Salta para o conte√ļdo

Ultralytics YOLO Perguntas frequentes (FAQ)

Esta sec√ß√£o de FAQ aborda algumas quest√Ķes e problemas comuns que os utilizadores podem encontrar quando trabalham com os reposit√≥rios Ultralytics YOLO .

1. Quais s√£o os requisitos de hardware para executar o Ultralytics YOLO ?

Ultralytics YOLO pode ser executado em uma variedade de configura√ß√Ķes de hardware, incluindo CPUs, GPUs e at√© mesmo alguns dispositivos de borda. No entanto, para um desempenho ideal e um treinamento e infer√™ncia mais r√°pidos, recomendamos o uso de uma GPU com um m√≠nimo de 8 GB de mem√≥ria. As GPUs NVIDIA com suporte a CUDA s√£o ideais para essa finalidade.

2. Como é que afino um modelo YOLO pré-treinado no meu conjunto de dados personalizado?

Para fazer o ajuste fino de um modelo YOLO pr√©-treinado no conjunto de dados personalizado, √© necess√°rio criar um arquivo de configura√ß√£o do conjunto de dados (YAML) que defina as propriedades do conjunto de dados, como o caminho para as imagens, o n√ļmero de classes e os nomes das classes. Em seguida, ter√°s de modificar o ficheiro de configura√ß√£o do modelo para corresponder ao n√ļmero de classes no teu conjunto de dados. Por fim, usa o arquivo train.py para iniciar o processo de treino com o teu conjunto de dados personalizado e o modelo pr√©-treinado. Podes encontrar um guia detalhado sobre o ajuste fino em YOLO na documenta√ß√£o Ultralytics .

3. Como é que converto um modelo YOLO para o formato ONNX ou TensorFlow ?

Ultralytics fornece suporte integrado para a conversão dos modelos YOLO para o formato ONNX . Podes utilizar a função export.py script para converter um modelo salvo para o formato ONNX . Se precisares de converter o modelo para o formato TensorFlow , podes utilizar o modelo ONNX como intermediário e, em seguida, utilizar o conversor ONNX-TensorFlow para converter o modelo ONNX para o formato TensorFlow .

4. Posso utilizar o Ultralytics YOLO para a deteção de objectos em tempo real?

Sim, o Ultralytics YOLO foi concebido para ser eficiente e rápido, tornando-o adequado para tarefas de deteção de objectos em tempo real. O desempenho real dependerá da configuração do teu hardware e da complexidade do modelo. A utilização de uma GPU e a otimização do modelo para o teu caso de utilização específico podem ajudar a obter um desempenho em tempo real.

5. Como posso melhorar a precis√£o do meu modelo YOLO ?

Melhorar a precisão de um modelo YOLO pode envolver várias estratégias, tais como:

  • Afinar o modelo com mais dados anotados
  • Aumento dos dados para aumentar a variedade de amostras de forma√ß√£o
  • Utilizar uma arquitetura de modelo maior ou mais complexa
  • Ajustar a taxa de aprendizagem, o tamanho do lote e outros hiperpar√Ęmetros
  • Utiliza t√©cnicas como a aprendizagem por transfer√™ncia ou a destila√ß√£o de conhecimentos

Lembra-te de que existe frequentemente um compromisso entre a precisão e a velocidade de inferência, pelo que é crucial encontrar o equilíbrio certo para a tua aplicação específica.

Se tiveres mais d√ļvidas ou precisares de ajuda, n√£o hesites em consultar a documenta√ß√£o Ultralytics ou contactar a comunidade atrav√©s do GitHub Issues ou do f√≥rum de discuss√£o oficial.



Criado em 2023-11-12, Atualizado em 2023-11-12
Autores: glenn-jocher (1)

Coment√°rios