Perguntas frequentes sobre o Ultralytics YOLO (FAQ)#

O Ultralytics é uma empresa de IA especializada em visão computacional, com foco em modelos de deteção de objetos e segmentação de imagens de última geração, centrados na família YOLO (Você Só Olha Uma Vez). As suas ofertas incluem:

• Implementações de código aberto do YOLO26 (mais recente) e do YOLO11 (geração anterior)
• Uma vasta gama de modelos pré-treinados para várias tarefas de visão computacional
• Um pacote Python abrangente para integrar modelos YOLO facilmente nos teus projetos
• Ferramentas versáteis para treinar, testar e implementar modelos
• Documentação abrangente e uma comunidade prestável

Não. O YOLO27 está a passar por I&D final para um lançamento previsto para mais tarde este ano, sem data de lançamento definida. A documentação antecipa as suas funcionalidades, benchmarks preliminares e exemplos de utilização após o lançamento. Continua a utilizar o YOLO26 para os projetos atuais.

A instalação do pacote Ultralytics é simples utilizando o pip:

pip install ultralytics

Para obter a versão de desenvolvimento mais recente, instala diretamente a partir do repositório do GitHub:

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

Podes encontrar instruções detalhadas de instalação 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+ de RAM
• 50 GB+ de espaço livre em disco (para armazenamento de conjuntos de dados e treino de modelos)

Para resolver problemas comuns, visita a página Problemas comuns do YOLO.

Para treinar um modelo YOLO personalizado:

1. Prepara o teu conjunto de dados no formato YOLO (imagens e ficheiros txt de etiquetas correspondentes).

2. Cria um ficheiro YAML que descreva a estrutura e as classes do teu conjunto de dados (consulta o exemplo de YAML de um conjunto de dados).

3. Utiliza o seguinte código Python para iniciar o treino:

   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 a preparação de dados e opções avançadas de treino, consulta o guia de treino abrangente.

O Ultralytics disponibiliza uma gama diversificada de modelos pré-treinados para várias tarefas:

• Deteção 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
• Deteção orientada (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

Estes modelos variam em tamanho e complexidade, oferecendo diferentes compromissos entre velocidade e precisão. Explora a gama completa de modelos pré-treinados para encontrares a opção mais adequada ao teu projeto.

Para fazer 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, consulta o guia detalhado de predição.

Sem dúvida! Os modelos Ultralytics foram concebidos para uma implementação versátil em várias plataformas:

• Dispositivos de ponta: otimiza a inferência em dispositivos como NVIDIA Jetson ou Raspberry Pi usando TensorRT, ONNX ou OpenVINO.
• Dispositivos móveis: implementa os modelos em dispositivos Android ou iOS convertendo-os para LiteRT ou Core ML.
• Nuvem: aproveita frameworks como TensorFlow Serving ou TorchServe para implantações em nuvem escaláveis.
• Web: implementa inferência no navegador usando ONNX Runtime Web.

O Ultralytics fornece funções de exportação para converter modelos em vários formatos de implementação. Explora a vasta gama de opções de implementação para encontrares a melhor solução para o teu caso de utilização.

As principais diferenças incluem:

• Inferência sem NMS de Ponta a Ponta: o YOLO26 oferece inferência sem NMS com nms=False. Seu caminho padrão de um para muitos usa NMS para obter precisão.
• Remoção de DFL: o YOLO26 remove o módulo Distribution Focal Loss, simplificando a exportação e melhorando a compatibilidade com dispositivos edge e de baixo consumo.
• Otimizador MuSGD: uma combinação híbrida de SGD e Muon (inspirada no Kimi K2 da Moonshot AI) para um treino mais estável e uma convergência mais rápida.
• Desempenho em CPU: o YOLO26n é até 43% mais rápido do que o YOLO11n na inferência ONNX em CPU (Intel Xeon CPU @ 2.00 GHz), sendo ideal para dispositivos sem GPUs.
• Otimizações específicas para tarefas: segmentação melhorada com perda semântica e protótipos multiescala, RLE para estimativa precisa de pose e descodificação OBB melhorada com perda angular.
• Tarefas: ambos os modelos suportam deteção de objetos e segmentação de instâncias, enquanto o YOLO26 também adiciona segmentação semântica para predição densa ao nível dos píxeis e estimativa monocular de profundidade para profundidade por píxel. Ambos os modelos também suportam classificação, estimativa de pose e deteção de objetos orientados (OBB) num framework unificado.

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

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

1. Cria um fork do repositório do Ultralytics no GitHub.
2. Cria um novo branch para a tua funcionalidade ou correção de erros.
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 ao comunicar erros, sugerir funcionalidades ou melhorar a documentação. Para obteres orientações detalhadas e boas práticas, consulta o guia de contribuição.

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

• Deteção em tempo real: deteta e classifica objetos de forma eficiente em cenários de tempo real.
• Funcionalidades multitarefa: executa deteção de objetos, segmentação de instâncias, segmentação semântica, estimativa monocular de profundidade, classificação, estimativa de pose e deteção de objetos orientados (OBB) com um framework unificado.
• Modelos pré-treinados: acede a uma variedade de modelos pré-treinados que equilibram velocidade e precisão para diferentes casos de utilização.
• Treino personalizado: ajusta facilmente modelos em conjuntos de dados personalizados com o pipeline de treino flexível.
• Vastas opções de implementação: exporta modelos para vários formatos, como TensorRT, ONNX e CoreML, para implementação em diferentes plataformas.
• Documentação abrangente: beneficia de documentação completa e de uma comunidade prestável para os teus fluxos de trabalho de visão computacional.

Podes melhorar o desempenho do teu modelo YOLO através de várias técnicas:

1. Ajuste de hiperparâmetros: experimenta diferentes hiperparâmetros utilizando o Guia de ajuste de hiperparâmetros para otimizar o desempenho do modelo.
2. Aumento de dados: implementa técnicas como inversão, escala, rotação e ajustes de cor para melhorar o teu conjunto de dados de treino e a generalização do modelo.
3. Transferência de aprendizagem: utiliza modelos pré-treinados e ajusta-os ao teu conjunto de dados específico através do guia de treino.
4. Exportação para formatos eficientes: converte o teu modelo para formatos otimizados, como TensorRT ou ONNX, para obteres uma inferência mais rápida utilizando o guia de exportação.
5. Benchmarking: utiliza o Modo de benchmark para medir e melhorar sistematicamente a velocidade e a precisão da inferência.

O Ultralytics disponibiliza muitos recursos para te ajudar a começar e a dominar as suas ferramentas:

• 📚 Documentação oficial: guias abrangentes, referências da API e boas práticas.
• 💻 Repositório do GitHub: código-fonte, scripts de exemplo e contribuições da comunidade.
• ✍️ Blog da Ultralytics: artigos aprofundados, casos de utilização e conhecimentos técnicos.
• 💬 Fóruns da comunidade: estabelece ligação com outros utilizadores, faz perguntas e partilha as tuas experiências.
• 🎥 Canal do YouTube: tutoriais em vídeo, demonstrações e webinars sobre vários temas da Ultralytics.

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

Se precisares de mais assistência, consulta a documentação da Ultralytics ou contacta a comunidade através dos Issues do GitHub ou do fórum de discussão oficial.