docs.ultralytics.com Open in urlscan Pro
2a09:8280:1::5b:7c61  Public Scan

Form analysis
2 forms found in the DOM

<form class="md-header__option" data-md-component="palette">
  <input aria-label="Switch to light mode" class="md-option" data-md-color-accent="indigo" data-md-color-media="(prefers-color-scheme)" data-md-color-primary="indigo" data-md-color-scheme="default" id="__palette_0" name="__palette" type="radio">
  <label class="md-header__button md-icon" for="__palette_1" title="In den Lichtmodus wechseln">
    <svg viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg">
      <path d="m14.3 16-.7-2h-3.2l-.7 2H7.8L11 7h2l3.2 9h-1.9M20 8.69V4h-4.69L12 .69 8.69 4H4v4.69L.69 12 4 15.31V20h4.69L12 23.31 15.31 20H20v-4.69L23.31 12 20 8.69m-9.15 3.96h2.3L12 9l-1.15 3.65Z"></path>
    </svg>
  </label>
  <input aria-label="Switch to system preference" class="md-option" data-md-color-accent="indigo" data-md-color-media="(prefers-color-scheme: dark)" data-md-color-primary="black" data-md-color-scheme="slate" id="__palette_1" name="__palette"
    type="radio">
  <label class="md-header__button md-icon" for="__palette_2" hidden="" title="Zur Systempräferenz wechseln">
    <svg viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg">
      <path
        d="M12 18c-.89 0-1.74-.2-2.5-.55C11.56 16.5 13 14.42 13 12c0-2.42-1.44-4.5-3.5-5.45C10.26 6.2 11.11 6 12 6a6 6 0 0 1 6 6 6 6 0 0 1-6 6m8-9.31V4h-4.69L12 .69 8.69 4H4v4.69L.69 12 4 15.31V20h4.69L12 23.31 15.31 20H20v-4.69L23.31 12 20 8.69Z">
      </path>
    </svg>
  </label>
  <input aria-label="Switch to dark mode" class="md-option" data-md-color-accent="indigo" data-md-color-media="(prefers-color-scheme: light)" data-md-color-primary="indigo" data-md-color-scheme="default" id="__palette_2" name="__palette"
    type="radio">
  <label class="md-header__button md-icon" for="__palette_0" hidden="" title="In den dunklen Modus wechseln">
    <svg viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg">
      <path d="M12 8a4 4 0 0 0-4 4 4 4 0 0 0 4 4 4 4 0 0 0 4-4 4 4 0 0 0-4-4m0 10a6 6 0 0 1-6-6 6 6 0 0 1 6-6 6 6 0 0 1 6 6 6 6 0 0 1-6 6m8-9.31V4h-4.69L12 .69 8.69 4H4v4.69L.69 12 4 15.31V20h4.69L12 23.31 15.31 20H20v-4.69L23.31 12 20 8.69Z"></path>
    </svg>
  </label>
</form>

Name: search —

<form class="md-search__form" name="search">
  <input aria-label="Search" autocapitalize="off" autocomplete="off" autocorrect="off" class="md-search__input" data-md-component="search-query" name="query" placeholder="Suche" required="" spellcheck="false" type="text">
  <label class="md-search__icon md-icon" for="__search">
    <svg viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg">
      <path d="M9.5 3A6.5 6.5 0 0 1 16 9.5c0 1.61-.59 3.09-1.56 4.23l.27.27h.79l5 5-1.5 1.5-5-5v-.79l-.27-.27A6.516 6.516 0 0 1 9.5 16 6.5 6.5 0 0 1 3 9.5 6.5 6.5 0 0 1 9.5 3m0 2C7 5 5 7 5 9.5S7 14 9.5 14 14 12 14 9.5 12 5 9.5 5Z"></path>
    </svg>
    <svg viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg">
      <path d="M20 11v2H8l5.5 5.5-1.42 1.42L4.16 12l7.92-7.92L13.5 5.5 8 11h12Z"></path>
    </svg>
  </label>
  <nav aria-label="Search" class="md-search__options">
    <a aria-label="Share" class="md-search__icon md-icon" data-clipboard="" data-clipboard-text="javascript:void(0)" data-md-component="search-share" href="https://docs.ultralytics.com/de?q=" tabindex="-1" title="Teilen">
<svg viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg"><path d="M18 16.08c-.76 0-1.44.3-1.96.77L8.91 12.7c.05-.23.09-.46.09-.7 0-.24-.04-.47-.09-.7l7.05-4.11c.54.5 1.25.81 2.04.81a3 3 0 0 0 3-3 3 3 0 0 0-3-3 3 3 0 0 0-3 3c0 .24.04.47.09.7L8.04 9.81C7.5 9.31 6.79 9 6 9a3 3 0 0 0-3 3 3 3 0 0 0 3 3c.79 0 1.5-.31 2.04-.81l7.12 4.15c-.05.21-.08.43-.08.66 0 1.61 1.31 2.91 2.92 2.91 1.61 0 2.92-1.3 2.92-2.91A2.92 2.92 0 0 0 18 16.08Z"></path></svg>
</a>
    <button aria-label="Clear" class="md-search__icon md-icon" tabindex="-1" title="Klar" type="reset">
      <svg viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg">
        <path d="M19 6.41 17.59 5 12 10.59 6.41 5 5 6.41 10.59 12 5 17.59 6.41 19 12 13.41 17.59 19 19 17.59 13.41 12 19 6.41Z"></path>
      </svg>
    </button>
  </nav>
  <div class="md-search__suggest" data-md-component="search-suggest"></div>
</form>

