Update https://docs.ultralytics.com/models (#6513)

Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com> Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>
2023-11-22 20:45:46 +01:00 · 2023-11-22 20:45:46 +01:00 · 16a13a1ce0
commit 16a13a1ce0
parent 0c4e97443b
178 changed files with 14224 additions and 561 deletions
--- a/docs/de/models/mobile-sam.md
+++ b/docs/de/models/mobile-sam.md
@ -0,0 +1,116 @@
+---
+comments: true
+description: Erfahren Sie mehr über MobileSAM, dessen Implementierung, den Vergleich mit dem Original-SAM und wie Sie es im Ultralytics-Framework herunterladen und testen können. Verbessern Sie Ihre mobilen Anwendungen heute.
+keywords: MobileSAM, Ultralytics, SAM, mobile Anwendungen, Arxiv, GPU, API, Bildencoder, Maskendekoder, Modell-Download, Testmethode
+---
+
+![MobileSAM Logo](https://github.com/ChaoningZhang/MobileSAM/blob/master/assets/logo2.png?raw=true)
+
+# Mobile Segment Anything (MobileSAM)
+
+Das MobileSAM-Paper ist jetzt auf [arXiv](https://arxiv.org/pdf/2306.14289.pdf) verfügbar.
+
+Eine Demonstration von MobileSAM, das auf einer CPU ausgeführt wird, finden Sie unter diesem [Demo-Link](https://huggingface.co/spaces/dhkim2810/MobileSAM). Die Leistung auf einer Mac i5 CPU beträgt etwa 3 Sekunden. Auf der Hugging Face-Demo führt die Benutzeroberfläche und CPUs mit niedrigerer Leistung zu einer langsameren Reaktion, aber die Funktion bleibt effektiv.
+
+MobileSAM ist in verschiedenen Projekten implementiert, darunter [Grounding-SAM](https://github.com/IDEA-Research/Grounded-Segment-Anything), [AnyLabeling](https://github.com/vietanhdev/anylabeling) und [Segment Anything in 3D](https://github.com/Jumpat/SegmentAnythingin3D).
+
+MobileSAM wird mit einem einzigen GPU und einem 100K-Datensatz (1% der Originalbilder) in weniger als einem Tag trainiert. Der Code für dieses Training wird in Zukunft verfügbar gemacht.
+
+## Verfügbarkeit von Modellen, unterstützte Aufgaben und Betriebsarten
+
+Die folgende Tabelle zeigt die verfügbaren Modelle mit ihren spezifischen vortrainierten Gewichten, die unterstützten Aufgaben und ihre Kompatibilität mit unterschiedlichen Betriebsarten wie [Inferenz](../modes/predict.md), [Validierung](../modes/val.md), [Training](../modes/train.md) und [Export](../modes/export.md). Unterstützte Betriebsarten werden mit ✅-Emojis und nicht unterstützte Betriebsarten mit ❌-Emojis angezeigt.
+
+| Modelltyp | Vortrainierte Gewichte | Unterstützte Aufgaben                       | Inferenz | Validierung | Training | Export |
+|-----------|------------------------|---------------------------------------------|----------|-------------|----------|--------|
+| MobileSAM | `mobile_sam.pt`        | [Instanzsegmentierung](../tasks/segment.md) | ✅        | ❌           | ❌        | ✅      |
+
+## Anpassung von SAM zu MobileSAM
+
+Da MobileSAM die gleiche Pipeline wie das Original-SAM beibehält, haben wir das ursprüngliche Preprocessing, Postprocessing und alle anderen Schnittstellen eingebunden. Personen, die derzeit das ursprüngliche SAM verwenden, können daher mit minimalem Aufwand zu MobileSAM wechseln.
+
+MobileSAM bietet vergleichbare Leistungen wie das ursprüngliche SAM und behält dieselbe Pipeline, mit Ausnahme eines Wechsels des Bildencoders. Konkret ersetzen wir den ursprünglichen, leistungsstarken ViT-H-Encoder (632M) durch einen kleineren Tiny-ViT-Encoder (5M). Auf einem einzelnen GPU arbeitet MobileSAM in etwa 12 ms pro Bild: 8 ms auf dem Bildencoder und 4 ms auf dem Maskendekoder.
