Ultralytics YOLO27: Inscreve-te na lista de espera.
Get Started

Tutoriais abrangentes sobre Ultralytics YOLO#

Os guias Ultralytics YOLO abrangem todas as etapas de um projeto de IA visual, do treino e da previsão à implementação. Desenvolvido com base em PyTorch, YOLO combina velocidade e precisão para deteção de objetos em tempo real e outras tarefas de visão.

Seja para principiantes ou especialistas em deep learning, estes tutoriais oferecem orientação prática sobre a implementação e otimização de YOLO nos teus projetos de visão computacional.



Assista: Visão geral dos guias do Ultralytics YOLO26

Guias#

Os guias estão agrupados por fase do projeto — desde a configuração do ambiente e a preparação dos dados até ao treino, à avaliação, à implementação, à otimização da inferência e ao hardware de edge — para poderes ir diretamente para a etapa em que estás a trabalhar.

Começar e planear#

  • Início rápido com Conda: Guia passo a passo para configurar um ambiente Conda para Ultralytics. Aprende a instalar e começar a usar o pacote Ultralytics de forma eficiente com Conda.
  • Início rápido com Docker: Guia completo para configurar e usar modelos Ultralytics YOLO com Docker. Aprende a instalar o Docker, gerir o suporte de GPU e executar modelos YOLO em contentores isolados para garantir um desenvolvimento e uma implementação consistentes.
  • Início rápido com AzureML: Começa a usar os modelos Ultralytics YOLO na plataforma Machine Learning Azure da Microsoft. Aprende a treinar, implementar e dimensionar os teus projetos de deteção de objetos na cloud.
  • Início rápido com Modal: Executa Ultralytics YOLO26 na plataforma de cloud sem servidor Modal, com autenticação, inferência em GPU e tarefas de treino com armazenamento persistente — sem precisares de gerir infraestrutura.
  • Definir os objetivos de um projeto de visão computacional: Aprende a definir objetivos claros e mensuráveis para o teu projeto de visão computacional. Descobre a importância de uma definição do problema bem estruturada e como esta cria um roteiro para o teu projeto.
  • Etapas de um projeto de visão computacional: Aprende quais são as principais etapas de um projeto de visão computacional, incluindo a definição de objetivos, a seleção de modelos, a preparação de dados e a avaliação de resultados.
  • Explicação da arquitetura YOLO: Acompanha a evolução da arquitetura YOLO desde YOLOv3 até YOLO26 nas componentes backbone, neck e cabeça de deteção, incluindo C2f, C3k2, atenção C2PSA, e os designs sem âncoras e sem NMS.

Prepara os teus dados#

  • Recolha e anotação de dados: Explora as ferramentas, técnicas e práticas recomendadas para recolher e anotar dados e criar dados de entrada de alta qualidade para os teus modelos de visão computacional.
  • Pré-processamento de dados anotados: Aprende a pré-processar dados para visão computacional com YOLO26, incluindo redimensionamento de imagens, normalização, divisão de conjuntos de dados, aumento de dados e análise exploratória de dados (EDA).
  • Aumento de dados em YOLO: explora toda a gama de técnicas de aumento de dados em YOLO, desde transformações básicas até estratégias avançadas para melhorar a robustez e o desempenho do modelo.
  • Conversão de COCO para YOLO: Guia completo para converter anotações JSON de COCO para o formato YOLO para treino. Abrange deteção, segmentação e pontos-chave, incluindo o mapeamento de IDs de classes e problemas comuns de conversão.
  • Treino com COCO JSON: Treina YOLO diretamente com anotações JSON de COCO, sem converter para o formato YOLO, usando uma classe de conjunto de dados e um treinador personalizados.

Treinar e ajustar#

  • Dicas para o treino de modelos: explora dicas para otimizar tamanhos de batch, usar precisão mista, aplicar pesos pré-treinados e muito mais, para treinar modelos de visão computacional com maior eficácia.
  • Ajuste fino de YOLO com dados personalizados: Guia completo para ajustar YOLO26 com conjuntos de dados personalizados e pesos pré-treinados, abrangendo aprendizagem por transferência, congelamento de camadas, seleção do otimizador, treino em duas etapas e resolução de problemas.
  • Receita de treino do YOLO26: Documentação completa dos hiperparâmetros, pipelines de aumento de dados e configurações do otimizador usados para treinar os checkpoints base oficiais do YOLO26 com COCO, com orientações práticas para o ajuste fino.
  • Ajuste de hiperparâmetros: Descobre como otimizar os teus modelos YOLO ajustando hiperparâmetros com a classe Tuner e algoritmos de evolução genética.
  • Destilação de conhecimento: Aprende a melhorar o desempenho dos modelos transferindo conhecimento de um modelo professor maior para um modelo aluno menor, usando destilação baseada em características.
  • Validação cruzada K-Fold: aprende a melhorar a generalização do modelo usando a técnica de validação cruzada K-Fold.
  • Personalizar o treinador: Aprende a criar uma subclasse do treinador YOLO para registar métricas personalizadas, adicionar uma função de perda ponderada por classe, personalizar a gravação de modelos, congelar/descongelar o backbone e definir taxas de aprendizagem por camada.
  • Guia de configuração YAML de modelos: uma análise aprofundada das definições da arquitetura dos modelos Ultralytics. Explora o formato YAML, entende o sistema de resolução de módulos e aprende a integrar módulos personalizados.

