Guia para usar o Kaggle no treino dos teus modelos YOLO26#

Se estás a aprender sobre IA e a trabalhar em projetos pequenos, talvez ainda não tenhas acesso a recursos computacionais potentes, e o hardware de alto desempenho pode ser caro. Felizmente, o Kaggle, uma plataforma da Google, oferece uma excelente solução. O Kaggle disponibiliza um ambiente gratuito na nuvem, onde podes aceder a recursos de GPU, trabalhar com conjuntos de dados grandes e colaborar com uma comunidade diversificada de cientistas de dados e entusiastas da aprendizagem automática.

O Kaggle é uma ótima opção para treinar e experimentar modelos Ultralytics YOLO26. Os Kaggle Notebooks facilitam a utilização de bibliotecas e frameworks populares de aprendizagem automática nos teus projetos. Este guia explora as principais funcionalidades do Kaggle e mostra como treinar modelos YOLO26 na plataforma.

O que é o Kaggle?#

O Kaggle é uma plataforma que reúne cientistas de dados de todo o mundo para colaborarem, aprenderem e competirem na resolução de problemas reais de ciência de dados. Lançado em 2010 por Anthony Goldbloom e Jeremy Howard e adquirido pela Google em 2017, o Kaggle permite aos utilizadores estabelecer ligações, descobrir e partilhar conjuntos de dados, usar notebooks com GPU e participar em competições de ciência de dados. A plataforma foi concebida para ajudar tanto profissionais experientes como pessoas motivadas a aprender a alcançar os seus objetivos, oferecendo ferramentas e recursos robustos.

Com mais de 10 milhões de utilizadores em 2022, o Kaggle oferece um ambiente rico para desenvolver e experimentar modelos de aprendizagem automática. Não precisas de te preocupar com as especificações nem com a configuração da tua máquina local: podes começar logo a trabalhar, precisando apenas de uma conta Kaggle e de um browser.

Instalação#

Antes de começares a treinar modelos YOLO26 no Kaggle, tens de garantir que o ambiente do notebook está configurado corretamente. Segue estes passos essenciais:

Ativa o acesso à Internet#

Os notebooks do Kaggle precisam de acesso à Internet para transferir pacotes e dependências. Para ativar a Internet no teu notebook Kaggle:

1. Abre o teu notebook Kaggle
2. Clica no painel Settings à direita da interface do notebook
3. Desloca-te para baixo até à secção Internet
4. Ativa o interruptor para ON para permitir a ligação à Internet

Nota: O acesso à Internet é necessário para instalar o pacote Ultralytics e transferir modelos pré-treinados ou conjuntos de dados. Se a Internet não estiver ativada, as instalações de pacotes vão falhar.

Instalar Ultralytics#

Depois de ativar o acesso à Internet, instala o pacote Ultralytics executando o seguinte comando numa célula do notebook:

!pip install ultralytics

Para instalar a versão de desenvolvimento mais recente, podes instalá-la diretamente a partir do GitHub:

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

Resolver conflitos de dependências#

Durante a instalação, podes encontrar conflitos de dependências, especialmente com pacotes como opencv-python, numpy ou torch. Eis algumas soluções comuns:

Método 1: Forçar a reinstalação com --upgrade#

Se encontrares conflitos com pacotes existentes, força uma atualização:

!pip install --upgrade --force-reinstall ultralytics

Método 2: Usar --no-deps e instalar as dependências separadamente#

Se os conflitos persistirem, instala primeiro sem dependências e, em seguida, instala manualmente os pacotes necessários:

!pip install --no-deps ultralytics
!pip install torch torchvision numpy opencv-python matplotlib pillow pyyaml requests psutil polars ultralytics-thop

Método 3: Reiniciar o kernel após a instalação#

Por vezes, tens de reiniciar o kernel após a instalação para resolver problemas de importação:

!pip install ultralytics
# Then click "Restart Kernel" from the notebook menu

Método 4: Usar versões específicas dos pacotes#

Se encontrares conflitos com versões específicas, podes fixar versões compatíveis:

!pip install ultralytics opencv-python==4.8.1.78 numpy==1.24.3

Soluções para erros comuns#

Erro: "No module named 'ultralytics'"

• Solução: confirma que a Internet está ativada e executa novamente o comando de instalação
• Reinicia o kernel após a instalação

Erro: "ERROR: pip's dependency resolver does not currently take into account..."

• Solução: normalmente, trata-se de um aviso que podes ignorar em segurança. A instalação costuma ser concluída apesar da mensagem
• Em alternativa, usa o Método 2 acima para instalar sem resolver as dependências

Erro: "ModuleNotFoundError" após a instalação

• Solução: reinicia o kernel com o botão de reinício na interface do notebook
• Volta a executar as instruções de importação numa nova célula

Verificar a instalação#

Após a instalação, confirma se o Ultralytics foi instalado corretamente executando:

import ultralytics

ultralytics.checks()

Isto vai apresentar informações do sistema e confirmar que todas as dependências estão instaladas corretamente.

