Ultralytics
DatenanalyseAktualisiert am 4. Oktober 2026
Ultralytics ist eine Plattform für Computer Vision zur Objekterkennung, -verfolgung und zum Training in Echtzeit unter Verwendung der YOLO-Architektur.
Wenn Sie sich über unsere Links anmelden, erhalten wir möglicherweise eine Provision. Auf unsere Bewertungen hat das keinen Einfluss.
Was ist Ultralytics?
Ultralytics ist eine Plattform für Computer Vision, die auf der YOLO-Architektur (You Only Look Once) basiert und Objekte in Echtzeit erkennt und verfolgt. Die Plattform geht über einfache Begrenzungsrahmen hinaus und ermöglicht die Posenschätzung sowie die Bildsegmentierung ohne die üblichen Verzögerungen bei der Nachbearbeitung, die durch Non-Maximum Suppression entstehen. Während die Befehlszeilentools und die Python-API den Einsatz in automatisierten Skripten ermöglichen, bietet die webbasierte Ultralytics-Plattform eine No-Code-Umgebung, in der Daten mit KI-gestützten Pinseln beschriftet und Modelle auf Cloud-GPUs trainiert werden können. Dieser Ansatz erspart Ihnen die Verwaltung lokaler Abhängigkeiten und der Infrastruktur, auch wenn die Umstellung auf spezialisierte, NMS-freie Modelle bedeuten kann, dass Sie Ihre Bereitstellungspipeline für ältere Hardware möglicherweise überdenken müssen. Das ist wichtig, da Sie so innerhalb von Stunden statt Wochen von einem Ordner mit Rohbildern zu einer produktionsreifen API gelangen können.
Wie fängt man mit Ultralytics an?
Führen Sie zunächst „pip install ultralytics“ in einer virtuellen Umgebung aus. So bleiben Ihre Systemabhängigkeiten sauber und Sie vermeiden Versionskonflikte, die Computer-Vision-Projekte oft zum Scheitern bringen. Wenn Sie Linux oder macOS verwenden, überprüfen Sie Ihre Installation, indem Sie die CLI mit dem Befehl „yolo“ testen. Dies ist der schnellste Weg, um sicherzustellen, dass Ihre GPU tatsächlich zur Beschleunigung genutzt wird. Eine ordnungsgemäße Isolierung der Umgebung stellt sicher, dass Ihre lokale Konfiguration nicht abstürzt, wenn Sie mit verschiedenen Modellversionen experimentieren.
Die Bibliothek funktioniert am besten, wenn Sie ihr eine „data.yaml“-Datei zur Verfügung stellen. Diese kleine Konfigurationsdatei teilt dem Modell genau mit, wo sich Ihre Trainings- und Validierungsbilder befinden, und ordnet Ihre Klassennamen bestimmten ID-Nummern zu. Wenn Sie den Validierungspfad überspringen oder die Ordnerstruktur geringfügig falsch angeben, schlägt die Trainingsschleife bereits vor Ende der ersten Epoche fehl. Wenn Sie Ihre Pfade frühzeitig richtig einrichten, ersparen Sie sich stundenlanges Debuggen von Phantomfehlern, da das Modell eine klare Zuordnung Ihres Datensatzes benötigt, um während des Trainings Genauigkeitsmetriken zu berechnen.
Wählen Sie ein vortrainiertes Modell wie YOLO11n, um Ihre Gewichte zu initialisieren. Der Start mit einem Checkpoint anstelle von zufälligem Rauschen spart Ihnen Tage an Rechenzeit und erfordert deutlich weniger benutzerdefinierte Bilder, um eine ordentliche Genauigkeit zu erreichen. Sie können das Training mit einem einzigen Befehl wie model.train(data=’data.yaml’, epochs=100, imgsz=640) starten. Die Verwendung einer Standardauflösung von 640 px sorgt für ein ausgewogenes Verhältnis zwischen Erkennungsgeschwindigkeit und der Fähigkeit, kleinere Objekte in einem Bild zu finden. So können Sie innerhalb weniger Minuten einen funktionierenden Prototyp auf handelsüblicher Hardware zum Laufen bringen.