+
+Die folgende Tabelle bietet einen Vergleich der Bildencoder, die auf ViT basieren:
+
+| Bildencoder     | Original-SAM | MobileSAM |
+|-----------------|--------------|-----------|
+| Parameter       | 611M         | 5M        |
+| Geschwindigkeit | 452ms        | 8ms       |
+
+Sowohl das ursprüngliche SAM als auch MobileSAM verwenden denselben promptgeführten Maskendekoder:
+
+| Maskendekoder   | Original-SAM | MobileSAM |
+|-----------------|--------------|-----------|
+| Parameter       | 3.876M       | 3.876M    |
+| Geschwindigkeit | 4ms          | 4ms       |
+
+Hier ist ein Vergleich der gesamten Pipeline:
+
+| Gesamte Pipeline (Enc+Dec) | Original-SAM | MobileSAM |
+|----------------------------|--------------|-----------|
+| Parameter                  | 615M         | 9.66M     |
+| Geschwindigkeit            | 456ms        | 12ms      |
+
+Die Leistung von MobileSAM und des ursprünglichen SAM werden sowohl mit einem Punkt als auch mit einem Kasten als Prompt demonstriert.
+
+![Bild mit Punkt als Prompt](https://raw.githubusercontent.com/ChaoningZhang/MobileSAM/master/assets/mask_box.jpg?raw=true)
+
+![Bild mit Kasten als Prompt](https://raw.githubusercontent.com/ChaoningZhang/MobileSAM/master/assets/mask_box.jpg?raw=true)
+
+Mit seiner überlegenen Leistung ist MobileSAM etwa 5-mal kleiner und 7-mal schneller als das aktuelle FastSAM. Weitere Details finden Sie auf der [MobileSAM-Projektseite](https://github.com/ChaoningZhang/MobileSAM).
+
+## Testen von MobileSAM in Ultralytics
+
+Wie beim ursprünglichen SAM bieten wir eine unkomplizierte Testmethode in Ultralytics an, einschließlich Modi für Punkt- und Kasten-Prompts.
+
+### Modell-Download
+
+Sie können das Modell [hier](https://github.com/ChaoningZhang/MobileSAM/blob/master/weights/mobile_sam.pt) herunterladen.
+
+### Punkt-Prompt
+
+!!! Example "Beispiel"
+
+    === "Python"
+        ```python
+        from ultralytics import SAM
+
+        # Laden Sie das Modell
+        model = SAM('mobile_sam.pt')
+
+        # Vorhersage einer Segmentierung basierend auf einem Punkt-Prompt
+        model.predict('ultralytics/assets/zidane.jpg', points=[900, 370], labels=[1])
+        ```
+
+### Kasten-Prompt
+
+!!! Example "Beispiel"
+
+    === "Python"
+        ```python
+        from ultralytics import SAM
+
+        # Laden Sie das Modell
+        model = SAM('mobile_sam.pt')
+
+        # Vorhersage einer Segmentierung basierend auf einem Kasten-Prompt
+        model.predict('ultralytics/assets/zidane.jpg', bboxes=[439, 437, 524, 709])
+        ```
+
+Wir haben `MobileSAM` und `SAM` mit derselben API implementiert. Für weitere Verwendungsinformationen sehen Sie bitte die [SAM-Seite](sam.md).
+
+## Zitate und Danksagungen
+
+Wenn Sie MobileSAM in Ihrer Forschungs- oder Entwicklungsarbeit nützlich finden, zitieren Sie bitte unser Paper:
+
+!!! Quote ""
+
+    === "BibTeX"
+
+        ```bibtex
+        @article{mobile_sam,
+          title={Faster Segment Anything: Towards Lightweight SAM for Mobile Applications},
+          author={Zhang, Chaoning and Han, Dongshen and Qiao, Yu and Kim, Jung Uk and Bae, Sung Ho and Lee, Seungkyu and Hong, Choong Seon},
+          journal={arXiv preprint arXiv:2306.14289},
+          year={2023}
+        }