YOLO Vision 2026:

Tutoriais Abrangentes para o YOLO da Ultralytics#

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

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



Watch: Ultralytics YOLO26 Guides Overview

Guias#

Os guias estão agrupados por etapa do projeto — desde a configuração do ambiente e preparação de dados até o treinamento, avaliação, implantação, otimização de inferência e hardware de borda — para que possas saltar diretamente para a etapa em que estás a trabalhar.

Começa e planeia#

  • Início Rápido com o Conda: Guia passo a passo para configurar um ambiente Conda para a Ultralytics. Aprenda a instalar e começar a usar o pacote da Ultralytics de forma eficiente com o Conda.
  • Início Rápido com o Docker: Guia completo para configurar e usar os modelos YOLO da Ultralytics com o Docker. Aprenda a instalar o Docker, gerenciar o suporte a GPU e executar modelos YOLO em containers isolados para um desenvolvimento e implantação consistentes.
  • Início Rápido com o AzureML: Comece a usar os modelos YOLO da Ultralytics na plataforma de Machine Learning do Azure da Microsoft. Aprenda a treinar, implantar e escalar seus projetos de detecção de objetos na nuvem.
  • Início Rápido com o Modal: Execute o Ultralytics YOLO26 na plataforma de nuvem sem servidor da Modal, cobrindo autenticação, inferência em GPU e tarefas de treinamento com armazenamento persistente — sem infraestrutura para gerenciar.
  • Definindo os Objetivos de um Projeto de Visão Computacional: Veja como definir de forma eficaz objetivos claros e mensuráveis para o seu projeto de visão computacional. Aprenda a importância de uma declaração de problema bem definida e como ela cria um roteiro para o seu projeto.
  • Etapas de um Projeto de Visão Computacional: Conheça as principais etapas envolvidas em um projeto de visão computacional, incluindo a definição de objetivos, seleção de modelos, preparação de dados e avaliação de resultados.
  • Arquitetura do YOLO Explicada: Acompanhe como a arquitetura do YOLO evoluiu do YOLOv3 para o YOLO26 através do backbone, pescoço e cabeça de detecção, cobrindo o design C2f, C3k2, atenção C2PSA, sem âncoras (anchor-free) e sem NMS (NMS-free).

Prepara os teus dados#

  • Coleta e Anotação de Dados: Explore as ferramentas, técnicas e melhores práticas para coletar e anotar dados para criar entradas de alta qualidade para os seus modelos de visão computacional.
  • Pré-processamento de Dados Anotados: Aprenda o pré-processamento de dados para visão computacional com o YOLO26, incluindo redimensionamento de imagens, normalização, divisão de datasets, aumento de dados (data augmentation) e análise exploratória de dados (EDA).
  • 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.
  • Conversão de COCO para YOLO: Guia completo para converter anotações JSON do COCO para o formato YOLO para treinamento. Cobre detecção, segmentação e pontos-chave (keypoints), incluindo mapeamento de ID de classes 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 dataset personalizada e um treinador.

Treina e faz o fine-tuning#

  • Dicas para o Treinamento de Modelos: Explore dicas sobre como otimizar tamanhos de lote, usar precisão mista, aplicar pesos pré-treinados e muito mais para facilitar o treinamento do seu modelo de visão computacional.
  • Fine-Tuning do YOLO em Dados Personalizados: Guia completo para fazer o fine-tuning do YOLO26 em datasets personalizados com pesos pré-treinados, cobrindo aprendizado por transferência, congelamento de camadas, seleção de otimizador, treinamento em dois estágios e solução de problemas.
  • 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 de fine-tuning.
  • Ajuste de Hiperparâmetros: Descubra como otimizar seus modelos YOLO ajustando hiperparâmetros por meio da classe Tuner e algoritmos de evolução genética.
  • Destilação de Conhecimento: Aprenda a melhorar o desempenho do modelo transferindo conhecimento de um modelo professor maior para um modelo aluno menor usando destilação baseada em características.
  • Validação Cruzada K-Fold: Aprenda a melhorar a generalização do modelo usando a técnica de validação cruzada K-Fold.
  • Personalizando o Treinador: Aprenda a criar subclasses do treinador do YOLO para registrar métricas personalizadas, adicionar perda ponderada por classe, personalizar o salvamento do modelo, congelar/descongelar o backbone e definir taxas de aprendizado por camada.
  • Guia de Configuração YAML do Modelo: Uma análise profunda e abrangente das definições de arquitetura de modelo da Ultralytics. Explore o formato YAML, entenda o sistema de resolução de módulos e aprenda a integrar módulos personalizados de forma integrada.

