YOLO Vision 2026:

Perguntas Frequentes (FAQ) sobre o Ultralytics YOLO#

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

FAQ#

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

  • 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.

  • 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+
    • 8GB+ de RAM
    • 50GB+ 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.

  • Para treinar um modelo YOLO personalizado:

    1. Prepare o 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.

  • A Ultralytics oferece uma gama diversificada de modelos pré-treinados para várias 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 compensações entre velocidade e precisão. Explore a gama completa de modelos pré-treinados para encontrar a melhor opção para o seu projeto.

  • Para realizar 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 em vídeo, confira o guia de previsão detalhado.

  • Com certeza! Os modelos Ultralytics são projetados para 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: Faz o deploy em dispositivos Android ou iOS convertendo modelos para LiteRT ou CoreML.
    • Nuvem: Aproveite frameworks como TensorFlow Serving ou PyTorch Serve para implantações em nuvem escaláveis.
    • Web: Implementa a inferência no navegador usando LiteRT.js ou ONNX.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.

  • As principais distinções incluem:

    • Inferência sem NMS de Ponta a Ponta: O YOLO26 é nativamente de ponta a ponta, produzindo previsões diretamente sem supressão de não máximos (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 convergência mais rápida.
    • Desempenho de CPU: O YOLO26 entrega uma inferência em CPU até 43% mais rápida, 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 OBB aprimorada com perda de ângulo.
    • Tarefas: Ambos os modelos suportam detecção de objetos e segmentação de instâncias, enquanto o YOLO26 também adiciona segmentação semântica para previsão densa a nível de pixel e estimativa de profundidade monocular para profundidade por 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.

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

    1. Faça um fork do repositório da Ultralytics no GitHub.
    2. Crie um novo branch para sua funcionalidade ou correção de bug.
    3. Faça suas alterações e garanta que todos os testes passem.
    4. Envie um pull request com uma descrição clara das suas alterações.
    5. Participe do processo de revisão de código.

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

  • Instalar o 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.

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

    • Detecção em Tempo Real: Detecte e classifique objetos de forma eficiente em cenários de tempo real.
    • Capacidades Multitarefa: Execute detecção de objetos, segmentação de instâncias, segmentação semântica, estimativa de profundidade monocular, 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 Extensiva: Beneficie-se de documentação abrangente e de uma comunidade prestativa para os seus fluxos de trabalho de visão computacional.

  • Aprimorar o desempenho do seu modelo YOLO pode ser feito por meio 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 o seu conjunto de dados de treinamento e melhorar a generalização do modelo.
    3. Aprendizado por Transferência: Aproveite modelos pré-treinados e ajuste-os no seu conjunto de dados específico usando o Guia de Treinamento.
    4. Exportar para Formatos Eficientes: Converta o seu modelo para formatos otimizados como TensorRT ou ONNX para uma inferência mais rápida usando o Guia de Exportação.
    5. Benchmark: Utilize o Modo Benchmark para medir e melhorar sistematicamente a velocidade e a precisão da inferência.

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

    • Dispositivos Móveis: Converta modelos para LiteRT ou CoreML para uma integração perfeita em aplicativos Android ou iOS. Consulte o Guia de Integração do LiteRT e o Guia de Integração do CoreML para obter instruções específicas da plataforma.
    • Dispositivos de Borda: Otimize a inferência em dispositivos como NVIDIA Jetson ou outro hardware de borda usando TensorRT ou ONNX. O Guia de Integração do Edge TPU fornece etapas detalhadas para a implantação na borda.

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

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

    1. Carregar o Modelo:

      from ultralytics import YOLO

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

    2. Executar 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 em vídeo e pré-processamento personalizado, consulte o guia de previsão detalhado.

  • A Ultralytics oferece uma riqueza de recursos para ajudar você a começar e dominar suas ferramentas:

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

    Se você precisar de mais assistência, consulte a documentação da Ultralytics ou entre em contato com a comunidade por meio das Issues do GitHub ou do fórum de discussão oficial.

Contribuidores
GLglenn-jocher14PDpderrenger2RAraimbekovm2LALaughing-q2BOBovey08091AMambitious-octopus1SEsergiuwaxmann1RIRizwanMunawar1

Comentários