Ultralytics YOLO Perguntas frequentes (FAQ)
Esta secção de FAQ aborda questões e problemas comuns que os utilizadores podem encontrar quando trabalham com Ultralytics YOLO repositórios.
FAQ
O que é Ultralytics e o que oferece?
Ultralytics é uma empresa de IA de visão computacional especializada em modelos avançados de deteção de objectos e segmentação de imagens, com destaque para a família YOLO (You Only Look Once). As suas ofertas incluem:
- As implementações de código aberto de YOLO11 e YOLO11
- Uma vasta gama de modelos pré-treinados para várias tarefas de visão computacional
- Um pacotePython abrangente para uma integração perfeita dos modelos YOLO nos projectos
- Ferramentas versáteis para formação, teste e implementação de modelos
- Documentação extensa e uma comunidade de apoio
Como é que instalo o pacote Ultralytics ?
A instalação do pacote Ultralytics é simples, utilizando o pip:
Para obter a versão de desenvolvimento mais recente, instale diretamente a partir do repositório GitHub:
As instruções de instalação detalhadas podem ser encontradas no guia de início rápido.
Quais são os requisitos de sistema para executar os modelos Ultralytics ?
Requisitos mínimos:
- Python 3.7+
- PyTorch 1.7+
- CUDA-compatível GPU (para aceleração GPU )
Configuração recomendada:
- Python 3.8+
- PyTorch 1.10+
- NVIDIA GPU com CUDA 11.2+
- 8GB+ RAM
- Mais de 50 GB de espaço livre em disco (para armazenamento de conjuntos de dados e treinamento de modelos)
Para solucionar problemas comuns, visite a página YOLO Problemas comuns.
Como é que posso treinar um modelo YOLO11 personalizado no meu próprio conjunto de dados?
Para treinar um modelo YOLO11 personalizado:
- Prepare o seu conjunto de dados no formato YOLO (imagens e ficheiros txt de etiquetas correspondentes).
- Crie um ficheiro YAML que descreva a estrutura e as classes do seu conjunto de dados.
- Utilize o seguinte código Python para iniciar a formação:
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.yaml") # build a new model from scratch
model = YOLO("yolov8n.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 obter um guia mais aprofundado, incluindo a preparação de dados e opções de formação avançada, consulte o guia de formação abrangente.
Que modelos pré-treinados estão disponíveis em Ultralytics?
Ultralytics oferece uma gama diversificada de modelos YOLO11 pré-treinados para várias tarefas:
- Deteção de objectos: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
- Segmentação de instâncias: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
- Classificação: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls
Estes modelos variam em tamanho e complexidade, oferecendo diferentes soluções de compromisso entre velocidade e precisão. Explore a gama completa de modelos pré-treinados para encontrar a melhor opção para o seu projeto.
Como é que efectuo a inferência utilizando um modelo Ultralytics treinado?
Para efetuar 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 de inferência avançadas, incluindo processamento em lote e inferência de vídeo, consulte o guia de previsão detalhado.
Os modelos Ultralytics podem ser implementados em dispositivos periféricos ou em ambientes de produção?
Absolutamente! Os modelos Ultralytics foram concebidos para uma utilização versátil em várias plataformas:
- Dispositivos de ponta: Optimize a inferência em dispositivos como NVIDIA Jetson ou Intel Neural Compute Stick utilizando TensorRT, ONNX, ou OpenVINO.
- Dispositivos móveis: Implemente em dispositivos Android ou iOS convertendo modelos para TFLite ou Core ML.
- Nuvem: Aproveite estruturas como TensorFlow Serving ou PyTorch Serve para implantações de nuvem escalonáveis.
- Web: Implementar a inferência no navegador utilizando ONNX.js ou TensorFlow.js.
Ultralytics fornece funções de exportação para converter modelos em vários formatos para implantação. Explore a vasta gama de opções de implementação para encontrar a melhor solução para o seu caso de utilização.
Qual é a diferença entre YOLOv8 e YOLO11?
As principais distinções incluem:
- Arquitetura: YOLO11 apresenta um design melhorado da espinha dorsal e da cabeça para um melhor desempenho.
- Desempenho: YOLO11 oferece geralmente uma precisão e velocidade superiores às de YOLOv8.
- Tarefas: YOLO11 suporta nativamente a deteção de objectos, a segmentação de instâncias e a classificação num quadro unificado.
- Base de código: YOLO11 é implementado com uma arquitetura mais modular e extensível, facilitando a personalização e a extensão.
- Formação: YOLO11 incorpora técnicas de formação avançadas, como a formação em vários conjuntos de dados e a evolução de hiperparâmetros para obter melhores resultados.
