Meet YOLO26: next-gen vision AI.

Link to this sectionPerguntas Frequentes (FAQ) sobre Ultralytics YOLO#

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

Link to this sectionFAQ#

Link to this sectionO que é a Ultralytics e o que ela oferece?#

A Ultralytics é uma empresa de IA de visão computacional especializada em modelos de ponta de detecção de objetos e segmentação de imagem, com foco na família YOLO (You Only Look Once). Suas ofertas incluem:

Link to this sectionComo instalo o pacote Ultralytics?#

Instalar o pacote Ultralytics é simples usando o pip:

pip install ultralytics

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

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

Instruções detalhadas de instalação podem ser encontradas no guia de início rápido.

Link to this sectionQuais são os requisitos do sistema para executar modelos Ultralytics?#

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+ de RAM
  • 50 GB+ de espaço livre em disco (para armazenamento de conjuntos de dados e treinamento de modelos)

Para solucionar problemas comuns, visite a página Problemas Comuns do YOLO.

Link to this sectionComo posso treinar um modelo YOLO personalizado no meu próprio conjunto de dados?#

Para treinar um modelo YOLO personalizado:

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

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

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

    from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from scratch
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

Para um guia mais aprofundado, incluindo preparação de dados e opções avançadas de treinamento, consulte o guia de treinamento abrangente.

Link to this sectionQuais modelos pré-treinados estão disponíveis no Ultralytics?#

A Ultralytics oferece uma gama diversificada de modelos pré-treinados para várias tarefas:

  • Detecção de Objetos: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
  • Segmentação de Instância: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
  • Segmentação Semântica: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
  • 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 compromissos entre velocidade e precisão. Explore a gama completa de modelos pré-treinados para encontrar o mais adequado para o seu projeto.

Link to this sectionComo realizo a inferência usando um modelo Ultralytics treinado?#

Para realizar a inferência com um modelo treinado:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

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

Link to this sectionOs modelos Ultralytics podem ser implantados em dispositivos de borda ou em ambientes de produção?#

Com certeza! Os modelos Ultralytics são projetados para uma implantação versátil em várias plataformas:

  • Dispositivos de borda: Otimize a inferência em dispositivos como NVIDIA Jetson ou Intel Neural Compute Stick usando TensorRT, ONNX ou OpenVINO.
  • Mobile: Implante em dispositivos Android ou iOS convertendo modelos para TFLite ou Core ML.
  • Nuvem: Aproveite frameworks como o TensorFlow Serving ou PyTorch Serve para implantações em nuvem escaláveis.
  • Web: Implemente a inferência no navegador usando ONNX.js ou TensorFlow.js.

A Ultralytics fornece funções de exportação para converter modelos em vários formatos para implantação. Explore a ampla gama de opções de implantação para encontrar a melhor solução para o seu caso de uso.

Link to this sectionQual é a diferença entre o YOLO11 e o YOLO26?#

As principais distinções incluem:

  • Inferência End-to-End sem NMS: O YOLO26 é nativamente end-to-end, produzindo previsões diretamente sem supressão de não-máximo (NMS), reduzindo a latência e simplificando a implantação.
  • Remoção de DFL: O YOLO26 remove o módulo Distribution Focal Loss, simplificando a exportação e melhorando a compatibilidade com dispositivos de borda e de baixo consumo de energia.
  • Otimizador MuSGD: Um híbrido de SGD e Muon (inspirado no Kimi K2 da Moonshot AI) para um treinamento mais estável e uma convergência mais rápida.
  • Desempenho da CPU: O YOLO26 oferece até 43% mais rapidez na inferência por CPU, tornando-o ideal para dispositivos sem GPUs.
  • Otimizações Específicas de Tarefa: Segmentação aprimorada com perda semântica e protos multiescala, RLE para estimativa de pose de precisão e decodificação de OBB aprimorada com perda angular.
  • Tarefas: Ambos os modelos suportam detecção de objetos e segmentação de instância, enquanto o YOLO26 também adiciona segmentação semântica para previsão densa em nível de pixel. Ambos os modelos também suportam classificação, estimativa de pose e detecção de objetos orientados (OBB) em uma estrutura unificada.

Para uma comparação aprofundada de recursos e métricas de desempenho, visite a página de documentação do YOLO26.

Link to this sectionComo posso contribuir para o projeto de código aberto Ultralytics?#

Contribuir para a Ultralytics é uma ótima maneira de melhorar o projeto e expandir suas habilidades. Veja como você pode se envolver:

  1. Faça um fork do repositório Ultralytics no GitHub.
  2. Crie uma nova ramificação (branch) para seu recurso ou correção de bug.
  3. Faça suas alterações e garanta que todos os testes passem.
  4. Envie um pull request com uma descrição clara de suas alterações.
  5. Participe do processo de revisão de código.