Sobald das Training abgeschlossen ist, werden die Gewichte im Verzeichnis „runs“ gespeichert. Sie können sofort eine Inferenz auf einer neuen Videodatei oder einem Live-Kamerastream durchführen, um zu sehen, wie das Modell mit Bewegungen in der realen Welt umgeht. Ich habe festgestellt, dass Tests mit unbearbeiteten Smartphone-Videos oft Verzerrungen bei der Beleuchtung oder im Aufnahmewinkel aufdecken, die im statischen Trainingsdatensatz nicht offensichtlich waren. Wenn Sie die Begrenzungsrahmen in Echtzeit erscheinen sehen, erhalten Sie sofortiges Feedback darüber, ob Ihr Datensatz vielfältig genug war, und Live-Tests sind die einzige Möglichkeit, zu beweisen, dass Ihr Modell auch außerhalb eines sterilen Datensatzes funktioniert.
Für wen ist es geeignet?
Computer-Vision-Ingenieure, die von Rohbildern zu einem trainierten YOLO-Modell übergehen müssen, ohne fragmentierte Toolchains verwalten zu müssen. Dies spart Stunden an Einrichtungszeit, da Annotation und Bereitstellung in einem Browser-Tab integriert sind.
Kleine KI-Startup-Teams, denen ein dedizierter MLOps-Mitarbeiter fehlt
Die Plattform übernimmt die aufwendige GPU-Orchestrierung, sodass Sie ein YOLOv8-Modell auf einer RTX 4090 trainieren können, ohne die Hardware selbst zu besitzen.
Entwickler im Bereich Retail-Tech, die Selbstbedienungskassen oder Bestandsverfolgungssysteme entwickeln. Sie können Modelle direkt auf Edge-Geräten bereitstellen, um die Verarbeitung lokal und die Latenz gering zu halten.
Akademische Forscher, die iterative Experimente zur Objekterkennung durchführen
Die Plattform ermöglicht schnelle Vergleiche zwischen YOLO-Versionen wie v5 und v11 und hilft Ihnen so, das richtige Verhältnis zwischen Genauigkeit und Geschwindigkeit für Ihre wissenschaftliche Arbeit zu finden.
No-Code-Begeisterte, die eigene Bildverarbeitungs-Apps entwickeln möchten
Über die Drag-and-Drop-Oberfläche können Sie Datensätze beschriften und Trainingsläufe starten, ohne eine einzige Zeile Python schreiben zu müssen.
Qualitätsverantwortliche in der Fertigung, die die Fehlererkennung am Fließband automatisieren möchten. Die Plattform eignet sich gut zur Identifizierung sichtbarer Risse oder Fehlausrichtungen, ist jedoch weniger ideal, wenn Ihre Daten hochspezialisiertes medizinisches Fachwissen erfordern.
Preise für Ultralytics
Ultralytics befindet sich in einem seltsamen Spannungsfeld zwischen Open-Source-Altruismus und strengen kommerziellen Lizenzbedingungen. Sie können den Code kostenlos herunterladen und damit experimentieren, doch sobald Sie Ihren Quellcode in einem kommerziellen Produkt verbergen möchten, wird die AGPL-3.0-Lizenz zu einem großen Hindernis. Die meisten Entwickler beginnen kostenlos und stoßen dann an eine Grenze, wenn ihre Rechtsabteilung die „Copyleft“-Anforderungen sieht.
Free-Tarif – 0 $ pro Monat
100 GB Speicherplatz und 3 gleichzeitige Cloud-Trainings
20 Cloud-GPU-Typen, darunter RTX 5090 und H100
Beinhaltet Startguthaben im Wert von 5 bis 25 $ für Rechenleistung
Damit können Sie Prototypen erstellen, ohne eine Kreditkarte anzugeben, müssen Ihr Projekt jedoch öffentlich halten oder Ihren gesamten Stack als Open Source veröffentlichen.
Der Vorteil: Sie können testen, ob YOLOv8 Ihre spezifischen Objekte tatsächlich erkennt, bevor Sie einen Cent ausgeben.
Pro-Tarif – 29 $ pro Nutzer/Monat (oder 290 $/Jahr)
500 GB Speicherplatz und 10 gleichzeitige Trainings
30 $ monatliches Guthaben pro Nutzer
Zugriff auf H200- und B200-GPUs
Die Skalierung auf 500 Modelle bedeutet, dass Sie nicht jeden Freitagnachmittag alte Experimente löschen müssen.
Teams, die über grundlegende Experimente hinausgewachsen sind, erhalten mehr Rechenleistung und schnellere Chips.
Enterprise-Tarif – Individuelle Preisgestaltung (Angebot erforderlich)
Unbegrenzte Anzahl an Modellen, Speicherplatz und Bereitstellungen
SSO/SAML und dediziertes Onboarding
Kommerzielle Lizenz für Closed-Source-Anwendungen
Berichten zufolge können diese Lizenzen je nach Unternehmensgröße zwischen etwa 5.000 und 20.000 $ pro Jahr kosten.
