Link to this sectionTutoriais Abrangentes para o YOLO da Ultralytics#

Bem-vindo aos Guias YOLO da Ultralytics. Nossos tutoriais abrangentes cobrem vários aspectos do modelo de detecção de objetos YOLO, desde o treinamento e predição até a implementação. Construído sobre PyTorch, o YOLO se destaca por sua velocidade excepcional e precisão em tarefas de detecção de objetos em tempo real.

Seja você um iniciante ou um especialista em deep learning, nossos tutoriais oferecem percepções valiosas sobre a implementação e otimização do YOLO para seus projetos de visão computacional.

Link to this sectionGuias#

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

• Quickstart no AzureML: Comece a utilizar os modelos YOLO da Ultralytics na plataforma de Machine Learning da Microsoft. Aprenda a treinar, implementar e escalar seus projetos de detecção de objetos na nuvem.
• Melhores Práticas para Implementação de Modelos: Confira dicas e melhores práticas para implementar 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 do COCO para o formato YOLO para treinamento. Abrange detecção, segmentação e pontos-chave, incluindo mapeamento de ID de classe e erros comuns de conversão.
• Treinamento com JSON do COCO: Treine o YOLO diretamente em anotações JSON do COCO sem converter para o formato YOLO, usando uma classe de conjunto de dados e treinador personalizados.
• Quickstart com Conda: Guia passo a passo para configurar um ambiente Conda para a Ultralytics. Aprenda como instalar e começar a usar o pacote Ultralytics de forma eficiente com o Conda.
• Personalizando o Treinador: Aprenda a criar subclasses do treinador YOLO para registrar métricas personalizadas, adicionar perda ponderada por classe, personalizar o salvamento do modelo, congelar/descongelar a base e definir taxas de aprendizado por camada.
• Coleta e Anotação de Dados: Explore as ferramentas, técnicas e melhores práticas para coletar e anotar dados a fim de criar entradas de alta qualidade para seus modelos de visão computacional.
• DeepStream na NVIDIA Jetson: Guia de quickstart para implementar modelos YOLO em dispositivos NVIDIA Jetson usando DeepStream e TensorRT.
• Definindo os Objetivos de um Projeto de Visão Computacional: Veja como definir de forma eficaz objetivos claros e mensuráveis para seu projeto de visão computacional. Aprenda a importância de um problema bem definido e como ele cria um roteiro para seu projeto.
• Quickstart com Docker: Guia completo para configurar e usar modelos YOLO da Ultralytics com Docker. Aprenda a instalar o Docker, gerenciar suporte a GPU e executar modelos YOLO em contêineres isolados para desenvolvimento e implementação consistentes.
• Edge TPU no Raspberry Pi: O Google Edge TPU acelera a inferência do YOLO no Raspberry Pi.
• Detecção End-to-End: Entenda 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.
• Exportando Modelos Não-YOLO: Use os utilitários de exportação independentes da Ultralytics para converter qualquer torch.nn.Module (timm, torchvision, personalizado) para ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch e TensorFlow SavedModel.
• Ajuste Fino do YOLO em Dados Personalizados: Guia completo para realizar o ajuste fino do YOLO26 em conjuntos de dados personalizados com pesos pré-treinados, cobrindo transferência de aprendizado, congelamento de camadas, seleção de otimizador, treinamento em duas etapas e resolução de problemas.
• Ajuste de Hiperparâmetros: Descubra como otimizar seus modelos YOLO realizando o ajuste fino de hiperparâmetros usando a classe Tuner e algoritmos de evolução genética.
• Percepções sobre Avaliação e Ajuste Fino de Modelos: Obtenha percepções sobre as estratégias e melhores práticas para avaliar e realizar o ajuste fino dos seus modelos de visão computacional. Aprenda 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 da Ultralytics.
• Validação Cruzada K-Fold: Aprenda como melhorar a generalização do modelo usando a técnica de validação cruzada K-Fold.
• Mantendo seu Modelo de Visão Computacional: Entenda as práticas principais para monitorar, manter e documentar modelos de visão computacional para garantir a precisão, identificar anomalias e mitigar a degradação de dados.
• Opções de Implementação de Modelos: Visão geral de formatos de implementação de modelos YOLO como ONNX, OpenVINO e TensorRT, com prós e contras para cada um, visando informar sua estratégia de implementação.
• Model Testing: Aprende a testar modelos de visão computacional em dados não vistos, validar modelos YOLO26 e detetar overfitting, underfitting e fuga de dados antes da implementação.
• Guia de Configuração YAML do Modelo: Um mergulho profundo e abrangente nas definições de arquitetura de modelo da Ultralytics. Explore o formato YAML, entenda o sistema de resolução de módulos e aprenda como integrar módulos personalizados perfeitamente.
• Pré-processamento com NVIDIA DALI na GPU: Elimine gargalos de pré-processamento na 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 quickstart para implementar modelos YOLO em dispositivos NVIDIA DGX Spark.
• NVIDIA Jetson: Guia de quickstart para implementar modelos YOLO em dispositivos NVIDIA Jetson.
• Modos de Latência vs. Throughput no OpenVINO: Aprenda técnicas de otimização de latência e throughput para um desempenho máximo de inferência YOLO.
• Pré-processamento de Dados Anotados: Aprenda sobre 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 quickstart para executar modelos YOLO no hardware mais recente do Raspberry Pi.
• Quickstart com ROS: Aprenda a integrar o YOLO com o Robot Operating System (ROS) para detecção de objetos em tempo real em aplicações de robótica, incluindo nuvens de pontos e imagens de profundidade.
• Inferência em Ladrilhos com SAHI: Guia abrangente sobre como aproveitar os recursos de inferência fatiada do SAHI com o YOLO26 para detecção de objetos em imagens de alta resolução.
• Etapas de um Projeto de Visão Computacional: Aprenda 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: Explore dicas sobre como otimizar tamanhos de lote, usar precisão mista, aplicar pesos pré-treinados e muito mais para tornar o treinamento do seu modelo de visão computacional uma tarefa simples.
• Integração com o Triton Inference Server: Explore a integração do YOLO26 da Ultralytics com o Triton Inference Server da NVIDIA para implementações de inferência de deep learning escaláveis e eficientes.
• Implementação no Vertex AI com Docker: Guia simplificado para colocar modelos YOLO em contêineres com Docker e implementá-los no Google Cloud Vertex AI — cobrindo criação, envio, escalonamento automático e monitoramento.
• Visualizar Imagens de Inferência no Terminal: Use o terminal integrado do VSCode para visualizar os resultados da inferência ao usar sessões de Remote Tunnel ou SSH.
• Receita de Treinamento do 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 para ajuste fino.
• Problemas Comuns do YOLO ⭐ RECOMENDADO: Soluções práticas e dicas de resolução de problemas para as questões encontradas com mais frequência ao trabalhar com os modelos YOLO da Ultralytics.
• Aumento de Dados no YOLO: Domine 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: Entenda as métricas principais como mAP, IoU e pontuação F1 usadas para avaliar o desempenho dos seus modelos YOLO. Inclui exemplos práticos e dicas sobre como melhorar a precisão e velocidade de detecção.
• Inferência Thread-Safe do YOLO: Diretrizes para realizar inferência com modelos YOLO de maneira thread-safe. Aprenda a importância da segurança de threads e melhores práticas para evitar condições de corrida e garantir predições consistentes.