Para uma comparação aprofundada de caraterísticas e métricas de desempenho, visite a YOLO página de comparação.
Como posso contribuir para o projeto de código aberto Ultralytics ?
Contribuir para Ultralytics é uma excelente forma de melhorar o projeto e expandir as suas competências. Eis como pode participar:
- Bifurcar o repositório Ultralytics no GitHub.
- Crie um novo ramo para a sua funcionalidade ou correção de erros.
- Efectue as suas alterações e certifique-se de que todos os testes são aprovados.
- Envie um pull request com uma descrição clara das suas alterações.
- Participar no processo de revisão do código.
Também pode contribuir comunicando erros, sugerindo funcionalidades ou melhorando a documentação. Para obter diretrizes detalhadas e melhores práticas, consulte o guia de contribuição.
Como é que 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:
Para obter a versão de desenvolvimento de ponta, instale diretamente a partir do repositório GitHub:
Para obter instruções de instalação específicas do ambiente e dicas de resolução de problemas, consulte o guia de início rápido abrangente.
Quais são as principais caraterísticas do Ultralytics YOLO ?
Ultralytics YOLO possui um conjunto rico de funcionalidades para deteção avançada de objectos e segmentação de imagens:
- Deteção em tempo real: Detetar e classificar eficazmente objectos em cenários em tempo real.
- Modelos pré-treinados: Aceda a uma variedade de modelos pré-treinados que equilibram velocidade e precisão para diferentes casos de utilização.
- Treinamento personalizado: Ajuste facilmente os 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 apoio para guiá-lo em sua jornada de visão computacional.
Explore a página dos modelosYOLO para obter uma visão aprofundada das capacidades e arquitecturas das diferentes versões do YOLO .
Como posso melhorar o desempenho do meu modelo YOLO ?
A melhoria do desempenho do modelo YOLO pode ser conseguida através de várias técnicas:
- Ajuste de hiperparâmetros: Experimente diferentes hiperparâmetros utilizando o Guia de Afinação de Hiperparâmetros para otimizar o desempenho do modelo.
- Aumento de dados: Implemente técnicas como inverter, escalar, rodar e ajustes de cor para melhorar o seu conjunto de dados de treino e melhorar a generalização do modelo.
- Aprendizagem por transferência: Tire partido de modelos pré-treinados e ajuste-os no seu conjunto de dados específico utilizando o guia Train YOLO11.
- Exportar para formatos eficientes: Converta o seu modelo para formatos optimizados como TensorRT ou ONNX para uma inferência mais rápida utilizando o guia Exportar.
- Avaliação comparativa: Utilize o Modo de Referência para medir e melhorar sistematicamente a velocidade e a precisão da inferência.
Posso implementar Ultralytics YOLO modelos em dispositivos móveis e periféricos?
Sim, os modelos Ultralytics YOLO foram concebidos para uma implementação versátil, incluindo dispositivos móveis e periféricos:
- Móvel: Converta modelos para TFLite ou CoreML para uma integração perfeita nas aplicações Android ou iOS . Consulte o Guia de Integração TFLite e o Guia de IntegraçãoCoreML 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 de borda.
Para obter uma visão geral abrangente das estratégias de implantação em várias plataformas, consulte o guia de opções de implantação.
Como é que posso efetuar inferências utilizando um modelo Ultralytics YOLO treinado?
Efetuar a inferência com um modelo Ultralytics YOLO treinado é simples:
- Carregar o modelo:
- 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 de inferência avançadas, incluindo processamento em lote, inferência de vídeo e pré-processamento personalizado, consulte o guia de previsão detalhado.
Onde posso encontrar exemplos e tutoriais para utilizar Ultralytics?
Ultralytics fornece uma grande variedade de recursos para o ajudar a começar e a dominar as suas ferramentas:
- 📚 Documentação oficial: Guias abrangentes, referências de API e melhores práticas.
- 💻 Repositório GitHub: Código-fonte, scripts de exemplo e contribuições da comunidade.
- ✍️ Ultralytics blogue: Artigos aprofundados, casos de utilização e informações técnicas.
- 💬 Fóruns da comunidade: Ligue-se a outros utilizadores, faça perguntas e partilhe as suas experiências.
- 🎥 Canal do YouTube: Tutoriais em vídeo, demonstrações e webinars sobre vários tópicos do Ultralytics .
Estes recursos fornecem exemplos de código, casos de utilização reais e guias passo-a-passo para várias tarefas utilizando os modelos Ultralytics .
Se precisar de mais assistência, não hesite em consultar a documentação Ultralytics ou contactar a comunidade através de Problemas do GitHub ou do fórum de discussão oficial.