Treinar YOLO26 com o Kaggle#

Treinar modelos YOLO26 no Kaggle é simples e eficiente, graças ao acesso da plataforma a GPUs potentes.

Para começar, acede ao notebook YOLO26 do Kaggle. O ambiente do Kaggle inclui bibliotecas pré-instaladas, como TensorFlow e PyTorch, tornando a configuração simples.

Depois de iniciares sessão na tua conta do Kaggle, podes clicar na opção para copiar e editar o código, selecionar uma GPU nas definições do acelerador e executar as células do notebook para começar a treinar o teu modelo. Para compreenderes detalhadamente o processo de treino do modelo e as práticas recomendadas, consulta o nosso guia de treino de modelos YOLO26.

Na página oficial do notebook YOLO26 no Kaggle, clicar nos três pontos no canto superior direito mostra opções adicionais.

Estas opções incluem:

• Ver versões: percorre as diferentes versões do notebook para veres as alterações ao longo do tempo e, se necessário, voltares a versões anteriores.
• Copiar comando da API: obtém um comando de API para interagir programaticamente com o notebook, útil para automatizar e integrar os fluxos de trabalho.
• Abrir no Google Notebooks: abre o notebook no ambiente de notebooks alojado pela Google.
• Abrir no Colab: abre o notebook no Google Colab para continuares a editá-lo e executá-lo.
• Seguir comentários: subscreve a secção de comentários para receber atualizações e interagir com a comunidade.
• Transferir código: transfere o notebook completo como um ficheiro Jupyter (.ipynb) para utilização offline ou controlo de versões no teu ambiente local.
• Adicionar à coleção: guarda o notebook numa coleção da tua conta do Kaggle para facilitar o acesso e a organização.
• Adicionar aos favoritos: adiciona o notebook aos favoritos para acederes rapidamente mais tarde.
• Incorporar notebook: obtém um link de incorporação para incluir o notebook em blogs, sites ou documentação.

Problemas comuns ao trabalhar com o Kaggle#

Ao trabalhar com o Kaggle, podes deparar-te com alguns problemas comuns. Eis alguns pontos importantes para te ajudar a utilizar a plataforma:

• Acesso a GPUs: nos teus notebooks do Kaggle, podes ativar uma GPU a qualquer momento, com uma utilização permitida até 30 horas por semana. O Kaggle disponibiliza a GPU NVIDIA Tesla P100 com 16 GB de memória e também a opção de utilizar uma NVIDIA GPU T4 x2. O hardware potente acelera as tarefas de aprendizagem automática, tornando o treino e a inferência dos modelos muito mais rápidos.
• Kernels do Kaggle: os kernels do Kaggle são servidores gratuitos de notebooks Jupyter que podem integrar GPUs, permitindo-te realizar operações de aprendizagem automática em computadores na nuvem. Não precisas de depender da CPU do teu próprio computador, evitando sobrecarregá-lo e libertando os recursos locais.
• Conjuntos de dados do Kaggle: os conjuntos de dados do Kaggle podem ser transferidos gratuitamente. No entanto, é importante verificar a licença de cada conjunto de dados para compreender quaisquer restrições de utilização. Alguns conjuntos de dados podem ter limitações quanto a publicações académicas ou utilização comercial. Podes transferir conjuntos de dados diretamente para o teu notebook do Kaggle ou para qualquer outro local através da API do Kaggle.
• Guardar e confirmar notebooks: para guardar e confirmar um notebook no Kaggle, clica em "Save Version". Isto guarda o estado atual do notebook. Quando o kernel em segundo plano terminar de gerar os ficheiros de saída, podes aceder-lhes no separador Output da página principal do notebook.
• Colaboração: o Kaggle permite a colaboração, mas vários utilizadores não podem editar um notebook em simultâneo. A colaboração no Kaggle é assíncrona, o que significa que os utilizadores podem partilhar e trabalhar no mesmo notebook em momentos diferentes.
• Reverter para uma versão anterior: se precisares de reverter o notebook para uma versão anterior, abre o notebook e clica nos três pontos verticais no canto superior direito para selecionar "View Versions". Encontra a versão para a qual queres reverter, clica no menu "..." ao lado e seleciona "Revert to Version". Depois de o notebook ser revertido, clica em "Save Version" para confirmar as alterações.