Text Content

Zum Inhalt springen
Ultralytics YOLOv8 Es wird ein Jahr! 🎉 Ein Jahr voller Durchbrüche und
Innovationen ➜
Ultralytics YOLOv8 Docs
Zuhause

Type to start searching
ultralytics/ultralytics
 * v8.1.0
 * 19.5k
 * 3.9k

 * Zuhause
 * Schnellstart
 * Modi
 * Aufgaben
 * Modelle
 * Datensätze
 * NEU 🚀 Explorer
 * Leitfäden
 * Integrationen
 * HUB
 * Referenz
 * Hilfe

Ultralytics YOLOv8 Docs
ultralytics/ultralytics
 * v8.1.0
 * 19.5k
 * 3.9k

 * Zuhause
   Zuhause
    * Schnellstart
    * Modi
      Modi
       * Zug
       * Val
       * Vorhersage
       * exportieren
       * Track
       * Benchmark
   
    * Aufgaben
      Aufgaben
       * Erkennen
       * Segment
       * klassifizieren
       * Pose
       * OBB
   
    * Modelle
      Modelle
    * Datensätze
      Datensätze
    * Leitfäden
      Leitfäden
    * NEU 🚀 Explorer
      NEU 🚀 Explorer
    * Sprachen
      Sprachen
       * 🇬🇧 English
       * 🇨🇳 简体中文
       * 🇰🇷 한국어
       * 🇯🇵 日本語
       * 🇷🇺 Русский
       * 🇩🇪 Deutsch
       * 🇫🇷 Français
       * 🇪🇸 Español
       * 🇵🇹 Português
       * 🇮🇳 हिन्दी
       * 🇸🇦 العربية

 * Schnellstart
 * Modi
 * Aufgaben
 * Modelle
 * Datensätze
 * NEU 🚀 Explorer
 * Leitfäden
 * Integrationen
 * HUB
 * Referenz
 * Hilfe

Inhaltsübersicht
 * Wo man anfängt
 * YOLO: Eine kurze Geschichte
 * YOLO Lizenzen: Wie ist Ultralytics YOLO lizenziert?


ZUHAUSE






Wir stellen vor: Ultralytics YOLOv8YOLOv8 basiert auf den neuesten Entwicklungen
im Bereich Deep Learning und Computer Vision und bietet eine unvergleichliche
Leistung in Bezug auf Geschwindigkeit und Genauigkeit. Durch sein schlankes
Design ist es für verschiedene Anwendungen geeignet und lässt sich leicht an
unterschiedliche Hardwareplattformen anpassen, von Edge-Geräten bis hin zu
Cloud-APIs.

Erkunde die YOLOv8 Docs, eine umfassende Ressource, die dir helfen soll, die
Funktionen und Möglichkeiten der Software zu verstehen und zu nutzen. Ganz
gleich, ob du ein erfahrener Machine-Learning-Experte oder ein Neuling auf
diesem Gebiet bist, diese hub soll dir helfen, das Potenzial von YOLOv8 in
deinen Projekten zu maximieren.


