Tutoriais abrangentes para Ultralytics YOLO

Bem-vindo aos guias do YOLO da Ultralytics. Nossos tutoriais abrangentes cobrem vários aspectos do modelo de detecção de objetos YOLO, indo desde o treinamento e previsão até a implantação. Construído sobre PyTorch, o YOLO destaca-se pela sua velocidade e precisão excepcionais em tarefas de detecção de objetos em tempo real.

Seja você um iniciante ou um especialista em deep learning, nossos tutoriais oferecem insights valiosos sobre a implementação e otimização do YOLO para os teus projetos de visão computacional.

Guias

Aqui está uma compilação de guias detalhados para te ajudar a dominar diferentes aspectos do Ultralytics YOLO.

• Um Guia sobre Testes de Modelo: Um guia completo sobre como testar os teus modelos de visão computacional em cenários realistas. Aprende como verificar a precisão, confiabilidade e desempenho de acordo com os objetivos do projeto.
• Quickstart no AzureML: Começa a usar os modelos Ultralytics YOLO na plataforma de Machine Learning da Microsoft, Azure. Aprende a treinar, implantar e escalar os teus projetos de detecção de objetos na nuvem.
• Melhores Práticas para Implantação de Modelos: Percorre dicas e melhores práticas para implantar modelos de forma eficiente em projetos de visão computacional, com foco em otimização, resolução de problemas e segurança.
• Conversão de COCO para YOLO: Guia completo para converter anotações JSON COCO para o formato YOLO para treinamento. Cobre detecção, segmentação e pontos-chave com dicas específicas para ferramentas como CVAT, Label Studio e Roboflow.
• Treinamento com JSON COCO: Treina o YOLO diretamente com anotações JSON COCO sem precisar converter para o formato YOLO, usando uma classe de conjunto de dados e um treinador personalizados.
• Quickstart no Conda: Guia passo a passo para configurar um ambiente Conda para o Ultralytics. Aprende como instalar e começar a usar o pacote Ultralytics de forma eficiente com o Conda.
• Personalizando o Treinador: Aprende a criar subclasses do treinador YOLO para registrar métricas personalizadas, adicionar perda ponderada por classe, personalizar o salvamento do modelo, congelar/descongelar a backbone e definir taxas de aprendizado por camada.
• Coleta e Anotação de Dados: Explora as ferramentas, técnicas e melhores práticas para coletar e anotar dados a fim de criar entradas de alta qualidade para os teus modelos de visão computacional.
• DeepStream no NVIDIA Jetson: Guia de início rápido para implantar modelos YOLO em dispositivos NVIDIA Jetson usando DeepStream e TensorRT.
• Definindo as Metas de um Projeto de Visão Computacional: Aprende como definir de forma eficaz objetivos claros e mensuráveis para o teu projeto de visão computacional. Entende a importância de uma declaração de problema bem definida e como ela cria um roteiro para o teu projeto.
• Quickstart no Docker: Guia completo para configurar e usar modelos Ultralytics YOLO com Docker. Aprende como instalar o Docker, gerenciar suporte a GPU e executar modelos YOLO em containers isolados para um desenvolvimento e implantação consistentes.
• Edge TPU no Raspberry Pi: A Google Edge TPU acelera a inferência do YOLO no Raspberry Pi.
• Detecção End-to-End: Entende a detecção end-to-end sem NMS do YOLO26, a compatibilidade de exportação, as mudanças no formato de saída e como migrar de modelos YOLO mais antigos.
• Exportar Modelos Não-YOLO: Usa os utilitários de exportação independentes do Ultralytics para converter qualquer torch.nn.Module (timm, torchvision, personalizado) para ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch e TensorFlow SavedModel.
• Fine-Tuning do YOLO em Dados Personalizados: Guia completo para fazer o fine-tuning do YOLO26 em conjuntos de dados personalizados com pesos pré-treinados, cobrindo aprendizado por transferência, congelamento de camadas, seleção de otimizador, treinamento em duas etapas e solução de problemas.
• Ajuste de Hiperparâmetros: Descobre como otimizar os teus modelos YOLO através do ajuste fino de hiperparâmetros usando a classe Tuner e algoritmos de evolução genética.
• Insights sobre Avaliação e Fine-Tuning de Modelos: Obtém insights sobre as estratégias e melhores práticas para avaliar e realizar o ajuste fino dos teus modelos de visão computacional. Aprende sobre o processo iterativo de refinar modelos para alcançar resultados ideais.