Você também pode contribuir relatando erros, sugerindo recursos ou melhorando a documentação. Para diretrizes detalhadas e melhores práticas, consulte o guia de contribuição.

Link to this sectionComo instalo o pacote Ultralytics em Python?#

A instalação do pacote Ultralytics em Python é simples. Use o pip executando o seguinte comando no seu terminal ou prompt de comando:

pip install ultralytics

Para a versão de desenvolvimento de ponta, instale diretamente do repositório GitHub:

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

Para instruções de instalação específicas do ambiente e dicas de solução de problemas, consulte o guia de início rápido abrangente.

Link to this sectionQuais são os principais recursos do Ultralytics YOLO?#

O Ultralytics YOLO ostenta um rico conjunto de recursos para tarefas avançadas de visão computacional:

  • Detecção em Tempo Real: Detecte e classifique objetos com eficiência em cenários de tempo real.
  • Capacidades Multitarefa: Realize detecção de objetos, segmentação de instância, segmentação semântica, classificação, estimativa de pose e detecção de objetos orientados (OBB) com uma estrutura unificada.
  • Modelos Pré-treinados: Acesse uma variedade de modelos pré-treinados que equilibram velocidade e precisão para diferentes casos de uso.
  • Treinamento Personalizado: Ajuste facilmente modelos em conjuntos de dados personalizados com o pipeline de treinamento flexível.
  • Amplas Opções de Implantação: Exporte modelos para vários formatos como TensorRT, ONNX e CoreML para implantação em diferentes plataformas.
  • Documentação Extensa: Beneficie-se de uma documentação abrangente e de uma comunidade de suporte para seus fluxos de trabalho de visão computacional.

Link to this sectionComo posso melhorar o desempenho do meu modelo YOLO?#

Melhorar o desempenho do seu modelo YOLO pode ser alcançado através de várias técnicas:

  1. Ajuste de Hiperparâmetros: Experimente diferentes hiperparâmetros usando o Guia de Ajuste de Hiperparâmetros para otimizar o desempenho do modelo.
  2. Aumento de Dados: Implemente técnicas como inversão, escala, rotação e ajustes de cor para aprimorar seu conjunto de dados de treinamento e melhorar a generalização do modelo.
  3. Transfer Learning: Aproveite modelos pré-treinados e ajuste-os em seu conjunto de dados específico usando o guia de Treinamento.
  4. Exportação para Formatos Eficientes: Converta seu modelo para formatos otimizados como TensorRT ou ONNX para uma inferência mais rápida usando o guia de Exportação.
  5. Benchmarking: Utilize o Modo Benchmark para medir e melhorar a velocidade e a precisão da inferência sistematicamente.

Link to this sectionPosso implantar modelos Ultralytics YOLO em dispositivos móveis e de borda?#

Sim, os modelos Ultralytics YOLO são projetados para implantação versátil, incluindo dispositivos móveis e de borda:

  • Mobile: Converta modelos para TFLite ou CoreML para integração contínua em aplicativos Android ou iOS. Consulte o Guia de Integração TFLite e o Guia de Integração CoreML para instruções específicas da plataforma.
  • Dispositivos de Borda: Otimize a inferência em dispositivos como NVIDIA Jetson ou outros hardwares de borda usando TensorRT ou ONNX. O Guia de Integração Edge TPU fornece etapas detalhadas para a implantação de borda.

Para uma visão geral abrangente das estratégias de implantação em várias plataformas, consulte o guia de opções de implantação.

Link to this sectionComo posso realizar a inferência usando um modelo Ultralytics YOLO treinado?#

Realizar a inferência com um modelo Ultralytics YOLO treinado é simples:

  1. Carregue o Modelo:

    from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

  2. Execute a Inferência:

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

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Para técnicas avançadas de inferência, incluindo processamento em lote, inferência de vídeo e pré-processamento personalizado, consulte o guia de previsão detalhado.

Link to this sectionOnde posso encontrar exemplos e tutoriais para usar a Ultralytics?#

A Ultralytics fornece uma riqueza de recursos para ajudá-lo a começar e dominar suas ferramentas:

Estes recursos fornecem exemplos de código, casos de uso do mundo real e guias passo a passo para várias tarefas usando modelos Ultralytics.

Se precisares de mais assistência, consulta a documentação da Ultralytics ou entra em contacto com a comunidade através de GitHub Issues ou do fórum de discussão oficial.

Colaboradores
GLglenn-jocher13LALaughing-q2RAraimbekovm1SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

Comentários