中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Documentação do Ultralytics YOLO#
Ultralytics YOLO é uma família de modelos de visão computacional em tempo real para deteção de objetos, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose, caixas delimitadoras orientadas e rastreamento, disponível num único pacote Python e CLI. O YOLO26 baseia-se em avanços de aprendizagem profunda e visão computacional, com inferência opcional de ponta a ponta sem NMS e implementação otimizada na periferia da rede. O seu design simplificado torna-o adequado para várias aplicações e facilmente adaptável a diferentes plataformas de hardware, desde dispositivos de periferia até APIs na nuvem. Para cargas de trabalho de produção estáveis, recomendamos tanto o YOLO26 como o YOLO11.
Explora a documentação do Ultralytics, um recurso abrangente que abrange o pacote YOLO e a CLI, bem como a Ultralytics Platform, que acrescenta anotação de dados, treino na nuvem e implementação aos mesmos modelos. Quer tenhas experiência em aprendizagem automática ou estejas a começar na área, estes recursos ajudam-te a tirar o máximo partido do YOLO nos teus projetos.
Solicita uma licença Enterprise para uso comercial em Licenciamento do Ultralytics.
Explora a pré-visualização do YOLO27, incluindo detalhes da arquitetura, benchmarks preliminares e exemplos de utilização após o lançamento. Os modelos estão na fase final de I&D, com lançamento previsto para o final deste ano; ainda não estão disponíveis e não há uma data de lançamento definida.
Transforma uma única fotografia num mapa de profundidade, com uma distância em metros para cada píxel.
Começa com dois comandos#
# Install the ultralytics package from PyPI
pip install ultralytics
# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'Os pesos do modelo e a imagem de exemplo são transferidos automaticamente, e o resultado anotado é guardado no diretório indicado pelo comando, runs/detect/predict na primeira execução.
Consulta o guia de Início rápido para conhecer todos os métodos de instalação e fazer a tua primeira previsão.
O que queres fazer?#
Ajusta um modelo YOLO26 pré-treinado com o teu próprio conjunto de dados, adaptando o aumento de dados e os hiperparâmetros para o treino em várias GPU
Carrega um modelo pré-treinado e obtém caixas delimitadoras, máscaras ou pontos-chave com algumas linhas de Python ou um único comando CLI
Rastreia objetos com IDs persistentes usando TrackTrack (predefinição), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT ou FastTracker
Aplicações de visão prontas a usar para contagem de objetos, mapas de calor, gestão de filas, alarmes de segurança e treinos, sem necessidade de treino
Exporta modelos treinados para ONNX, TensorRT ou OpenVINO para uma inferência rápida em dispositivos de periferia, hardware móvel e servidores na nuvem
Compara YOLO26, YOLO11, SAM 3, RT-DETR e todas as outras arquiteturas suportadas por velocidade, precisão e caso de uso
Consulta classes, funções e assinaturas de métodos da API Python, geradas automaticamente a partir do código-fonte em cada nova versão
A mais recente família de modelos lançada pelo Ultralytics oferece inferência opcional de ponta a ponta sem NMS e uma relação entre precisão e latência melhorada em comparação com o YOLO11
Como esta documentação está organizada#
A maioria dos comandos de fluxo de trabalho dos modelos yolo segue uma única sintaxe, yolo [TASK] MODE ARGS, em que Task é opcional. Esta documentação está organizada em torno das mesmas três partes, mais um atalho:
- Tarefa responde a o que pretendes obter de uma imagem: deteção, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose ou caixas orientadas.
- Modo responde a como usas um modelo: treinar, validar, prever, exportar, rastrear ou avaliar desempenho.
- Argumentos configura o comando, desde o modelo a executar com
model=até aos hiperparâmetros, comoepochseimgsz. - Soluções é o atalho: uma aplicação pronta, como a contagem de objetos ou um alarme de segurança, que ignora completamente Task e Mode.
Tudo o resto dá suporte a essa sintaxe: Modelos apresenta todas as arquiteturas que podes passar a model= — YOLO26, YOLO11, SAM 3, RT-DETR e outras — Conjuntos de dados fornece os dados usados no treino de cada Task, Guias é uma coleção abrangente de tutoriais detalhados sobre implementação em hardware, ajuste de hiperparâmetros, conversão de conjuntos de dados e guias completos de projetos, Integrações liga o fluxo de trabalho às ferramentas de treino e implementação que já utilizas, e a secção de Referência documenta todas as classes e funções da API Python.