• Isolando Objetos de Segmentação: Receita passo a passo e explicação sobre como extrair e/ou isolar objetos de imagens usando a Segmentação Ultralytics.
• Validação Cruzada K-Fold: Aprende a melhorar a generalização do modelo usando a técnica de validação cruzada K-Fold.
• Manutenção do Teu Modelo de Visão Computacional: Entende as principais práticas para monitorar, manter e documentar modelos de visão computacional para garantir a precisão, identificar anomalias e mitigar a degradação de dados (data drift).
• Opções de Implantação de Modelo: Visão geral de formatos de implantação de modelo YOLO, como ONNX, OpenVINO e TensorRT, com prós e contras para cada um, para informar a tua estratégia de implantação.
• Guia de Configuração YAML do Modelo: Uma análise profunda e abrangente sobre as definições de arquitetura de modelo da Ultralytics. Explora o formato YAML, entende o sistema de resolução de módulos e aprende como integrar módulos personalizados perfeitamente.
• Pré-processamento de GPU com NVIDIA DALI: Elimina os gargalos de pré-processamento da CPU executando o redimensionamento letterbox, preenchimento e normalização do YOLO na GPU usando NVIDIA DALI, com integração ao Triton Inference Server.
• NVIDIA DGX Spark: Guia de início rápido para implantar modelos YOLO em dispositivos NVIDIA DGX Spark.
• NVIDIA Jetson: Guia de início rápido para implantar modelos YOLO em dispositivos NVIDIA Jetson.
• Modos de Latência vs Throughput no OpenVINO: Aprende técnicas de otimização de latência e throughput para um desempenho de inferência YOLO de pico.
• Pré-processamento de Dados Anotados: Aprende sobre o pré-processamento e aumento de dados de imagem em projetos de visão computacional usando o YOLO26, incluindo normalização, aumento de conjunto de dados, divisão e análise exploratória de dados (EDA).
• Raspberry Pi: Tutorial de início rápido para executar modelos YOLO nos hardwares Raspberry Pi mais recentes.
• Quickstart no ROS: Aprende como integrar o YOLO com o Robot Operating System (ROS) para detecção de objetos em tempo real em aplicações robóticas, incluindo imagens de Nuvem de Pontos e Profundidade.
• Inferência em Ladrilhos SAHI: Guia abrangente sobre como aproveitar as capacidades de inferência fatiada do SAHI com o YOLO26 para detecção de objetos em imagens de alta resolução.
• Etapas de um Projeto de Visão Computacional: Aprende sobre as etapas principais envolvidas em um projeto de visão computacional, incluindo a definição de objetivos, seleção de modelos, preparação de dados e avaliação de resultados.
• Dicas para Treinamento de Modelos: Explora dicas sobre como otimizar tamanhos de lote, usar precisão mista, aplicar pesos pré-treinados e muito mais para tornar o treinamento do teu modelo de visão computacional algo simples.
• Integração do Triton Inference Server: Mergulha na integração do Ultralytics YOLO26 com o Triton Inference Server da NVIDIA para implantações de inferência de deep learning escaláveis e eficientes.
• Implantação no Vertex AI com Docker: Guia simplificado para containerizar modelos YOLO com Docker e implantá-los no Google Cloud Vertex AI — cobrindo build, push, autoscaling e monitoramento.
• Visualizar Imagens de Inferência no Terminal: Usa o terminal integrado do VSCode para visualizar resultados de inferência ao usar sessões Remote Tunnel ou SSH.
• Receita de Treinamento YOLO26: Documentação completa dos hiperparâmetros, pipelines de aumento e configurações de otimizador usados para treinar os checkpoints base oficiais do YOLO26 no COCO, com orientações práticas de fine-tuning.
• Problemas Comuns do YOLO ⭐ RECOMENDADO: Soluções práticas e dicas de resolução de problemas para as questões mais frequentes ao trabalhar com modelos Ultralytics YOLO.
• Aumento de Dados no YOLO: Domina a gama completa de técnicas de aumento de dados no YOLO, desde transformações básicas até estratégias avançadas para melhorar a robustez e o desempenho do modelo.
• Métricas de Desempenho do YOLO ⭐ ESSENCIAL: Entende as métricas principais como mAP, IoU e pontuação F1 usadas para avaliar o desempenho dos teus modelos YOLO. Inclui exemplos práticos e dicas sobre como melhorar a precisão e a velocidade de detecção.
• Inferência Thread-Safe do YOLO: Diretrizes para realizar inferência com modelos YOLO de maneira thread-safe. Aprende a importância da segurança de threads e as melhores práticas para evitar condições de corrida (race conditions) e garantir previsões consistentes.

