Tutoriais Abrangentes para Ultralytics YOLO

Bem-vindo aos Guias YOLO da Ultralytics. Nossos tutoriais abrangentes cobrem vários aspectos do modelo YOLO de detecção de objetos, desde treinamento e previsão até implantação. Construído em PyTorch, o YOLO se destaca por 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 seus projetos de visão computacional.

Assista: Visão Geral dos Guias Ultralytics YOLO26

Guias

Aqui está uma compilação de guias detalhados para ajudá-lo a dominar diferentes aspectos do Ultralytics YOLO.

Um Guia sobre Teste de Modelos: Um guia completo sobre como testar seus modelos de visão computacional em configurações realistas. Aprenda a verificar a precisão, confiabilidade e desempenho de acordo com os objetivos do projeto.
Início Rápido do AzureML: Comece a usar os modelos Ultralytics YOLO na plataforma Azure Machine Learning da Microsoft. Aprenda a treinar, implantar e escalar seus projetos de detecção de objetos na nuvem.
Melhores Práticas para Implantação de Modelos: Conheça dicas e melhores práticas para implantar modelos de forma eficiente em projetos de visão computacional, com foco em otimização, solução de problemas e segurança.
Início Rápido do Conda: Guia passo a passo para configurar um ambiente Conda para Ultralytics. Aprenda a instalar e começar a usar o pacote Ultralytics de forma eficiente com o Conda.
Coleta e Anotação de Dados: Explore as ferramentas, técnicas e melhores práticas para coletar e anotar dados para criar entradas de alta qualidade para seus 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 os Objetivos de um Projeto de Visão Computacional: Explore como definir de forma eficaz metas claras e mensuráveis para seu projeto de visão computacional. Compreenda a importância de uma declaração de problema bem definida e como ela cria um roteiro para seu projeto.
Início Rápido com Docker: Guia completo para configurar e usar modelos Ultralytics YOLO com Docker. Aprenda a instalar o Docker, gerenciar o suporte a GPU e executar modelos YOLO em contêineres isolados para um desenvolvimento e implantação consistentes.
Edge TPU no Raspberry Pi: Google Edge TPU acelera a inferência YOLO no Raspberry Pi.
Ajuste de Hiperparâmetros: Descubra como otimizar seus modelos YOLO ajustando hiperparâmetros usando a classe Tuner e algoritmos de evolução genética.
Insights sobre Avaliação e Ajuste Fino de Modelos: Obtenha insights sobre as estratégias e melhores práticas para avaliar e ajustar seus modelos de visão computacional. Aprenda sobre o processo iterativo de refinamento de modelos para alcançar resultados ótimos.
Isolando Objetos de Segmentação: Receita e explicação passo a passo sobre como extrair e/ou isolar objetos de imagens usando a Segmentação Ultralytics.
Validação Cruzada K-Fold: Aprenda como melhorar a generalização do modelo usando a técnica de validação cruzada K-Fold.
Manutenção do Seu Modelo de Visão Computacional: Compreenda as práticas essenciais para monitorar, manter e documentar modelos de visão computacional, garantindo precisão, identificando anomalias e mitigando o desvio de dados.
Opções de Implementação de Modelo: Visão geral dos formatos de implementação de modelo YOLO como ONNX, OpenVINO e TensorRT, com prós e contras para cada um para informar sua estratégia de implementação.
Guia de Configuração de Modelo YAML: Uma análise aprofundada e abrangente das definições de arquitetura de modelo da Ultralytics. Explore o formato yaml, compreenda o sistema de resolução de módulos e aprenda como integrar módulos personalizados de forma contínua.
NVIDIA DGX Spark: Guia de início rápido para implantação de modelos YOLO em dispositivos NVIDIA DGX Spark.
NVIDIA Jetson: Guia de início rápido para implantar modelos YOLO em dispositivos NVIDIA Jetson.
OpenVINO: Modos de Latência vs. Throughput: Aprenda técnicas de otimização de latência e throughput para o desempenho máximo de inferência YOLO.
Pré-processamento de Dados Anotados: Aprenda sobre o pré-processamento e a aumentação de dados de imagem em projetos de visão computacional usando o YOLO26, incluindo normalização, aumentação de conjunto de dados, divisão e análise exploratória de dados (EDA).
Raspberry Pi: Tutorial de início rápido para executar modelos YOLO no hardware mais recente do Raspberry Pi.
Início Rápido com ROS: Aprenda como integrar o YOLO com o Robot Operating System (ROS) para detecção de objetos em tempo real em aplicações de robótica, incluindo nuvem de pontos e imagens de profundidade.
Inferência Tiled SAHI: Guia completo 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 principais etapas 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 batch, usar precisão mista, aplicar pesos pré-treinados e muito mais para tornar o treinamento do seu modelo de visão computacional uma tarefa fácil.
Integração com o Triton Inference Server: Aprofunde-se 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 conteinerizar modelos YOLO com Docker e implantá-los no Google Cloud Vertex AI—abrangendo construção, envio, autoescalonamento e monitoramento.
Visualizar Imagens de Inferência em um Terminal: Use o terminal integrado do VSCode para visualizar os resultados da inferência ao usar o Remote Tunnel ou sessões SSH.
Problemas Comuns do YOLO ⭐ RECOMENDADO: Soluções práticas e dicas de solução de problemas para os problemas mais frequentemente encontrados ao trabalhar com modelos Ultralytics YOLO.
Aumento de Dados YOLO: Domine toda a gama 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 principais métricas como mAP, IoU e pontuação F1 usadas para avaliar o desempenho de seus modelos YOLO. Inclui exemplos práticos e dicas sobre como melhorar a precisão e a velocidade da detecção.
Inferência Thread-Safe com YOLO: Diretrizes para realizar inferência com modelos YOLO de forma thread-safe. Aprenda a importância da segurança de threads e as melhores práticas para prevenir condições de corrida e garantir previsões consistentes.

Contribua com Nossos Guias

Agradecemos as contribuições da comunidade! Se você domina algum aspecto específico do Ultralytics YOLO que ainda não foi abordado em nossos guias, incentivamos você a compartilhar sua experiência. Escrever um guia é uma ótima maneira de retribuir à comunidade e nos ajudar a tornar nossa documentação mais abrangente e amigável.

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

FAQ

Como faço para treinar um modelo de detecção de objetos personalizado usando Ultralytics YOLO?

Treinar um modelo de detecção de objetos personalizado com Ultralytics YOLO 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

PythonCLI

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

yolo task=detect mode=train model=yolo26n.pt data=path/to/dataset.yaml epochs=50

Para formatação detalhada do conjunto de dados e opções adicionais, consulte nosso guia de Dicas para Treinamento de Modelo.

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

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

Por 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 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 Plataforma Ultralytics.

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

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

Como 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 a conversão do modelo para um formato compatível, como TensorRT ou TFLite. Siga nossos guias passo a passo para implementações NVIDIA Jetson e Raspberry Pi para começar com a detecção de objetos em tempo real no hardware de borda. Esses guias irão guiá-lo através da instalação, configuração e otimização de desempenho.

📅 Criado há 2 anos ✏️ Atualizado há 8 dias