Ultralytics YOLO27:
Get Started

Perguntas frequentes sobre Ultralytics YOLO (FAQ)#

Esta seção de perguntas frequentes aborda dúvidas e problemas comuns que os usuários podem encontrar ao trabalhar com repositórios Ultralytics YOLO.

Perguntas frequentes#

  • A Ultralytics é uma empresa de IA especializada em visão computacional, com foco em modelos de detecção de objetos e segmentação de imagens de última geração, especialmente na família YOLO (Você só olha uma vez). Suas ofertas incluem:

  • Não. O YOLO27 está passando pela etapa final de P&D, com lançamento previsto para o fim deste ano, mas sem data definida. A documentação apresenta uma prévia dos recursos, benchmarks preliminares e exemplos de uso após o lançamento. Continue usando o YOLO26 nos projetos atuais.

  • É simples instalar o pacote Ultralytics usando pip:

    pip install ultralytics

    Para instalar a versão de desenvolvimento mais recente, instale diretamente do repositório GitHub:

    pip install git+https://github.com/ultralytics/ultralytics.git

    As instruções detalhadas de instalação estão no guia de início rápido.

  • Requisitos mínimos:

    • Python 3.8+
    • PyTorch 1.8+
    • GPU compatível com CUDA (para aceleração por GPU)

    Configuração recomendada:

    • Python 3.8+
    • PyTorch 1.10+
    • GPU NVIDIA com CUDA 11.2+
    • 8 GB ou mais de RAM
    • 50 GB ou mais de espaço livre em disco (para armazenamento de conjuntos de dados e treinamento de modelos)

    Para solucionar problemas comuns, acesse a página Problemas comuns do YOLO.

  • Para treinar um modelo YOLO personalizado:

    1. Prepare seu conjunto de dados no formato YOLO (imagens e os respectivos arquivos de rótulos .txt).

    2. Crie um arquivo YAML que descreva a estrutura e as classes do seu conjunto de dados (consulte o exemplo de YAML para conjunto de dados).

    3. Use o seguinte código Python para iniciar o treinamento:

      from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.yaml")  # cria um novo modelo do zero
model = YOLO("yolo26n.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treinar o modelo
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

    Para um guia mais detalhado, que inclui a preparação de dados e opções avançadas de treinamento, consulte o guia de treinamento completo.

  • A Ultralytics oferece uma variedade de modelos pré-treinados para diferentes tarefas:

    • Detecção de objetos: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
    • Segmentação de instâncias: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
    • Segmentação semântica: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
    • Estimativa de profundidade: YOLO26n-depth, YOLO26s-depth, YOLO26m-depth, YOLO26l-depth, YOLO26x-depth
    • Classificação: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
    • Estimativa de pose: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
    • Detecção orientada (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

    Esses modelos variam em tamanho e complexidade, oferecendo diferentes equilíbrios entre velocidade e precisão. Explore a variedade completa de modelos pré-treinados para encontrar a melhor opção para seu projeto.

  • Para fazer inferência com um modelo treinado:

    from ultralytics import YOLO

# Carregar um modelo
model = YOLO("path/to/your/model.pt")

# Executar inferência
results = model("path/to/image.jpg")

# Processa os resultados
for r in results:
    print(r.boxes)  # imprime as previsões de bbox
    print(r.masks)  # imprime as previsões de máscara
    print(r.probs)  # imprime as probabilidades das classes

    Para opções avançadas de inferência, incluindo processamento em lote e inferência de vídeo, consulte o guia detalhado de predição.

  • Com certeza! Os modelos Ultralytics foram projetados para implantação versátil em diversas plataformas:

    • Dispositivos de borda: otimize a inferência em dispositivos como NVIDIA Jetson ou Raspberry Pi usando TensorRT, ONNX ou OpenVINO.
    • Dispositivos móveis: implante em dispositivos Android ou iOS convertendo os modelos para LiteRT ou CoreML.
    • Nuvem: use frameworks como TensorFlow Serving ou TorchServe para implantações escaláveis na nuvem.
    • Web: implemente inferência no navegador usando ONNX Runtime Web.

    A Ultralytics oferece funções de exportação para converter modelos em vários formatos para implantação. Explore a ampla variedade de opções de implantação para encontrar a melhor solução para o teu caso de uso.

