中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

Início

Apresentação Ultralytics YOLO11YOLO11 , a versão mais recente do aclamado modelo de deteção de objectos e segmentação de imagens em tempo real. O baseia-se em avanços de ponta em aprendizagem profunda e visão computacional, oferecendo um desempenho sem paralelo em termos de velocidade e precisão. O seu design simplificado torna-o adequado para várias aplicações e facilmente adaptável a diferentes plataformas de hardware, desde dispositivos periféricos a APIs na nuvem.

Explore os documentos Ultralytics , um recurso abrangente concebido para o ajudar a compreender e utilizar as suas funcionalidades e capacidades. Quer seja um profissional experiente em aprendizagem automática ou um novato na área, este centro visa maximizar o potencial do YOLO nos seus projectos.

Por onde começar

Ver: Como treinar um modelo YOLO11 no seu conjunto de dados personalizado em Google Colab.

YOLO: Uma breve história

YOLO (You Only Look Once), um modelo popular de deteção de objectos e segmentação de imagens, foi desenvolvido por Joseph Redmon e Ali Farhadi na Universidade de Washington. Lançado em 2015, YOLO ganhou popularidade pela sua elevada velocidade e precisão.

• O YOLOv2, lançado em 2016, melhorou o modelo original ao incorporar a normalização de lotes, caixas de ancoragem e clusters de dimensão.
• O YOLOv3, lançado em 2018, melhorou ainda mais o desempenho do modelo, utilizando uma rede de base mais eficiente, várias âncoras e agrupamento de pirâmides espaciais.
• O YOLOv4 foi lançado em 2020, introduzindo inovações como o aumento de dados Mosaic, uma nova cabeça de deteção sem âncoras e uma nova função de perda.
• YOLOv5 melhorou ainda mais o desempenho do modelo e acrescentou novas funcionalidades, como a otimização de hiperparâmetros, o acompanhamento integrado de experiências e a exportação automática para formatos de exportação populares.
• O YOLOv6 foi aberto pela Meituan em 2022 e é utilizado em muitos dos robôs de entrega autónomos da empresa.
• O YOLOv7 acrescentou tarefas adicionais, como a estimativa de pose no conjunto de dados COCO keypoints.
• YOLOv8 lançado em 2023 pela Ultralytics, introduziu novas funcionalidades e melhorias para um melhor desempenho, flexibilidade e eficiência, suportando uma gama completa de tarefas de IA de visão.
• O YOLOv9 introduz métodos inovadores como o Programmable Gradient Information (PGI) e a Generalized Efficient Layer Aggregation Network (GELAN).
• YOLOv10 criado por investigadores da Universidade de Tsinghua utilizando o software Ultralytics Python , proporciona avanços na deteção de objectos em tempo real, introduzindo uma cabeça End-to-End que elimina os requisitos de Supressão Não Máxima (NMS).
• YOLO11 🚀 NOVO: Os modelos YOLO mais recentes da Ultralytics oferecem desempenho de última geração (SOTA) em várias tarefas, incluindo deteção de objetos, segmentação, estimativa de pose, rastreamento e classificação, aproveitando os recursos em diversos aplicativos e domínios de IA.

YOLO Licenças: Como é que Ultralytics YOLO é licenciado?

Ultralytics oferece duas opções de licenciamento para acomodar diversos casos de utilização:

• AGPL-3.0 Licença: Esta licença de código aberto aprovada pela OSI é ideal para estudantes e entusiastas, promovendo a colaboração aberta e a partilha de conhecimentos. Veja o ficheiro LICENSE para mais detalhes.
• Licença Empresarial: Concebida para utilização comercial, esta licença permite a integração perfeita do software Ultralytics e dos modelos de IA em bens e serviços comerciais, contornando os requisitos de código aberto de AGPL-3.0. Se o seu cenário envolver a incorporação das nossas soluções numa oferta comercial, contacte-nos através de Ultralytics Licenciamento.

