YOLOv8 Erkennung

Echtzeit-Objekterkennung mit YOLOv8 und YOLOv11 auf Clore.ai

Führen Sie Echtzeit-Objekterkennung mit Ultralytics YOLOv8 und YOLOv11 durch.

Alle Beispiele können auf GPU-Servern ausgeführt werden, die über CLORE.AI Marketplace.

Aktualisierung: YOLOv11 (2025) — 22% schneller

YOLOv11 ist jetzt über dasselbe ultralytics Paket verfügbar. Es bietet 22% schnellere Inferenz und verbesserte mAP gegenüber YOLOv8 bei gleicher einfacher API. Neue Funktionen umfassen die Erkennung von orientierten Begrenzungsrahmen (OBB). Aktualisieren Sie, indem Sie pip install -U ultralytics.

Mieten auf CLORE.AI

1. Besuchen Sie CLORE.AI Marketplace

2. Nach GPU-Typ, VRAM und Preis filtern

3. Wählen On-Demand (Festpreis) oder Spot (Gebotspreis)

4. Konfigurieren Sie Ihre Bestellung:

   • Docker-Image auswählen

   • Ports festlegen (TCP für SSH, HTTP für Web-UIs)

   • Umgebungsvariablen bei Bedarf hinzufügen

   • Startbefehl eingeben

5. Zahlung auswählen: CLORE, BTC, oder USDT/USDC

6. Bestellung erstellen und auf Bereitstellung warten

Zugriff auf Ihren Server

• Verbindungsdetails finden Sie in Meine Bestellungen

• Webschnittstellen: Verwenden Sie die HTTP-Port-URL

• SSH: ssh -p <port> root@<proxy-address>

Was ist YOLOv8?

YOLOv8 ist ein leistungsstarkes YOLO-Modell und bietet:

• Objekterkennung

• Instanzsegmentierung

• Pose-Schätzung

• Bildklassifikation

• Objektverfolgung

Was ist YOLOv11?

YOLOv11 (2025) ist die neueste Generation und ergänzt:

• 22% schnellere Inferenz vs YOLOv8

• Höhere mAP über alle Modellgrößen

• Erkennung von orientierten Begrenzungsrahmen (OBB) — neue Aufgabe

• Verbesserte Architektur (C3k2-Blöcke, SPPF, C2PSA)

• Gleiches ultralytics Paket, Drop-in-Ersatz

Unterstützte Aufgaben (YOLOv11)

Aufgabe	Suffix	Beschreibung
detect	(keines)	Objekterkennung mit Begrenzungsrahmen
segment	-seg	Instanzsegmentierung mit Masken
classify	-cls	Bildklassifikation
pose	-pose	Schätzung menschlicher Posen
obb	-obb	NEU Orientierte Begrenzungsrahmen (gedrehte Erkennung)

Modellgrößen

YOLOv8-Modelle

Modell	Größe	mAP	Geschwindigkeit (RTX 3090)
YOLOv8n	3.2M	37.3	~1ms
YOLOv8s	11.2M	44.9	~2ms
YOLOv8m	25.9M	50.2	~4ms
YOLOv8l	43.7M	52.9	~6ms
YOLOv8x	68.2M	53.9	~8ms

YOLOv11-Modelle

Modell	Größe	mAP	Geschwindigkeit (RTX 3090)
yolo11n	2.6M	39.5	~0.8ms
yolo11s	9.4M	47.0	~1.5ms
yolo11m	20.1M	51.5	~3.2ms
yolo11l	25.3M	53.4	~4.7ms
yolo11x	56.9M	54.7	~6.5ms

YOLOv8 vs YOLOv11 Vergleich

Metrik	YOLOv8x	yolo11x	Verbesserung
Parameter	68.2M	56.9M	-17% kleiner
mAP50-95 (COCO)	53.9	54.7	+0.8 mAP
Inferenz (RTX 3090)	~8ms	~6.5ms	+22% schneller
FPS (RTX 3090, 640px)	~150	~183	+22% schneller
OBB-Aufgabe	❌	✅	Neu in v11

Schnelle Bereitstellung

Docker-Image:

pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime

Ports:

22/tcp
7860/http

Befehl (YOLOv11):

pip install ultralytics gradio && \
python -c "
import gradio as gr
from ultralytics import YOLO
from PIL import Image

model = YOLO('yolo11m.pt')

def detect(image):
    results = model(image)
    return Image.fromarray(results[0].plot())

demo = gr.Interface(fn=detect, inputs=gr.Image(type='pil'), outputs=gr.Image(), title='YOLOv11 Detection')
demo.launch(server_name='0.0.0.0', server_port=7860)
"

Zugriff auf Ihren Dienst

Nach der Bereitstellung finden Sie Ihre http_pub URL in Meine Bestellungen:

1. Gehen Sie zur Meine Bestellungen Seite

2. Klicken Sie auf Ihre Bestellung

3. Finden Sie die http_pub URL (z. B., abc123.clorecloud.net)

Verwenden Sie https://IHRE_HTTP_PUB_URL anstelle von localhost in den Beispielen unten.

