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

Início

Apresentamos o Ultralytics YOLO26, a versão mais recente do aclamado modelo de detecção de objetos e segmentação de imagens em tempo real. O YOLO26 foi desenvolvido com base em avanços de deep learning e computer vision, apresentando inferência de ponta a ponta sem NMS e implementação otimizada para edge. O seu design simplificado torna-o adequado para diversas aplicações e facilmente adaptável a diferentes plataformas de hardware, desde dispositivos de edge até APIs em nuvem. Para cargas de trabalho de produção estáveis, tanto o YOLO26 quanto o YOLO11 são recomendados.

Explore a documentação do Ultralytics, um recurso abrangente criado para ajudar-te a compreender e utilizar os seus recursos e capacidades. Quer sejas um profissional experiente em machine learning ou novo na área, este hub visa maximizar o potencial do YOLO nos teus projetos.

Solicita uma Licença Enterprise para uso comercial em Ultralytics Licensing.

Por onde começar

YOLO: Uma breve história

O YOLO (You Only Look Once), um modelo popular de object detection e image segmentation, foi desenvolvido por Joseph Redmon e Ali Farhadi na Universidade de Washington. Lançado em 2015, o YOLO ganhou popularidade pela sua alta velocidade e precisão.

• O YOLOv2, lançado em 2016, aprimorou o modelo original ao incorporar batch normalization, anchor boxes e clusters de dimensão.
• O YOLOv3, lançado em 2018, melhorou ainda mais o desempenho do modelo usando uma backbone network mais eficiente, múltiplas âncoras e spatial pyramid pooling.
• O YOLOv4 foi lançado em 2020, introduzindo inovações como Mosaic data augmentation, um novo detection head sem âncoras e uma nova loss function.
• O YOLOv5 melhorou ainda mais o desempenho do modelo e adicionou novos recursos, como otimização de hiperparâmetros, rastreamento de experimentos integrado e exportação automática para formatos populares.
• O YOLOv6 foi disponibilizado como código aberto pela Meituan em 2022 e é usado em muitos dos robôs de entrega autônomos da empresa.
• O YOLOv7 adicionou tarefas adicionais, como pose estimation no conjunto de dados COCO keypoints.
• O YOLOv8, lançado em 2023 pelo Ultralytics, introduziu novos recursos e melhorias para desempenho, flexibilidade e eficiência aprimorados, suportando uma gama completa de tarefas de visão AI.
• O YOLOv9 introduz métodos inovadores como Programmable Gradient Information (PGI) e Generalized Efficient Layer Aggregation Network (GELAN).
• O YOLOv10, criado por pesquisadores da Tsinghua University usando o Ultralytics Python package, fornece avanços em object detection em tempo real ao introduzir um head End-to-End que elimina os requisitos de Non-Maximum Suppression (NMS).
• YOLO11: Lançado em setembro de 2024, o YOLO11 oferece excelente desempenho em várias tarefas, incluindo object detection, segmentation, pose estimation, tracking e classification, permitindo a implementação em diversas aplicações e domínios de IA.
• YOLO26 🚀: O modelo YOLO de próxima geração do Ultralytics, otimizado para implementação em edge com inferência de ponta a ponta sem NMS.

Licenças YOLO: Como o Ultralytics YOLO é licenciado?

O Ultralytics oferece duas opções de licenciamento para acomodar diversos casos de uso:

• Licença AGPL-3.0: Esta licença de código aberto aprovada pela OSI é ideal para estudantes e entusiastas, promovendo colaboração aberta e compartilhamento de conhecimento. Consulta o arquivo LICENSE para mais detalhes.
• Licença Enterprise: Para uso em desenvolvimento e produção, esta licença permite a integração perfeita de software e modelos de IA do Ultralytics em produtos e serviços comerciais, incluindo ferramentas internas, fluxos de trabalho automatizados e implementações em produção, contornando os requisitos de código aberto da AGPL-3.0. Para começar, por favor contacta-nos através do Ultralytics Licensing.

A nossa estratégia de licenciamento foi projetada para garantir que quaisquer melhorias nos nossos projetos de código aberto retornem à comunidade. Acreditamos no código aberto e a nossa missão é garantir que as nossas contribuições possam ser usadas e expandidas de maneiras que beneficiem a todos.

A evolução da detecção de objetos

A detecção de objetos evoluiu significativamente ao longo dos anos, desde técnicas tradicionais de computer vision até modelos avançados de deep learning. A família de modelos YOLO tem estado na vanguarda desta evolução, expandindo consistentemente as fronteiras do que é possível na detecção de objetos em tempo real.

A abordagem única do YOLO trata a detecção de objetos como um único problema de regressão, prevendo bounding boxes 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 detectores de dois estágios anteriores, mantendo alta precisão.

Com cada nova versão, o YOLO introduziu melhorias arquitetônicas e técnicas inovadoras que aumentaram o desempenho em várias métricas. O YOLO26 continua esta tradição incorporando os mais recentes avanços na pesquisa de computer vision, apresentando inferência de ponta a ponta sem NMS e implementação otimizada para edge para aplicações do mundo real.

FAQ

O que é o Ultralytics YOLO e como ele melhora a detecção de objetos?

O Ultralytics YOLO é a aclamada série YOLO (You Only Look Once) para detecção de objetos e segmentação de imagens em tempo real. O modelo mais recente, YOLO26, baseia-se em versões anteriores ao introduzir inferência de ponta a ponta sem NMS e implementação otimizada para edge. O YOLO suporta várias vision AI tasks, como detection, instance segmentation, semantic segmentation, pose estimation, tracking e classification. A sua arquitetura eficiente garante excelente velocidade e precisão, tornando-o adequado para diversas aplicações, incluindo dispositivos de edge e APIs em nuvem.

Como posso começar com a instalação e configuração do YOLO?

Começar com o YOLO é rápido e simples. Podes instalar o pacote Ultralytics usando pip e começar a usar em minutos. Aqui está um comando de instalação básico:

pip install -U ultralytics

Para um guia passo a passo abrangente, visita a nossa página de Quickstart. Este recurso ajudar-te-á com instruções de instalação, configuração inicial e execução do teu primeiro modelo.

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

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

1. Prepara o teu conjunto de dados anotado.
2. Configura os parâmetros de treino num arquivo YAML.
3. Usa o comando yolo TASK train para iniciar o treino. (Cada TASK tem o seu próprio argumento)

Aqui está um exemplo de código para a tarefa de Object Detection:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

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

Para um passo a passo detalhado, confere o nosso guia Treinar um modelo, que inclui exemplos e dicas para otimizar o teu processo de treino.

Quais são as opções de licenciamento disponíveis para o Ultralytics YOLO?

O Ultralytics oferece duas opções de licenciamento para o YOLO:

• Licença AGPL-3.0: Esta licença de código aberto é ideal para uso educacional e não comercial, promovendo a colaboração aberta.
• Licença Enterprise: Para uso em desenvolvimento e produção, incluindo ferramentas internas, fluxos de trabalho automatizados e implementações em produção, contornando os requisitos de código aberto da AGPL-3.0.

Para mais detalhes, visita a nossa página de Licenciamento.

Como pode o Ultralytics YOLO ser usado para rastreamento de objetos em tempo real?

O Ultralytics YOLO suporta rastreamento de múltiplos objetos de forma eficiente e personalizável. Para utilizar as capacidades de rastreamento, podes usar o comando yolo track, como mostrado abaixo:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

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

Para um guia detalhado sobre como configurar e executar o rastreamento de objetos, confere a nossa documentação do Modo de Rastreamento, que explica a configuração e aplicações práticas em cenários de tempo real.