach ONNX, TensorRT, OpenVINO und mehr und weise nach, dass der Export mit PyTorch übereinstimmt.

Was du entwickeln wirst

Ein Pillendatensatz im YOLO-Format mit einer data.yaml, die Ultralytics ohne fehlerhafte Labels einliest.
Ein trainierter best.pt-Detektor mit seinen Validierungswerten neben denen der vortrainierten Baseline.
Ein Video-Skript für Streaming, das mithilfe von Tracking eindeutige Objekte zählt und prüft, ob es mit der Bildrate Schritt hält.
Ein ONNX-Export, dessen Erkennungen und mAP bei identischen Einstellungen mit dem PyTorch-Modell übereinstimmen.

Voraussetzungen

Python 3.10+ und die Sicherheit, Python-Skripte und Shell-Befehle auszuführen.
Keine GPU erforderlich: Jedes Beispiel in diesem Kurs läuft in wenigen Minuten auf einer Laptop-CPU. Eine NVIDIA-GPU oder Apple Silicon beschleunigt größere Trainingsläufe.
Empfehlung: Schließe zuerst Computer Vision Foundations und Building High-Performance YOLO Datasets ab.

Kursinhalt

5 Module · 10 Lektionen

Modul 1

Einrichtung

Ultralytics installieren

Installiere Ultralytics in einer sauberen Umgebung, lies den Bericht von yolo checks, um dein Gerät zu überprüfen, und bestätige die Einrichtung mit einer Vorhersage.

Modul 2

Vorhersagen

Vorhersage für ein Bild

Führe ein vortrainiertes YOLO26-Modell mit Python aus, lies Klassen, Konfidenzen und Pixelkoordinaten der Boxen aus den Ergebnissen aus und passe die Argumente an, mit denen sich die meisten übersehenen Objekte finden lassen.

Größe eines Ultralytics YOLO-Modells auswählen

Vergleiche YOLO26 n, s, m, l und x, miss ihre Leistung auf deiner Zielhardware und wähle die kleinste Größe, die dein Latenzbudget einhält.

Modul 3

Daten

Benutzerdefinierten Datensatz vorbereiten

Ordne Bilder und Beschriftungen im Ultralytics-YOLO-Format an, wandle Pixel-Bounding-Boxes in normalisierte Beschriftungszeilen um und finde fehlerhafte Beschriftungen, bevor du trainierst.

Dataset-YAML-Datei schreiben

Schreibe die data.yaml-Datei, die Ultralytics auf deine Ordner verweist und deine Klassen benennt. Sorge dafür, dass die Pfade von überall aus aufgelöst werden können, und teste die Datei kurz mit yolo val.

Modul 4

Trainieren

Trainiere dein erstes Modell

Passe YOLO26 mit einem einzigen Aufruf an deinen Datensatz an, lies das Trainingsprotokoll live Zeile für Zeile und finde best.pt sowie die wichtigen Diagramme im Ausführungsordner.

Validieren und Fehler diagnostizieren

Validiere best.pt anhand eines Basismodells, lies die Konfusionsmatrix, die klassenbezogenen Werte und die Vorhersagebilder und leite daraus eine konkrete Liste von Verbesserungen ab.

Fortsetzen und iterieren

Setze einen unterbrochenen Trainingslauf exakt fort, starte einen neuen Durchlauf mit best.pt und einer tatsächlich angewendeten Lernrate und vergleiche die Trainingsläufe direkt miteinander.

Modul 5

Bereitstellen

Inferenz auf Videos ausführen

Führe YOLO26 auf Videodateien und Live-Kameras mit begrenztem Speicherverbrauch aus, verfolge Objekte, um jedes nur einmal zu zählen, und prüfe, ob das Modell mit der Bildrate Schritt hält.

Für den Einsatz exportieren

Exportiere best.pt nach ONNX, OpenVINO, TensorRT, CoreML, LiteRT oder QNN und weise vor der Bereitstellung nach, dass der Export mit dem PyTorch-Modell übereinstimmt.

Get Started

Trainiere dein erstes YOLO-Modell

Kursinhalt