Principais funcionalidades do Kaggle#

Agora, vamos conhecer as funcionalidades do Kaggle que fazem dele uma excelente plataforma para quem se interessa por ciência de dados e aprendizagem automática. Eis alguns dos principais destaques:

• Conjuntos de dados: o Kaggle aloja uma enorme coleção de conjuntos de dados sobre vários temas. Podes pesquisar e utilizar facilmente estes conjuntos de dados nos teus projetos, o que é particularmente útil para treinar e testar os teus modelos YOLO26.
• Competições: conhecido pelas suas competições entusiasmantes, o Kaggle permite que cientistas de dados e entusiastas da aprendizagem automática resolvam problemas do mundo real. Participar em competições ajuda-te a melhorar as tuas competências, aprender novas técnicas e ganhar reconhecimento na comunidade.
• Acesso gratuito a TPUs: o Kaggle disponibiliza acesso gratuito a TPUs potentes, úteis para treinar modelos complexos de aprendizagem automática. Isto permite-te acelerar o processamento e melhorar o desempenho dos teus projetos YOLO26 sem custos adicionais.
• Integração com o GitHub: o Kaggle permite-te ligar facilmente o teu repositório do GitHub para carregar notebooks e guardar o teu trabalho. Esta integração facilita a gestão e o acesso aos teus ficheiros.
• Comunidade e discussões: o Kaggle conta com uma comunidade sólida de cientistas de dados e profissionais de aprendizagem automática. Os fóruns de discussão e os notebooks partilhados são ótimos recursos para aprender e resolver problemas. Podes encontrar ajuda facilmente, partilhar os teus conhecimentos e colaborar com outras pessoas.

Por que deves utilizar o Kaggle nos teus projetos YOLO26?#

Existem várias plataformas para treinar e avaliar modelos de aprendizagem automática. Então, o que distingue o Kaggle? Vamos explorar as vantagens de utilizar o Kaggle nos teus projetos de aprendizagem automática:

• Notebooks públicos: podes tornar públicos os teus notebooks do Kaggle, permitindo que outros utilizadores vejam, votem, criem bifurcações e discutam o teu trabalho. O Kaggle promove a colaboração, o feedback e a partilha de ideias, ajudando-te a melhorar os teus modelos YOLO26.
• Histórico completo de confirmações do notebook: o Kaggle cria um histórico detalhado das confirmações do teu notebook. Isto permite-te rever e acompanhar as alterações ao longo do tempo, facilitando a compreensão da evolução do teu projeto e o regresso a versões anteriores, se necessário.
• Acesso à consola: o Kaggle disponibiliza uma consola, dando-te mais controlo sobre o teu ambiente. Esta funcionalidade permite-te realizar várias tarefas diretamente na linha de comandos, melhorando o teu fluxo de trabalho e a tua produtividade.
• Disponibilidade de recursos: cada sessão de edição de notebooks no Kaggle disponibiliza recursos significativos: 12 horas de execução para sessões com CPU e GPU, 9 horas de execução para sessões com TPU e 20 gigabytes de espaço em disco com gravação automática.
• Agendamento de notebooks: o Kaggle permite-te agendar a execução dos teus notebooks para horas específicas. Podes automatizar tarefas repetitivas sem intervenção manual, como treinar o teu modelo a intervalos regulares.

Continua a aprender sobre o Kaggle#

Se quiseres saber mais sobre o Kaggle, aqui tens alguns recursos úteis:

• Aprender com o Kaggle: descobre vários tutoriais interativos e gratuitos no Kaggle Learn. Estes cursos abordam tópicos essenciais de ciência de dados e proporcionam experiência prática para te ajudar a dominar novas competências.
• Introdução ao Kaggle: este guia abrangente explica os conceitos básicos da utilização do Kaggle, desde a participação em competições até à criação do teu primeiro notebook. É um ótimo ponto de partida para quem está a começar.
• Página do Kaggle no Medium: explora tutoriais, atualizações e contribuições da comunidade na página do Kaggle no Medium. É uma excelente fonte para te manteres a par das últimas tendências e aprofundares os teus conhecimentos de ciência de dados.
• Treinar modelos Ultralytics YOLO com a integração do Kaggle: esta publicação do blog apresenta informações adicionais sobre como tirar partido do Kaggle especificamente para modelos Ultralytics YOLO.

Resumo#

Vimos como o Kaggle pode impulsionar os teus projetos YOLO26 ao disponibilizar acesso gratuito a GPUs potentes, tornando eficiente o treino e a avaliação dos modelos. A plataforma Kaggle é fácil de utilizar e inclui bibliotecas pré-instaladas para uma configuração rápida. A integração entre o Ultralytics YOLO26 e o Kaggle cria um ambiente fluido para desenvolver, treinar e implementar modelos de visão por computador de última geração sem necessidade de hardware dispendioso.

Para mais informações, visita a documentação do Kaggle.

Queres conhecer mais integrações do YOLO26? Consulta o guia de integração da Ultralytics para explorar ferramentas e capacidades adicionais para os teus projetos de aprendizagem automática.

Perguntas frequentes#