Installation

pip install ultralytics

Dasselbe Paket für YOLOv8 und YOLOv11. Aktualisieren Sie, um YOLOv11 zu erhalten:

pip install -U ultralytics

YOLOv11 Objekterkennung

Grundlegende Erkennung mit yolo11m

from ultralytics import YOLO
from PIL import Image

# YOLOv11 Medium-Modell laden
model = YOLO('yolo11m.pt')

# Inferenz ausführen
results = model('image.jpg')

# Ergebnisse anzeigen
results[0].show()

# Ergebnisse speichern
results[0].save('output.jpg')

Erhalte Detektionen

results = model('image.jpg')

for result in results:
    boxes = result.boxes
    for box in boxes:
        # Koordinaten
        x1, y1, x2, y2 = box.xyxy[0].tolist()

        # Konfidenz
        conf = box.conf[0].item()

        # Klasse
        cls = int(box.cls[0].item())
        name = model.names[cls]

        print(f"{name}: {conf:.2f} at ({x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f})")

Batch-Verarbeitung

from ultralytics import YOLO
import os

model = YOLO('yolo11m.pt')

input_dir = './images'
output_dir = './detected'
os.makedirs(output_dir, exist_ok=True)

# Verarbeite alle Bilder
results = model(input_dir, save=True, project=output_dir)

YOLOv11 Aufgaben

Instanzsegmentierung

from ultralytics import YOLO

# YOLOv11 Segmentierungsmodell laden
model = YOLO('yolo11m-seg.pt')

results = model('image.jpg')

for result in results:
    masks = result.masks  # Segmentierungsmasken
    if masks is not None:
        for mask in masks.data:
            # mask ist ein binärer Tensor
            pass

Pose-Schätzung

from ultralytics import YOLO

# YOLOv11 Pose-Modell laden
model = YOLO('yolo11m-pose.pt')

results = model('image.jpg')

for result in results:
    keypoints = result.keypoints
    if keypoints is not None:
        for kp in keypoints.data:
            # 17 Keypoints: Nase, Augen, Ohren, Schultern, Ellbogen, Handgelenke, Hüften, Knie, Knöchel
            pass

Klassifikation

from ultralytics import YOLO

# YOLOv11 Klassifikationsmodell laden
model = YOLO('yolo11m-cls.pt')

results = model('image.jpg')
for result in results:
    # Top-1 Klasse und Konfidenz
    top1 = result.probs.top1
    top1conf = result.probs.top1conf.item()
    print(f"Class: {result.names[top1]} ({top1conf:.2f})")

Orientierte Begrenzungsrahmen (OBB) — NEU in YOLOv11

OBB erkennt Objekte in beliebigem Rotationswinkel — perfekt für Luft-/Satellitenbilder, Dokumentenscans und Texterkennung.

from ultralytics import YOLO

# YOLOv11 OBB-Modell laden
model = YOLO('yolo11m-obb.pt')

results = model('aerial_image.jpg')

for result in results:
    obb = result.obb
    if obb is not None:
        for box in obb:
            # Gedrehte Box: x_center, y_center, Breite, Höhe, Winkel
            xywhr = box.xywhr[0].tolist()
            conf = box.conf[0].item()
            cls = int(box.cls[0].item())
            print(f"{result.names[cls]}: {conf:.2f} rotated box: {xywhr}")

Videobearbeitung

Video verarbeiten

from ultralytics import YOLO

model = YOLO('yolo11m.pt')

# Video verarbeiten
results = model('video.mp4', save=True)

Echtzeit-Webcam

from ultralytics import YOLO
import cv2

model = YOLO('yolo11n.pt')  # Verwenden Sie das Nano-Modell für Echtzeit

cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame)
    annotated = results[0].plot()

    cv2.imshow('YOLOv11', annotated)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

Verarbeitetes Video speichern

from ultralytics import YOLO
import cv2

model = YOLO('yolo11m.pt')

cap = cv2.VideoCapture('input.mp4')
fps = cap.get(cv2.CAP_PROP_FPS)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

out = cv2.VideoWriter('output.mp4', cv2.VideoWriter_fourcc(*'mp4v'), fps, (width, height))

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame)
    annotated = results[0].plot()
    out.write(annotated)

cap.release()
out.release()

Objektverfolgung

from ultralytics import YOLO

model = YOLO('yolo11m.pt')

# Verfolge Objekte im Video
results = model.track('video.mp4', save=True, tracker='bytetrack.yaml')

# Zugreifen auf Tracking-IDs
for result in results:
    boxes = result.boxes
    if boxes.id is not None:
        track_ids = boxes.id.tolist()

