Update docs predict, buttons, reference (#6585)

Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com>

docs/de/modes/index.md

@@ -40,35 +40,35 @@ Dieser umfassende Leitfaden soll Ihnen einen Überblick und praktische Einblicke
 
 Der Trainingsmodus wird verwendet, um ein YOLOv8-Modell mit einem angepassten Datensatz zu trainieren. In diesem Modus wird das Modell mit dem angegebenen Datensatz und den Hyperparametern trainiert. Der Trainingsprozess beinhaltet die Optimierung der Modellparameter, damit es die Klassen und Standorte von Objekten in einem Bild genau vorhersagen kann.
 
-[Trainingsbeispiele](train.md){ .md-button .md-button--primary}
+[Trainingsbeispiele](train.md){ .md-button }
 
 ## [Validieren](val.md)
 
 Der Validierungsmodus wird genutzt, um ein YOLOv8-Modell nach dem Training zu bewerten. In diesem Modus wird das Modell auf einem Validierungsset getestet, um seine Genauigkeit und Generalisierungsleistung zu messen. Dieser Modus kann verwendet werden, um die Hyperparameter des Modells für eine bessere Leistung zu optimieren.
 
-[Validierungsbeispiele](val.md){ .md-button .md-button--primary}
+[Validierungsbeispiele](val.md){ .md-button }
 
 ## [Vorhersagen](predict.md)
 
 Der Vorhersagemodus wird verwendet, um mit einem trainierten YOLOv8-Modell Vorhersagen für neue Bilder oder Videos zu treffen. In diesem Modus wird das Modell aus einer Checkpoint-Datei geladen, und der Benutzer kann Bilder oder Videos zur Inferenz bereitstellen. Das Modell sagt die Klassen und Standorte von Objekten in den Eingabebildern oder -videos voraus.
 
-[Vorhersagebeispiele](predict.md){ .md-button .md-button--primary}
+[Vorhersagebeispiele](predict.md){ .md-button }
 
 ## [Exportieren](export.md)
 
 Der Exportmodus wird verwendet, um ein YOLOv8-Modell in ein Format zu exportieren, das für die Bereitstellung verwendet werden kann. In diesem Modus wird das Modell in ein Format konvertiert, das von anderen Softwareanwendungen oder Hardwaregeräten verwendet werden kann. Dieser Modus ist nützlich, wenn das Modell in Produktionsumgebungen eingesetzt wird.
 
-[Exportbeispiele](export.md){ .md-button .md-button--primary}
+[Exportbeispiele](export.md){ .md-button }
 
 ## [Verfolgen](track.md)
 
 Der Trackingmodus wird zur Echtzeitverfolgung von Objekten mit einem YOLOv8-Modell verwendet. In diesem Modus wird das Modell aus einer Checkpoint-Datei geladen, und der Benutzer kann einen Live-Videostream für das Echtzeitobjekttracking bereitstellen. Dieser Modus ist nützlich für Anwendungen wie Überwachungssysteme oder selbstfahrende Autos.
 
-[Trackingbeispiele](track.md){ .md-button .md-button--primary}
+[Trackingbeispiele](track.md){ .md-button }
 
 ## [Benchmarking](benchmark.md)
 
 Der Benchmark-Modus wird verwendet, um die Geschwindigkeit und Genauigkeit verschiedener Exportformate für YOLOv8 zu profilieren. Die Benchmarks liefern Informationen über die Größe des exportierten Formats, seine `mAP50-95`-Metriken (für Objekterkennung, Segmentierung und Pose)
 oder `accuracy_top5`-Metriken (für Klassifizierung) und die Inferenzzeit in Millisekunden pro Bild für verschiedene Exportformate wie ONNX, OpenVINO, TensorRT und andere. Diese Informationen können den Benutzern dabei helfen, das optimale Exportformat für ihren spezifischen Anwendungsfall basierend auf ihren Anforderungen an Geschwindigkeit und Genauigkeit auszuwählen.
 
-[Benchmarkbeispiele](benchmark.md){ .md-button .md-button--primary}
+[Benchmarkbeispiele](benchmark.md){ .md-button }

docs/de/quickstart.md

@@ -163,7 +163,7 @@ Die Befehlszeilenschnittstelle (CLI) von Ultralytics ermöglicht einfache Einzei
     - `yolo predict model yolov8n.pt imgsz 640 conf 0.25`   ❌
     - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25`   ❌
 
-[CLI-Leitfaden](/../usage/cli.md){ .md-button .md-button--primary}
+[CLI-Leitfaden](/../usage/cli.md){ .md-button }
 
 ## Ultralytics mit Python verwenden
 

docs/de/tasks/index.md

@@ -30,25 +30,25 @@ YOLOv8 ist ein KI-Framework, das mehrere Aufgaben im Bereich der Computer Vision
 
 Erkennung ist die primäre von YOLOv8 unterstützte Aufgabe. Sie beinhaltet das Erkennen von Objekten in einem Bild oder Videobild und das Zeichnen von Rahmen um sie herum. Die erkannten Objekte werden anhand ihrer Merkmale in verschiedene Kategorien klassifiziert. YOLOv8 kann mehrere Objekte in einem einzelnen Bild oder Videobild mit hoher Genauigkeit und Geschwindigkeit erkennen.
 
-[Beispiele für Erkennung](detect.md){ .md-button .md-button--primary}
+[Beispiele für Erkennung](detect.md){ .md-button }
 
 ## [Segmentierung](segment.md)
 
 Segmentierung ist eine Aufgabe, die das Aufteilen eines Bildes in unterschiedliche Regionen anhand des Bildinhalts beinhaltet. Jeder Region wird basierend auf ihrem Inhalt eine Markierung zugewiesen. Diese Aufgabe ist nützlich in Anwendungen wie der Bildsegmentierung und medizinischen Bildgebung. YOLOv8 verwendet eine Variante der U-Net-Architektur, um die Segmentierung durchzuführen.
 
-[Beispiele für Segmentierung](segment.md){ .md-button .md-button--primary}
+[Beispiele für Segmentierung](segment.md){ .md-button }
 
 ## [Klassifizierung](classify.md)
 
 Klassifizierung ist eine Aufgabe, die das Einordnen eines Bildes in verschiedene Kategorien umfasst. YOLOv8 kann genutzt werden, um Bilder anhand ihres Inhalts zu klassifizieren. Es verwendet eine Variante der EfficientNet-Architektur, um die Klassifizierung durchzuführen.
 
-[Beispiele für Klassifizierung](classify.md){ .md-button .md-button--primary}
+[Beispiele für Klassifizierung](classify.md){ .md-button }
 
 ## [Pose](pose.md)
 
 Die Pose-/Keypoint-Erkennung ist eine Aufgabe, die das Erkennen von spezifischen Punkten in einem Bild oder Videobild beinhaltet. Diese Punkte werden als Keypoints bezeichnet und werden zur Bewegungsverfolgung oder Pose-Schätzung verwendet. YOLOv8 kann Keypoints in einem Bild oder Videobild mit hoher Genauigkeit und Geschwindigkeit erkennen.
 
-[Beispiele für Posen](pose.md){ .md-button .md-button--primary}
+[Beispiele für Posen](pose.md){ .md-button }
 
 ## Fazit