# YOLOv8-Erkennung

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

{% hint style="success" %}
Alle Beispiele können auf GPU-Servern ausgeführt werden, die über [CLORE.AI Marketplace](https://clore.ai/marketplace).
{% endhint %}

{% hint style="info" %}
**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`.
{% endhint %}

## Mieten auf CLORE.AI

1. Besuchen Sie [CLORE.AI Marketplace](https://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):**

```bash
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

```bash
pip install ultralytics
```

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

```bash
pip install -U ultralytics
```

## YOLOv11 Objekterkennung

### Grundlegende Erkennung mit yolo11m

```python
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

```python
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

```python
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

```python
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

```python
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

```python
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.

```python
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

```python
from ultralytics import YOLO

model = YOLO('yolo11m.pt')

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

### Echtzeit-Webcam

```python
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

```python
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

```python
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

```yaml

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

names:
  0: cat
  1: dog
  2: bird
```

### YOLOv11 trainieren

```python
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

```python
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

```python
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

```python
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

```python
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

```python

# 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

```python

# 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*](https://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](https://docs.clore.ai/guides/guides_v2-de/bildverarbeitung/segment-anything) - Erweiterte Segmentierung
* Detectron2 - Mehr Erkennungsoptionen
* [Real-ESRGAN](https://docs.clore.ai/guides/guides_v2-de/bildverarbeitung/real-esrgan-upscaling) - Erkennte Objekte verbessern