WO MAN ANFÄNGT

 * Installiere ultralytics mit Pip und in wenigen Minuten einsatzbereit  
   Anfangen
 * Vorhersage neue Bilder und Videos mit YOLOv8   Auf Bildern vorhersagen
 * Zug ein neues YOLOv8 Modell für deinen eigenen Datensatz   Ein Modell
   trainieren
 * Aufgaben YOLOv8 Aufgaben wie Segmentieren, Klassifizieren, Posieren und
   Verfolgen   Aufgaben erforschen
 * NEU 🚀 Erforschen Datensätze mit erweiterter semantischer und SQL-Suche  
   Einen Datensatz erforschen



Pass auf: So trainierst du ein YOLOv8 Modell auf deinem eigenen Datensatz in
Google Colab.


YOLO: EINE KURZE GESCHICHTE

YOLO (You Only Look Once), ein beliebtes Modell zur Objekterkennung und
Bildsegmentierung, wurde von Joseph Redmon und Ali Farhadi an der University of
Washington entwickelt. Seit seiner Einführung im Jahr 2015 hat YOLO aufgrund
seiner hohen Geschwindigkeit und Genauigkeit schnell an Popularität gewonnen.

 * YOLOv2, das 2016 veröffentlicht wurde, verbesserte das ursprüngliche Modell
   durch die Integration von Stapelnormalisierung, Ankerboxen und
   Dimensionsclustern.
 * YOLOv3, das 2018 auf den Markt kam, verbesserte die Leistung des Modells
   durch ein effizienteres Backbone-Netzwerk, mehrere Anker und ein räumliches
   Pyramiden-Pooling weiter.
 * YOLOv4 wurde 2020 veröffentlicht und brachte Neuerungen wie die
   Mosaik-Datenerweiterung, einen neuen ankerlosen Erkennungskopf und eine neue
   Verlustfunktion.
 * YOLOv5 hat die Leistung des Modells weiter verbessert und neue Funktionen wie
   Hyperparameter-Optimierung, integrierte Experimentverfolgung und
   automatischen Export in gängige Exportformate hinzugefügt.
 * YOLOv6 wurde von Meituan im Jahr 2022 veröffentlicht und wird in vielen
   autonomen Lieferrobotern des Unternehmens eingesetzt.
 * YOLOv7 fügte zusätzliche Aufgaben hinzu, wie z.B. die Schätzung der Pose auf
   dem COCO Keypoints-Datensatz.
 * YOLOv8 ist die neueste Version von YOLO von Ultralytics. Als hochmodernes
   Modell (SOTA) baut YOLOv8 auf dem Erfolg früherer Versionen auf und führt
   neue Funktionen und Verbesserungen ein, um die Leistung, Flexibilität und
   Effizienz zu steigern. YOLOv8 unterstützt eine ganze Reihe von KI-Aufgaben,
   darunter Erkennung, Segmentierung, Posenschätzung, Verfolgung und
   Klassifizierung. Diese Vielseitigkeit ermöglicht es den Nutzern, die
   Fähigkeiten von YOLOv8 in verschiedenen Anwendungen und Bereichen zu nutzen.


YOLO LIZENZEN: WIE IST ULTRALYTICS YOLO LIZENZIERT?

Ultralytics bietet zwei Lizenzierungsoptionen für verschiedene Anwendungsfälle:

 * AGPL-3.0 Lizenz: Diese von der OSI genehmigte Open-Source-Lizenz ist ideal
   für Studierende und Enthusiasten und fördert die offene Zusammenarbeit und
   den Wissensaustausch. Weitere Einzelheiten findest du in der LICENSE-Datei.
 * Unternehmenslizenz: Diese Lizenz wurde für die kommerzielle Nutzung
   entwickelt und ermöglicht die nahtlose Integration von Ultralytics Software
   und KI-Modellen in kommerzielle Waren und Dienstleistungen, ohne die
   Open-Source-Anforderungen von AGPL-3.0 zu erfüllen. Wenn du unsere Lösungen
   in ein kommerzielles Angebot einbinden möchtest, wende dich an Ultralytics
   Licensing.

Mit unserer Lizenzierungsstrategie wollen wir sicherstellen, dass alle
Verbesserungen an unseren Open-Source-Projekten an die Gemeinschaft
zurückgegeben werden. Die Prinzipien von Open Source liegen uns sehr am Herzen
❤️ und wir wollen sicherstellen, dass unsere Beiträge zum Nutzen aller genutzt
und erweitert werden können.




Erstellt am 2023-11-12, Aktualisiert am 2024-02-03
Autoren: glenn-jocher (4), AyushExel (3)
Tweet Teilen


KOMMENTARE


Zurück zum Anfang
Nächste
Schnellstart

© 2024 Ultralytics Inc. Alle Rechte vorbehalten.
Hergestellt mit Material für MkDocs



DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
NL
HI
AR
TR
VI