Avalia e resolve problemas#

  • Métricas de Desempenho do YOLO ⭐ ESSENCIAL: Entenda as principais métricas 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 a velocidade de detecção.
  • Insights sobre Avaliação e Fine-Tuning de Modelos: Avalie modelos de visão computacional com métricas como mAP e IoU, e depois faça o fine-tuning dos parâmetros de treinamento, como o aquecimento da taxa de aprendizado (learning-rate warmup), para melhorar a precisão da detecção.
  • Testes de Modelo: Aprenda a testar modelos de visão computacional em dados não vistos, validar modelos YOLO26 e identificar overfitting, underfitting e vazamento de dados antes da implantação.
  • Problemas Comuns do YOLO ⭐ RECOMENDADO: Soluções práticas e dicas de solução de problemas para os problemas mais frequentes ao trabalhar com os modelos YOLO da Ultralytics.
  • Mantendo Seu Modelo de Visão Computacional: Entenda as principais práticas para monitorar, manter e documentar modelos de visão computacional para garantir a precisão, identificar anomalias e mitigar a desviação de dados (data drift).

Implanta e serve#

  • Opções de Implantação de Modelo: Visão geral de formatos de implantação de modelo do YOLO como ONNX, OpenVINO e TensorRT, com prós e contras para cada um para orientar sua estratégia de implantação.
  • Melhores Práticas para Implantação de Modelos: Veja dicas e melhores práticas para implantar modelos com eficiência em projetos de visão computacional, com foco em otimização, solução de problemas e segurança.
  • Exportar 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 SavedModel do TensorFlow.
  • Detecção de Ponta a Ponta: Entenda a detecção de ponta a ponta sem NMS do YOLO26, a compatibilidade de exportação, as alterações no formato de saída e como migrar de modelos YOLO mais antigos.
  • Integração com o Triton Inference Server: Mergulhe na integração do Ultralytics YOLO26 com o Triton Inference Server da NVIDIA para implantações de inferência de deep learning escaláveis e eficientes.
  • Inferência Segura para Threads no YOLO: Diretrizes para realizar inferência com modelos YOLO de maneira segura para threads (thread-safe). Aprenda a importância da segurança de threads e as melhores práticas para evitar condições de corrida (race conditions) e garantir predições consistentes.
  • Início Rápido com o 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 (Point Cloud) e imagens de profundidade.
  • Implantação no Vertex AI com o Docker: Guia simplificado para containerizar modelos YOLO com o Docker e implantá-los no Vertex AI do Google Cloud, cobrindo construção, envio, autoscaling e monitoramento.

Otimiza a inferência#

Hardware de borda e embarcado#

  • NVIDIA Jetson: Guia de início rápido para implantar modelos YOLO em dispositivos NVIDIA Jetson.
  • Raspberry Pi: Tutorial de início rápido para executar modelos YOLO no hardware mais recente do Raspberry Pi.
  • DeepStream no NVIDIA Jetson: Guia de início rápido para implantar modelos YOLO em dispositivos NVIDIA Jetson usando o DeepStream e o TensorRT.
  • Edge TPU no Raspberry Pi: O Google Edge TPU acelera a inferência do YOLO no Raspberry Pi.
  • NVIDIA DGX Spark: Guia de início rápido para implantar modelos YOLO em dispositivos NVIDIA DGX Spark.
  • DL Streamer no Intel: Guia de início rápido para implantar modelos YOLO26 em dispositivos Intel Core Ultra Série 3 usando o DL Streamer e o OpenVINO™.

Contribua 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 obter diretrizes sobre como abrir um Pull Request (PR). Ao adicionar um novo guia, coloque-o sob a categoria acima que corresponda ao seu estágio de projeto e mantenha-o em um único tipo de página — um tutorial passo a passo, um guia prático focado em tarefas ou uma referência — para que a coleção continue fácil de navegar à medida que cresce. Aguardamos ansiosamente suas contribuições.

FAQ#

  • 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:

    Exemplo
    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 obter formatação detalhada de dataset e opções adicionais, consulte nosso guia de Dicas para o Treinamento de Modelos.

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

  • A Ultralytics Platform é uma plataforma sem código (no-code) que simplifica o gerenciamento, treinamento e implantação de modelos YOLO. Ela suporta integração perfeita, rastreamento em tempo real e treinamento em 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 início rápido da Ultralytics Platform.

  • Problemas comuns durante o treinamento do modelo YOLO incluem erros de formatação de dados, incompatibilidades na arquitetura do modelo e dados de treinamento insuficientes. Para solucionar esses problemas, garanta que seu dataset esteja formatado corretamente, verifique se há versões de modelos compatíveis e aumente seus dados de treinamento. Para obter uma lista abrangente de soluções, consulte nosso guia de Problemas Comuns do YOLO.

  • A implantação de modelos YOLO em dispositivos de borda (edge devices) como NVIDIA Jetson e Raspberry Pi requer a conversão do modelo para um formato compatível, como TensorRT ou LiteRT. Siga 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 de borda. Esses guias orientarão você na instalação, configuração e otimização de desempenho.

Contribuidores
GLglenn-jocher21RAraimbekovm14RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

Comentários