Além do pacote Python, há mais duas opções que usam os mesmos modelos: a Ultralytics Platform para anotação, treino e implementação na nuvem, e o Ultralytics Inference, uma biblioteca Rust autónoma e uma CLI para executar modelos exportados sem um ambiente de execução Python.
Licenças do YOLO: que licença se aplica ao Ultralytics YOLO?#
O Ultralytics oferece duas opções de licenciamento para responder a diferentes casos de uso:
- Licença AGPL-3.0: esta licença de código aberto aprovada pela OSI é ideal para estudantes e entusiastas, promovendo a colaboração aberta e a partilha de conhecimento. Consulta o ficheiro LICENSE para mais detalhes.
- Licença Enterprise: destinada ao desenvolvimento e à utilização em produção, esta licença permite integrar facilmente o software e os modelos de IA da Ultralytics em produtos e serviços empresariais, incluindo ferramentas internas, fluxos de trabalho automatizados e implementações em produção, sem as obrigações de código aberto da AGPL-3.0. Para começar, contacta-nos através de Licenciamento do Ultralytics.
A nossa estratégia de licenciamento foi concebida para garantir que todas as melhorias aos nossos projetos de código aberto são partilhadas com a comunidade. Acreditamos no código aberto, e a nossa missão é garantir que as nossas contribuições possam ser utilizadas e ampliadas de formas que beneficiem todos.
Perguntas frequentes#
Ultralytics YOLO é a aclamada série YOLO (You Only Look Once) para deteção de objetos em tempo real e segmentação de imagens. O modelo mais recente, YOLO26, dá continuidade às versões anteriores com a introdução de inferência opcional de ponta a ponta sem NMS e implementação otimizada na periferia da rede. O YOLO suporta várias tarefas de IA de visão, como deteção, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose e caixas delimitadoras orientadas, e pode rastrear objetos detetados ao longo dos fotogramas de um vídeo. A sua arquitetura eficiente garante excelente velocidade e precisão, tornando-o adequado a diversas aplicações, incluindo dispositivos de periferia e APIs na nuvem.
Começar a usar o YOLO é rápido e simples. Instala o pacote Ultralytics a partir do pip com
pip install ultralyticse, em seguida, faz a tua primeira previsão comyolo predict model=yolo26n.pt— os pesos do modelo são transferidos automaticamente. Para obter instruções completas sobre conda, Docker e instalação a partir do código-fonte, visita a página de Início rápido.Treinar um modelo YOLO personalizado com o teu conjunto de dados envolve alguns passos detalhados:
- Prepara o teu conjunto de dados anotado e descreve-o num ficheiro YAML de conjunto de dados.
- Carrega um modelo pré-treinado, por exemplo,
YOLO("yolo26n.pt")em Python. - Inicia o treino com
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)ou a partir da linha de comandos comyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.
Para veres um guia detalhado, consulta o nosso guia Treinar um modelo, que inclui exemplos e sugestões para otimizar o teu processo de treino.
O Ultralytics oferece duas opções de licenciamento para o YOLO:
- Licença AGPL-3.0: esta licença de código aberto é ideal para uso educativo e não comercial, promovendo a colaboração aberta.
- Licença Enterprise: destinada ao desenvolvimento e à utilização em produção, incluindo ferramentas internas, fluxos de trabalho automatizados e implementações em produção, sem as obrigações de código aberto da AGPL-3.0.
Para mais detalhes, visita a nossa página de Licenciamento.
O Ultralytics YOLO suporta o rastreamento eficiente e personalizável de vários objetos. Chama
YOLO("yolo26n.pt").track(source="path/to/video.mp4")em Python ou executayolo track source=path/to/video.mp4a partir da linha de comandos — ambos funcionam com ficheiros de vídeo, transmissões em direto e imagens de webcam. Para um guia detalhado sobre como configurar e executar o rastreamento de objetos, consulta a documentação do Modo de rastreamento, que explica a configuração e as aplicações práticas em cenários de tempo real.