Nur so können Sie die Technologie in einer proprietären App nutzen, ohne Ihren proprietären Code offenzulegen.
Wichtigste Funktionen von Ultralytics
YOLO-Verarbeitung in Echtzeit
Sie können Objekte in Live-Videostreams erkennen und verfolgen, ohne die üblichen Verzögerungen, die den Einsatz auf Edge-Geräten unmöglich machen. Systeme können so sofort auf Veränderungen in dynamischen Umgebungen wie im Straßenverkehr oder in Fabrikhallen reagieren.
Zentraler Computer-Vision-Hub
Schluss mit dem Hin- und Herspringen zwischen verschiedenen Tools für Annotation, Training und Bereitstellung. Die Verwaltung aller Vorgänge in einem einzigen Browser-Tab verhindert Versionskonflikte und Probleme mit der Laufzeitumgebung, wie sie beim Zusammenfügen fragmentierter Python-Skripte häufig auftreten. Dadurch reduziert sich der Zeitaufwand für die Infrastrukturverwaltung drastisch.
Vielseitigkeit bei mehreren Aufgaben
Die Plattform bewältigt Objekterkennung, Posenschätzung und Bildsegmentierung mithilfe derselben Kernarchitektur. Sie können Schlüsselpunkte des menschlichen Körpers für Fitness-Apps zuordnen oder bestimmte Pixel für die medizinische Bildgebung markieren, ohne ein neues Framework erlernen zu müssen. Ihr Team muss für vielfältige KI-Projekte nur eine einzige Toolchain beherrschen.
Cloud-basiertes Training
Lagern Sie rechenintensive GPU-Aufgaben in die Cloud aus und bewahren Sie Ihren lokalen Rechner vor thermischer Drosselung. So können Sie auch auf Reisen oder mit einem energiesparenden Laptop an Modellen arbeiten, müssen dabei jedoch Ihre Rechen-Credits verwalten. Die Entwicklung von High-End-KI wird so auch für Teams ohne teure Server-Racks realistisch.
Flexible Bereitstellungsoptionen
Exportieren Sie Ihre trainierten Modelle in Formate wie ONNX, CoreML oder TensorFlow Lite für Mobil- und Web-Apps. Der Konvertierungsprozess übernimmt die mathematische Umsetzung automatisch, wodurch das Modell auf Smartphones reaktionsschnell bleibt und sich der Weg vom Forschungs-Notebook zur produktionsreifen Anwendung verkürzt.
Vor- und Nachteile von Ultralytics
Vorteile
Ultralytics vereinfacht den Übergang von Rohbildern zu einem funktionsfähigen YOLO-Modell, indem es Annotation und Bereitstellung in einem einzigen Browser-Tab zusammenfasst. So können Sie Skripte zur Objekterkennung auf Edge-Geräten bereitstellen, ohne eine eigene Serverinfrastruktur verwalten oder sich mit CUDA-Treibern herumschlagen zu müssen. Mir ist aufgefallen, dass der Verzicht auf Non-Maximum Suppression (NMS) in neueren Versionen die CPU-Latenz deutlich senkt, was die Echtzeit-Verfolgung auf Hardware mit geringer Leistung beschleunigt. Dies ist wichtig, da es den Zeitaufwand für die Einrichtung der Umgebung drastisch reduziert, sodass Sie sich auf die Modellgenauigkeit konzentrieren können.
Nachteile
Die Einfachheit geht mit erheblichen Kompromissen bei der Lizenzierung einher, die Sie zwingen, sich entweder für die Open-Source-Veröffentlichung Ihrer gesamten Anwendung oder für die Zahlung einer nicht offengelegten Unternehmensgebühr zu entscheiden. Die Dokumentation erscheint für fortgeschrittene Szenarien oft unzureichend, insbesondere im Umgang mit der Unterstützung benutzerdefinierter Codecs oder der tiefgreifenden Feinabstimmung von Backbone-Schichten. Zwar ist die API zugänglich, doch die zugrunde liegende Codebasis kann für Nischenforschungsanforderungen schwer zu durchschauen und anzupassen sein. Die Software wirkt möglicherweise wie eine „Black Box“, die Ihre Kontrolle über interne Schichten einschränkt, was zu Überanpassung führen kann, wenn Sie bei der Hyperparameter-Optimierung nicht vorsichtig vorgehen. Für kleine Teams, die sich keine individuellen Angebote leisten können, können restriktive Lizenzbedingungen kommerzielle Veröffentlichungen komplett blockieren.
