中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Documentos do Ultralytics YOLO#
O 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 rastreio, disponíveis através de um pacote Python e CLI únicos. O YOLO26 é construído com base em avanços de aprendizagem profunda e visão computacional, apresentando inferência de ponta a ponta sem NMS opcional e implementação otimizada no edge. O seu design simplificado torna-o adequado para várias aplicações e facilmente adaptável a diferentes plataformas de hardware, desde dispositivos edge até APIs na cloud. Para cargas de trabalho de produção estáveis, tanto o YOLO26 quanto o YOLO11 são recomendados.
Explora a documentação do Ultralytics, um recurso abrangente que cobre o pacote YOLO e a CLI, bem como a Ultralytics Platform, que adiciona anotação de dados, treinamento em nuvem e implementação sobre os mesmos modelos. Seja tu um profissional experiente de aprendizagem automática ou novo na área, estes recursos ajudam-te a aproveitar ao máximo o YOLO nos teus projetos.
Solicita uma licença empresarial para uso comercial em Ultralytics Licensing.
Explora a pré-visualização do YOLO27, incluindo detalhes de arquitetura, benchmarks preliminares e exemplos para uso após o lançamento. Os modelos estão a passar por I&D final para um lançamento previsto para mais tarde este ano; ainda não estão disponíveis e nenhuma data de lançamento está definida.
Transforma uma única foto num mapa de profundidade, obtendo uma distância em metros para cada píxel.
Começa em 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 baixados automaticamente, e o resultado anotado é salvo no diretório que o comando imprime, runs/detect/predict na primeira execução.
Vê o guia de Quickstart para todos os métodos de instalação e a tua primeira predição.
O que Queres Fazer?#
Ajustar um modelo YOLO26 pré-treinado no teu próprio conjunto de dados, afinando a ampliação de dados e os hiperparâmetros para o treinamento com múltiplos GPUs
Carregar um modelo pré-treinado e obter caixas delimitadoras, máscaras ou pontos-chave em poucas linhas de Python ou num único comando de CLI
Rastrear objetos com IDs persistentes usando TrackTrack (predefinição), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT ou FastTracker
Aplicações de visão prontas para contagem de objetos, mapas de calor, gestão de filas, alarmes de segurança e treinos, sem necessidade de treinamento
Exportar modelos treinados para ONNX, TensorRT ou OpenVINO para inferência rápida em dispositivos de borda, hardware móvel e servidores em nuvem
Comparar YOLO26, YOLO11, SAM 3, RT-DETR e todas as outras arquiteturas suportadas por velocidade, precisão e caso de uso
Consultar classes, funções e assinaturas de métodos para a API do Python, geradas automaticamente a partir do código-fonte a cada nova versão
A mais recente família de modelos lançada pela Ultralytics oferece inferência de ponta a ponta sem NMS opcional e um equilíbrio melhorado entre precisão e latência em relação ao YOLO11
Como Esta Documentação Está Organizada#
A maioria dos comandos de fluxo de trabalho do modelo yolo segue uma gramática, yolo [TASK] MODE ARGS, onde a Tarefa é opcional, e esta documentação está organizada em torno das mesmas três partes, mais um atalho:
- Task responde o que queres de uma imagem: detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation ou oriented boxes.
- Mode responde como usas um modelo: train, validate, predict, export, track ou benchmark.
- Args configura o comando, desde qual model executar com
model=até hiperparâmetros comoepochseimgsz. - Solutions é o atalho: uma aplicação concluída, como contagem de objetos ou um alarme de segurança, que ignora totalmente a Tarefa e o Modo.
Tudo o resto apoia essa gramática: Models lista todas as arquiteturas que podes passar para model= — YOLO26, YOLO11, SAM 3, RT-DETR e mais —, Datasets fornece os dados em que cada Tarefa treina, Guides é uma ampla coleção de guias práticos detalhados que abrangem a implementação de hardware, ajuste de hiperparâmetros, conversão de conjuntos de dados e tutoriais completos de projetos, Integrations conecta o pipeline às ferramentas de treinamento e implementação que já usas, e a secção de Reference documenta todas as classes e funções na API do Python.
Além do pacote Python, outras duas superfícies funcionam com os mesmos modelos: a Ultralytics Platform para anotação, treinamento e implementação em nuvem, e o Ultralytics Inference, uma biblioteca Rust autónoma e CLI para executar modelos exportados sem um tempo de execução Python.
Licenças do YOLO: Como é licenciado o Ultralytics YOLO?#
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 a colaboração aberta e a partilha de conhecimento. Consulta o ficheiro LICENSE para mais detalhes.
- Licença Enterprise: para utilização em desenvolvimento e produção, esta licença permite a integração perfeita do software e dos modelos de IA da Ultralytics em produtos e serviços empresariais, incluindo ferramentas internas, fluxos de trabalho automatizados e implementações em produção, sem as exigências de código aberto da AGPL-3.0. Para começar, contacta-nos através de Ultralytics Licensing.
A nossa estratégia de licenciamento foi desenhada para garantir que quaisquer melhorias feitas aos nossos projetos de código aberto sejam devolvidas 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 todos.
Perguntas frequentes#
O Ultralytics YOLO é a aclamada série YOLO (You Only Look Once) para deteção de objetos e segmentação de imagens em tempo real. O modelo mais recente, o YOLO26, baseia-se em versões anteriores ao introduzir inferência de ponta a ponta sem NMS opcional e implementação otimizada no edge. O YOLO suporta várias tarefas de IA de visão, tais como deteção, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose e caixas delimitadoras orientadas, podendo rastrear objetos detetados através de fotogramas de vídeo. A sua arquitetura eficiente garante excelente velocidade e precisão, tornando-o adequado para diversas aplicações, incluindo dispositivos edge e APIs na cloud.
Começar com o YOLO é rápido e simples. Instala o pacote Ultralytics a partir do pip com
pip install ultralytics, depois executa a tua primeira previsão comyolo predict model=yolo26n.pt— os pesos do modelo são descarregados automaticamente. Para instruções abrangentes que cobrem o conda, o Docker e a instalação a partir do código-fonte, visita a página de Início Rápido.Treinar um modelo YOLO personalizado no 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. - Começa o treinamento 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 um guia detalhado, consulta o nosso guia Treinar um Modelo, que inclui exemplos e dicas para otimizar o teu processo de treinamento.
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 Empresarial: 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.
O Ultralytics YOLO suporta o rastreamento eficiente e personalizável de múltiplos 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 ao vivo e entrada de câmara web. Para um guia detalhado sobre a configuração e execução do rastreamento de objetos, consulta a nossa documentação de Modo de Rastreamento, que explica a configuração e as aplicações práticas em cenários de tempo real.