  • As principais diferenças incluem:

    • Inferência de ponta a ponta sem NMS: YOLO26 oferece inferência sem NMS com nms=False. O caminho padrão de um para muitos usa NMS para garantir a precisão.
    • Remoção de DFL: YOLO26 remove o módulo Distribution Focal Loss, simplificando a exportação e melhorando a compatibilidade com dispositivos de borda e de baixo consumo.
    • Otimizador MuSGD: uma combinação de SGD e Muon (inspirada no Kimi K2 da Moonshot AI) para um treinamento mais estável e uma convergência mais rápida.
    • Desempenho na CPU: YOLO26n é até 43% mais rápido que YOLO11n na inferência ONNX na CPU (Intel Xeon CPU @ 2.00 GHz), sendo ideal para dispositivos sem GPU.
    • Otimizações específicas para cada tarefa: segmentação aprimorada com perda semântica e protótipos multiescala, RLE para estimativa de pose precisa e decodificação OBB aprimorada com perda de ângulo.
    • Tarefas: ambos os modelos são compatíveis com detecção de objetos e segmentação de instâncias, enquanto YOLO26 também adiciona segmentação semântica para previsões densas ao nível dos pixels e estimativa monocular de profundidade para profundidade por pixel. Ambos os modelos também são compatíveis com classificação, estimativa de pose e detecção de objetos orientados (OBB) numa estrutura unificada.

    Para uma comparação detalhada de funcionalidades e métricas de desempenho, visita a página de documentação do YOLO26.

  • Contribuir para a Ultralytics é uma ótima forma de melhorar o projeto e desenvolver as tuas competências. Eis como podes participar:

    1. Cria um fork do repositório da Ultralytics no GitHub.
    2. Cria uma nova ramificação para a tua funcionalidade ou correção de erro.
    3. Faz as tuas alterações e garante que todos os testes passam.
    4. Envia um pull request com uma descrição clara das tuas alterações.
    5. Participa no processo de revisão de código.

    Também podes contribuir reportando erros, sugerindo funcionalidades ou melhorando a documentação. Para veres diretrizes detalhadas e boas práticas, consulta o guia de contribuição.

  • O Ultralytics YOLO oferece um vasto conjunto de funcionalidades para tarefas avançadas de visão computacional:

    • Detecção em tempo real: deteta e classifica objetos com eficiência em cenários de tempo real.
    • Capacidades multitarefa: executa detecção de objetos, segmentação de instâncias, segmentação semântica, estimativa monocular de profundidade, classificação, estimativa de pose e detecção de objetos orientados (OBB) numa estrutura unificada.
    • Modelos pré-treinados: acede a uma variedade de modelos pré-treinados que equilibram velocidade e precisão para diferentes casos de uso.
    • Treinamento personalizado: ajusta facilmente os modelos a conjuntos de dados personalizados com o pipeline de treinamento flexível.
    • Amplas opções de implantação: exporta modelos para vários formatos, como TensorRT, ONNX e CoreML, para implantação em diferentes plataformas.
    • Documentação abrangente: aproveita a documentação completa e uma comunidade prestável para os teus fluxos de trabalho de visão computacional.

  • Podes melhorar o desempenho do teu modelo YOLO com várias técnicas:

    1. Ajuste de hiperparâmetros: experimenta diferentes hiperparâmetros usando o guia de ajuste de hiperparâmetros para otimizar o desempenho do modelo.
    2. Aumento de dados: aplica técnicas como inversão, redimensionamento, rotação e ajustes de cor para enriquecer o conjunto de dados de treinamento e melhorar a generalização do modelo.
    3. Aprendizagem por transferência: aproveita modelos pré-treinados e ajusta-os ao teu conjunto de dados específico usando o guia de treinamento.
    4. Exportação para formatos eficientes: converte o teu modelo para formatos otimizados, como TensorRT ou ONNX, para acelerar a inferência usando o guia de exportação.
    5. Benchmarking: utiliza o modo Benchmark para medir e melhorar sistematicamente a velocidade e a precisão da inferência.

  • A Ultralytics oferece muitos recursos para te ajudar a começar e a dominar as suas ferramentas:

    Estes recursos incluem exemplos de código, casos de uso reais e guias passo a passo para várias tarefas com modelos da Ultralytics.

    Se precisares de mais ajuda, consulta a documentação da Ultralytics ou contacta a comunidade através das issues do GitHub ou do fórum oficial de discussão.

Colaboradores
GLglenn-jocher19RAraimbekovm3PDpderrenger2LALaughing-q2BOBovey08091AMambitious-octopus1SEsergiuwaxmann1RIRizwanMunawar1

Comentários