A nossa estratégia de licenciamento foi concebida para garantir que quaisquer melhorias nos nossos projectos de código aberto sejam devolvidas à comunidade. Mantemos os princípios do código aberto perto dos nossos corações ❤️, e a nossa missão é garantir que as nossas contribuições possam ser utilizadas e expandidas de forma a serem benéficas para todos.

A evolução da deteção de objectos

A deteção de objectos tem evoluído significativamente ao longo dos anos, desde as técnicas tradicionais de visão por computador até aos modelos avançados de aprendizagem profunda. A família de modelosYOLO tem estado na vanguarda desta evolução, ultrapassando consistentemente os limites do que é possível na deteção de objectos em tempo real.

A abordagem única do YOLO trata a deteção de objectos como um único problema de regressão, prevendo caixas delimitadoras e probabilidades de classe diretamente a partir de imagens completas numa única avaliação. Este método revolucionário tornou os modelos YOLO significativamente mais rápidos do que os anteriores detectores de duas fases, mantendo uma elevada precisão.

Com cada nova versão, YOLO introduziu melhorias arquitectónicas e técnicas inovadoras que melhoraram o desempenho em várias métricas. YOLO11 continua esta tradição ao incorporar os últimos avanços na investigação sobre visão computacional, oferecendo ainda melhores soluções de velocidade e precisão para aplicações do mundo real.

FAQ

O que é Ultralytics YOLO e como é que melhora a deteção de objectos?

Ultralytics YOLO é o mais recente avanço da aclamada série YOLO (You Only Look Once) para deteção de objectos e segmentação de imagens em tempo real. Baseia-se nas versões anteriores, introduzindo novas funcionalidades e melhorias para um melhor desempenho, flexibilidade e eficiência. O YOLO suporta várias tarefas de IA de visão, tais como deteção, segmentação, estimativa de pose, seguimento e classificação. A sua arquitetura de ponta garante uma velocidade e precisão superiores, tornando-o adequado para diversas aplicações, incluindo dispositivos de ponta e APIs de nuvem.

Como posso começar a instalação e configuração do YOLO ?

Começar a utilizar o YOLO é rápido e direto. Pode instalar o pacote Ultralytics utilizando o pip e começar a funcionar em minutos. Aqui está um comando básico de instalação:

pip install ultralytics

Para obter um guia passo a passo completo, visite a nossa página de início rápido. Este recurso ajudá-lo-á com as instruções de instalação, configuração inicial e execução do seu primeiro modelo.

Como é que posso treinar um modelo YOLO personalizado no meu conjunto de dados?

Treinar um modelo YOLO personalizado no seu conjunto de dados envolve alguns passos detalhados:

1. Prepare o seu conjunto de dados anotados.
2. Configurar os parâmetros de treino num ficheiro YAML.
3. Utilizar o yolo TASK train para iniciar o treino. (Cada TASK tem o seu próprio argumento)

Eis um exemplo de código para a tarefa de deteção de objectos:

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640

Para uma explicação detalhada, consulte o nosso guia Formar um modelo, que inclui exemplos e sugestões para otimizar o seu processo de formação.

Quais são as opções de licenciamento disponíveis para Ultralytics YOLO ?

Ultralytics oferece duas opções de licenciamento para YOLO:

• AGPL-3.0 Licença: Esta licença de código aberto é ideal para uso educacional e não comercial, promovendo a colaboração aberta.
• Licença Empresarial: Esta licença foi concebida para aplicações comerciais, permitindo uma integração perfeita do software Ultralytics em produtos comerciais sem as restrições da licença AGPL-3.0 .

Para mais informações, visite a nossa página de Licenciamento.

Como pode o Ultralytics YOLO ser utilizado para o seguimento de objectos em tempo real?

Ultralytics YOLO suporta o seguimento eficiente e personalizável de vários objectos. Para utilizar as capacidades de seguimento, pode utilizar a função yolo track como mostrado abaixo:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

Para obter um guia detalhado sobre como configurar e executar o seguimento de objectos, consulte a nossa documentação do Modo de seguimento, que explica a configuração e as aplicações práticas em cenários em tempo real.

📅C riado há 1 ano ✏️ Atualizado há 4 dias

Comentários