Contribui para os Nossos Guias

Aceitamos contribuições da comunidade! Se dominas um aspecto específico do Ultralytics YOLO que ainda não está coberto nos nossos guias, encorajamos-te a compartilhar a tua experiência. Escrever um guia é uma ótima maneira de retribuir à comunidade e nos ajudar a tornar a nossa documentação mais abrangente e fácil de usar.

Para começar, por favor lê o nosso Guia de Contribuição para diretrizes sobre como abrir um Pull Request (PR). Estamos ansiosos pelas tuas contribuições.

FAQ

Como posso treinar um modelo personalizado de detecção de objetos usando o Ultralytics YOLO?

Treinar um modelo personalizado de detecção de objetos com o Ultralytics YOLO é simples. Começa preparando o teu conjunto de dados no formato correto e instalando o pacote Ultralytics. Usa o seguinte código para iniciar o treinamento:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

Para detalhes sobre formatação de conjuntos de dados e opções adicionais, consulta o nosso guia Dicas para Treinamento de Modelos.

Quais métricas de desempenho devo usar para avaliar o meu modelo YOLO?

Avaliar o desempenho do teu modelo YOLO é crucial para entender a sua eficácia. As métricas chave incluem Mean Average Precision (mAP), Intersection over Union (IoU) e pontuação F1. Essas métricas ajudam a avaliar a precisão e a acurácia das tarefas de detecção de objetos. Podes aprender mais sobre essas métricas e como melhorar o teu modelo no nosso guia Métricas de Desempenho do YOLO.

Por que devo usar a Ultralytics Platform para os meus projetos de visão computacional?

A Ultralytics Platform é uma plataforma sem código (no-code) que simplifica o gerenciamento, treinamento e implantação de modelos YOLO. Ela oferece suporte a integração perfeita, rastreamento em tempo real e treinamento em nuvem, tornando-a ideal tanto para iniciantes quanto para profissionais. Descobre mais sobre os seus recursos e como ela pode otimizar o teu fluxo de trabalho com o nosso guia de início rápido da Ultralytics Platform.

Quais são os problemas comuns enfrentados durante o treinamento de modelos YOLO e como posso resolvê-los?

Problemas comuns durante o treinamento de modelos YOLO incluem erros de formatação de dados, incompatibilidades de arquitetura de modelo e insuficiência de dados de treinamento. Para resolver isso, garante que o teu conjunto de dados esteja formatado corretamente, verifica a compatibilidade das versões do modelo e aumenta os teus dados de treinamento. Para uma lista completa de soluções, consulta o nosso guia Problemas Comuns do YOLO.

Como posso implantar o meu modelo YOLO para detecção de objetos em tempo real em dispositivos edge?

Implantar modelos YOLO em dispositivos edge como NVIDIA Jetson e Raspberry Pi requer converter o modelo para um formato compatível, como TensorRT ou TFLite. Segue os nossos guias passo a passo para implantações no NVIDIA Jetson e Raspberry Pi para começar com a detecção de objetos em tempo real em hardware edge. Esses guias vão te guiar pela instalação, configuração e otimização de desempenho.