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 a documentação Ultralytics, um recurso abrangente projetado para ajudá-lo a entender e utilizar seus recursos e funcionalidades. Seja você um profissional experiente em machine learning ou novo na área, este hub tem como objetivo maximizar o potencial do YOLO em seus projetos.

Por onde começar

Ver: Como Treinar um modelo YOLO11 em Seu Conjunto de Dados Personalizado em Google Colab.

YOLO: Uma breve história

YOLO (You Only Look Once), um modelo popular de detecção de objetos e segmentação de imagens, foi desenvolvido por Joseph Redmon e Ali Farhadi na Universidade de Washington. Lançado em 2015, o YOLO ganhou popularidade por sua alta 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.
• YOLOv3, lançado em 2018, aprimorou ainda mais o desempenho do modelo usando uma rede de backbone mais eficiente, múltiplas âncoras e agrupamento de pirâmide espacial.
• 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 adicionou novos recursos, como otimização de hiperparâmetros, rastreamento de experimentos integrado e exportação automática para formatos de exportação populares.
• YOLOv6 foi tornado de código aberto pela Meituan em 2022 e é usado em muitos dos robôs de entrega autônomos 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 novos recursos e melhorias para desempenho, flexibilidade e eficiência aprimorados, oferecendo suporte a uma gama completa de tarefas de visão de IA.
• O YOLOv9 introduz métodos inovadores como o Programmable Gradient Information (PGI) e a Generalized Efficient Layer Aggregation Network (GELAN).
• O YOLOv10 criado por pesquisadores da Universidade de Tsinghua usando o pacote Python Ultralytics, fornece avanços de detecção de objetos em tempo real, introduzindo um cabeçalho 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 detecção de objetos, segmentação, estimativa de pose, rastreamento e classificação, aproveitando os recursos em diversas aplicações 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 Detecção de Objetos

A detecção de objetos evoluiu significativamente ao longo dos anos, desde técnicas tradicionais de visão computacional até modelos avançados de aprendizado profundo. A família de modelos YOLO tem estado na vanguarda desta evolução, consistentemente ultrapassando os limites do que é possível na detecção de objetos em tempo real.

A abordagem exclusiva do YOLO trata a detecção de objetos como um único problema de regressão, prevendo caixas delimitadoras e probabilidades de classe diretamente de imagens completas em uma única avaliação. Este método revolucionário tornou os modelos YOLO significativamente mais rápidos do que os detectores de dois estágios anteriores, mantendo alta precisão.

A cada nova versão, o YOLO introduziu melhorias arquitetônicas e técnicas inovadoras que aprimoraram o desempenho em várias métricas. O YOLO11 continua essa tradição, incorporando os mais recentes avanços na pesquisa de visão computacional, oferecendo compensações de velocidade-precisão ainda melhores para aplicações no 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 um guia passo a passo completo, visite a nossa página de Início Rápido. Este recurso irá ajudá-lo 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 comando, 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 um guia detalhado sobre como configurar e executar o rastreamento de objetos, consulte a nossa documentação do Modo de Rastreamento, que explica a configuração e as aplicações práticas em cenários em tempo real.

📅C riado há 1 ano ✏️ Atualizado há 22 dias

Comentários