Avaliar e resolver problemas#

  • Métricas de desempenho do YOLO ⭐ ESSENCIAL: Compreende as principais métricas, como mAP, IoU e pontuação F1, usadas para avaliar o desempenho dos teus modelos YOLO. Inclui exemplos práticos e dicas para melhorar a precisão e a velocidade da deteção.
  • Perspetivas sobre a avaliação e o ajuste fino de modelos: Avalia modelos de visão computacional com métricas como mAP e IoU e, em seguida, usa o que estas métricas revelam para melhorar a precisão da deteção.
  • Testar modelos: Aprende a testar modelos de visão computacional com dados nunca vistos, validar modelos YOLO26 e detetar sobreajuste, subajuste e fuga de dados antes da implementação.
  • Problemas comuns do YOLO ⭐ RECOMENDADO: Soluções práticas e dicas de resolução de problemas para as dificuldades mais frequentes ao trabalhar com modelos Ultralytics YOLO.
  • Manutenção do teu modelo de visão computacional: conhece as principais práticas para monitorizar, manter e documentar modelos de visão computacional, a fim de manter a precisão, identificar anomalias e mitigar a deriva de dados.

Implementar e servir#

  • Opções de implantação de modelos: Visão geral dos formatos de implantação de modelos YOLO, como ONNX, OpenVINO e TensorRT, com vantagens e desvantagens de cada um para ajudar você a definir sua estratégia de implantação.
  • Práticas recomendadas para a implementação de modelos: Descobre dicas e práticas recomendadas para implementar modelos de forma eficiente em projetos de visão computacional, com foco na otimização, na resolução de problemas e na segurança.
  • Exportar modelos que não são YOLO: Usa os utilitários de exportação autónomos da Ultralytics para converter qualquer torch.nn.Module (timm, torchvision, personalizado) para TorchScript, ONNX, OpenVINO, CoreML, Core AI, TensorFlow SavedModel, PaddlePaddle, MNN, NCNN e ExecuTorch.
  • Deteção de ponta a ponta: Escolhe inferência com ou sem NMS e compreende os formatos de saída e a compatibilidade de exportação.
  • Integração com o servidor de inferência Triton: integra Ultralytics YOLO26 com NVIDIA Triton Inference Server para implementações de inferência de deep learning eficientes e escaláveis.
  • Inferência YOLO segura para threads: Orientações para realizar inferência com modelos YOLO de forma segura para threads. Aprende a importância da segurança de threads e as práticas recomendadas para evitar condições de corrida e garantir previsões consistentes.
  • Guia de início rápido do ROS: aprende a integrar YOLO com o Sistema Operacional para Robôs (ROS) para deteção de objetos em tempo real em aplicações de robótica, incluindo nuvens de pontos e imagens de profundidade.
  • Implementação no Vertex AI com Docker: Guia simplificado para colocar modelos YOLO em contentores com Docker e implementá-los no Google Cloud Vertex AI — abrange compilação, envio, dimensionamento automático e monitorização.

Otimizar a inferência#

Hardware de edge e incorporado#

Contribui para os nossos guias#

A comunidade é convidada a contribuir! Se dominares um aspeto específico do Ultralytics YOLO que ainda não esteja abrangido pelos nossos guias, incentivamos-te a partilhar os teus conhecimentos. Escrever um guia é uma ótima forma de retribuir à comunidade e ajudar-nos a tornar a documentação mais completa e fácil de usar.

Para começar, lê o nosso Guia de contribuição para saberes como abrir um Pull Request (PR). Ao adicionar um novo guia, coloca-o na categoria acima correspondente à fase do projeto e limita-o a um único tipo de página — um tutorial passo a passo, um guia prático centrado numa tarefa ou uma referência — para que a coleção continue fácil de consultar à medida que cresce. Aguardamos com expectativa as tuas contribuições.

Perguntas frequentes#

  • Treinar um modelo personalizado de deteção de objetos com Ultralytics YOLO é simples. Começa por preparar o teu conjunto de dados no formato correto e instalar o pacote Ultralytics. Usa o código seguinte para iniciar o treino:

    Exemplo
    from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Carregar um modelo YOLO pré-treinado
model.train(data="path/to/dataset.yaml", epochs=50)  # Treinar num conjunto de dados personalizado

  • Avaliar o desempenho do teu modelo YOLO é essencial para compreender a sua eficácia. Entre as principais métricas estão a Precisão média média (mAP), a Interseção sobre União (IoU) e a pontuação F1. Estas métricas ajudam a avaliar a exatidão e a precisão das tarefas de deteção de objetos. Podes saber mais sobre estas métricas e sobre como melhorar o teu modelo no nosso guia Métricas de desempenho do YOLO.

  • Ultralytics Platform é um espaço de trabalho completo e sem código para anotação de conjuntos de dados, rastreamento de experimentos, treino na nuvem, exportação e endpoints de inferência dedicados para modelos YOLO, adequado tanto para principiantes como para profissionais.

  • Entre os problemas comuns durante o treino de modelos YOLO estão erros de formatação de dados, incompatibilidades na arquitetura do modelo e dados de treino insuficientes. Para os resolver, confirma se o teu conjunto de dados está formatado corretamente, verifica se as versões do modelo são compatíveis e aumenta os dados de treino. Para consultar uma lista completa de soluções, vê o nosso guia Problemas comuns do YOLO.

  • Implementar modelos YOLO em dispositivos de edge, como NVIDIA Jetson e Raspberry Pi, requer converter o modelo para um formato compatível, como TensorRT ou LiteRT. Para começar com a deteção de objetos em tempo real em hardware de edge, segue os nossos guias passo a passo de implementação para NVIDIA Jetson e Raspberry Pi. Estes guias abrangem instalação, configuração e otimização do desempenho.

Colaboradores
GLglenn-jocher25RAraimbekovm16RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3FRfrancesco-mttl2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

Comentários