Link to this sectionContribua com Nossos Guias#

Aceitamos contribuições da comunidade! Se você domina um aspecto específico do YOLO da Ultralytics que ainda não foi abordado em nossos guias, incentivamos você a compartilhar seu conhecimento. Escrever um guia é uma ótima maneira de retribuir à comunidade e nos ajudar a tornar nossa documentação mais abrangente e fácil de usar.

Para começar, leia nosso Guia de Contribuição para diretrizes sobre como abrir um Pull Request (PR). Aguardamos ansiosamente suas contribuições.

Link to this sectionFAQ#

Link to this sectionComo treino um modelo personalizado de detecção de objetos usando o YOLO da Ultralytics?#

Treinar um modelo personalizado de detecção de objetos com o YOLO da Ultralytics é simples. Comece preparando seu conjunto de dados no formato correto e instalando o pacote Ultralytics. Use o código a seguir 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 formatação detalhada do conjunto de dados e opções adicionais, consulte nosso guia Dicas para Treinamento de Modelos.

Link to this sectionQuais métricas de desempenho devo usar para avaliar meu modelo YOLO?#

Avaliar o desempenho do seu modelo YOLO é crucial para entender sua eficácia. As métricas principais incluem Mean Average Precision (mAP), Intersection over Union (IoU) e pontuação F1. Essas métricas ajudam a avaliar a precisão e o precision das tarefas de detecção de objetos. Você pode aprender mais sobre essas métricas e como melhorar seu modelo em nosso guia Métricas de Desempenho do YOLO.

Link to this sectionPor que devo usar a Plataforma Ultralytics para meus projetos de visão computacional?#

A Plataforma Ultralytics é uma plataforma no-code que simplifica o gerenciamento, treinamento e implementação de modelos YOLO. Ela oferece suporte a integração perfeita, rastreamento em tempo real e treinamento na nuvem, tornando-a ideal tanto para iniciantes quanto para profissionais. Descubra mais sobre seus recursos e como ela pode otimizar seu fluxo de trabalho com nosso guia de quickstart da Plataforma Ultralytics.

Link to this sectionQuais 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 do modelo e dados de treinamento insuficientes. Para resolver isso, garanta que seu conjunto de dados esteja formatado corretamente, verifique a compatibilidade das versões do modelo e aumente seus dados de treinamento. Para uma lista completa de soluções, consulte nosso guia Problemas Comuns do YOLO.

Link to this sectionComo posso implementar meu modelo YOLO para detecção de objetos em tempo real em dispositivos de borda?#

Implementar modelos YOLO em dispositivos de borda como NVIDIA Jetson e Raspberry Pi requer converter o modelo para um formato compatível, como TensorRT ou TFLite. Siga nossos guias passo a passo para implementações na NVIDIA Jetson e no Raspberry Pi para começar a trabalhar com detecção de objetos em tempo real em hardware de borda. Esses guias o conduzirão pela instalação, configuração e otimização de desempenho.