Benutzerdefiniertes Training

Datensatz vorbereiten

# dataset.yaml
path: /workspace/dataset
train: images/train
val: images/val

names:
  0: cat
  1: dog
  2: bird

YOLOv11 trainieren

from ultralytics import YOLO

# Vorgefertigtes YOLOv11-Modell laden
model = YOLO('yolo11n.pt')

# Trainieren
results = model.train(
    data='dataset.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0
)

Trainingsargumente

model.train(
    data='dataset.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,
    workers=8,
    patience=50,         # Frühes Stoppen
    save=True,
    save_period=10,      # Alle N Epochen speichern
    cache=True,          # Bilder zwischenspeichern
    amp=True,            # Gemischte Genauigkeit
    lr0=0.01,
    lrf=0.01,
    momentum=0.937,
    weight_decay=0.0005,
    warmup_epochs=3.0,
    box=7.5,
    cls=0.5,
    dfl=1.5,
    augment=True,
    hsv_h=0.015,
    hsv_s=0.7,
    hsv_v=0.4,
    flipud=0.0,
    fliplr=0.5,
    mosaic=1.0,
    mixup=0.0,
)

Modell exportieren

from ultralytics import YOLO

model = YOLO('yolo11m.pt')

# In verschiedene Formate exportieren
model.export(format='onnx')           # ONNX
model.export(format='tensorrt')       # TensorRT
model.export(format='openvino')       # OpenVINO
model.export(format='coreml')         # CoreML
model.export(format='tflite')         # TensorFlow Lite

API-Server

from fastapi import FastAPI, UploadFile
from fastapi.responses import JSONResponse
from ultralytics import YOLO
from PIL import Image
import io

app = FastAPI()
model = YOLO('yolo11m.pt')

@app.post("/detect")
async def detect(file: UploadFile):
    contents = await file.read()
    image = Image.open(io.BytesIO(contents))

    results = model(image)

    detections = []
    for box in results[0].boxes:
        detections.append({
            "class": model.names[int(box.cls[0])],
            "confidence": float(box.conf[0]),
            "bbox": box.xyxy[0].tolist()
        })

    return JSONResponse(content={"detections": detections})

@app.post("/segment")
async def segment(file: UploadFile):
    contents = await file.read()
    image = Image.open(io.BytesIO(contents))

    model_seg = YOLO('yolo11m-seg.pt')
    results = model_seg(image)

    # Annotiertes Bild zurückgeben
    annotated = results[0].plot()
    # ... konvertieren und zurückgeben

# Ausführen: uvicorn server:app --host 0.0.0.0 --port 8000

Leistungsoptimierung

TensorRT-Export

model = YOLO('yolo11m.pt')
model.export(format='tensorrt', half=True)

# Exportiertes Modell verwenden
model_trt = YOLO('yolo11m.engine')
results = model_trt('image.jpg')

Batch-Inferenz

# Mehrere Bilder gleichzeitig verarbeiten
images = ['img1.jpg', 'img2.jpg', 'img3.jpg', 'img4.jpg']
results = model(images, batch=4)

Leistungsbenchmarks

YOLOv11 FPS (640px Eingabe)

Modell	GPU	FPS
yolo11n	RTX 3090	~1100
yolo11s	RTX 3090	~730
yolo11m	RTX 3090	~370
yolo11x	RTX 3090	~183
yolo11x	RTX 4090	~305

YOLOv8 FPS (640px Eingabe) — Vorherige Generation

Modell	GPU	FPS
YOLOv8n	RTX 3090	~900
YOLOv8s	RTX 3090	~600
YOLOv8m	RTX 3090	~300
YOLOv8x	RTX 3090	~150
YOLOv8x	RTX 4090	~250

Fehlerbehebung

Nicht genügend Arbeitsspeicher

# Kleineres Modell verwenden
model = YOLO('yolo11n.pt')

# Oder Bildgröße reduzieren
results = model('image.jpg', imgsz=320)

Langsame Verarbeitung

• Verwenden Sie TensorRT-Export

• Verwenden Sie ein kleineres Modell (yolo11n oder yolo11s)

• Bildgröße reduzieren

Geringe Genauigkeit

• Verwenden Sie ein größeres Modell (yolo11x statt yolo11n)

• Auf eigenen Daten trainieren

• Bildgröße erhöhen

Kostenabschätzung

Typische CLORE.AI Marketplace-Preise (Stand 2025):

GPU	Stundensatz	Tagessatz	4-Stunden-Sitzung
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

Preise variieren je nach Anbieter und Nachfrage. Prüfen Sie CLORE.AI Marketplace auf aktuelle Preise.

Geld sparen:

• Verwenden Sie Spot Markt für flexible Workloads (oft 30–50% günstiger)

• Bezahlen mit CLORE Token

• Preise bei verschiedenen Anbietern vergleichen

Nächste Schritte

• Segmentiere alles - Erweiterte Segmentierung

• Detectron2 - Mehr Erkennungsoptionen

• Real-ESRGAN - Erkennte Objekte verbessern