Verwenden Sie Ultralytics, wenn Sie…
- Hochgeschwindigkeits-YOLO-Modelle auf ressourcenbeschränkten Edge-Geräten bereitstellen möchten.
- Die Objekterkennung in Echtzeit für autonome Navigationssysteme automatisieren möchten.
- Sportliche Leistungen mit präziser Posenschätzung verfolgen möchten.
- Maßgeschneiderte visuelle Datensätze für die Inspektion industrieller Fertigungsstraßen erstellen möchten.
- Sicherheitsrisiken wie Feuer oder Rauch sofort erkennen möchten.
- Mehrere Objektinstanzen in komplexen Szenen identifizieren und klassifizieren möchten.
- NMS-freie Inferenz für einfachere Machine-Learning-Pipelines integrieren möchten.
- Städtische Umgebungen auf Wartungs- und Sicherheitsanomalien überwachen möchten.
Alternativen zu Ultralytics
Bewertungen von Ultralytics
Das Trainieren benutzerdefinierter Modelle geht unglaublich schnell, und die Exportoptionen für Edge-Geräte wie den Jetson Orin sind ein echter Lebensretter für unsere Produktionspipeline.
Es ist der einfachste Weg, um von Rohbildern zu einem funktionsfähigen Proof of Concept zu gelangen, auch wenn sich der Code bei tiefgreifenden Anpassungen ein wenig wie eine Black Box anfühlen kann.
Die YOLO-Leistung auf Mobilgeräten ist beeindruckend, aber ich fand, dass die Dokumentation für fortgeschrittene Einsatzszenarien etwas dürftig und schwer zu durchschauen ist.
Hervorragend geeignet für schnelles Prototyping mit der CLI, aber man sollte sich auf die restriktive AGPL-Lizenzierung einstellen, wenn man plant, sein Projekt als Closed-Source-Projekt zu führen.
Häufig gestellte Fragen
Was sind die Mindestsystemanforderungen für die Ausführung von Ultralytics YOLO?
Um Ultralytics YOLO auszuführen, benötigen Sie mindestens Python 3.8 und PyTorch 1.8, wobei die Verwendung einer CUDA-kompatiblen GPU für eine schnellere Verarbeitung und ein schnelleres Training dringend empfohlen wird.
Unterstützt Ultralytics YOLO die Objektverfolgung in Echtzeit?
Ja, Ultralytics YOLO bietet integrierte Unterstützung für die Verfolgung mehrerer Objekte, sodass Benutzer erkannte Objekte über mehrere Videobilder hinweg mit einem einzigen Befehl oder speziellen Python-Funktionen verfolgen können.
Kann ich YOLO-Modelle für die mobile Nutzung in andere Formate exportieren?
Ultralytics-Modelle können in verschiedene Formate exportiert werden, darunter TFLite und CoreML für die Integration in Android- und iOS-Anwendungen sowie ONNX und TensorRT für Edge-Geräte.
Was sind die Kernkomponenten der YOLO-Architektur?
Die YOLO-Architektur besteht aus einem „Backbone“ zur Merkmalsextraktion, einem „Neck“ zur Fusion von Merkmalen verschiedener Skalen und einem „Head“ zur Erstellung endgültiger Vorhersagen wie Begrenzungsrahmen und Klassenwahrscheinlichkeiten.
Bietet Ultralytics Support für Unternehmenskunden an?
Ja, Ultralytics bietet Enterprise-Support an, der einen dedizierten Slack-Kanal, garantierte Reaktionszeiten per SLA und maßgeschneiderte Engineering-Dienstleistungen für groß angelegte Bereitstellungen umfasst.
Wird der Datenschutz bei der Nutzung der Ultralytics-Plattform gewährleistet?
Ultralytics hält sich an strenge Datenschutzbestimmungen und erhebt in erster Linie anonymisierte Daten zur Verbesserung seiner Tools, um sicherzustellen, dass sensible Nutzerinformationen geschützt bleiben.
Ähnliche Tools
RowsRows ist eine KI-gestützte Tabellenkalkulation, die sich mit Echtzeit-Datentools verbindet und so automatisierte Analysen, Klassifizierungen und Berichte ermöglicht.
AppenAppen stellt hochwertige, von Menschen annotierte Daten und Expertenbewertungen bereit, um weltweit präzise und zuverlässige KI-Modelle zu entwickeln und zu skalieren.
SciteScite AI ist ein intelligentes Zitier-Tool, das die Glaubwürdigkeit von Forschungsarbeiten bewertet, indem es aufzeigt, ob wissenschaftliche Artikel bestimmte Behauptungen stützen oder