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 rastreamento, disponíveis através de um pacote Python e CLI. O YOLO26 é construído com base em avanços de aprendizagem profunda e visão computacional, apresentando inferência de ponta a ponta sem NMS e implementação otimizada na borda. O seu design otimizado torna-o adequado para várias aplicações e facilmente adaptável a diferentes plataformas de hardware, desde dispositivos de borda até APIs de nuvem. 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.
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 descarregados automaticamente, e o resultado anotado é guardado em runs/detect/predict.
Consulta o guia de Início Rápido para obter a referência completa de instalação e utilização.
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 da Ultralytics oferece inferência ponta a ponta sem NMS com uma relação precisão-latência melhorada em comparação com o 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 em tempo real e segmentação de imagens. O modelo mais recente, o YOLO26, baseia-se em versões anteriores ao introduzir inferência de ponta a ponta sem NMS e implementação otimizada na borda. O YOLO suporta várias tarefas de IA de visão tais como detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation e oriented bounding boxes, e pode track objetos detetados em fotogramas de vídeo. A sua arquitetura eficiente garante excelente velocidade e precisão, tornando-o adequado para diversas aplicações, incluindo dispositivos de borda e APIs de nuvem.
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.
