Modelos suportados por Ultralytics

Bem-vindo à documentação do modelo Ultralytics'! Oferecemos suporte para uma ampla gama de modelos, cada um adaptado a tarefas específicas, como deteção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose e rastreamento de vários objetos. Se estiver interessado em contribuir com a arquitetura do seu modelo para Ultralytics, consulte o nosso Guia de Contribuição.

Modelos em destaque

Eis alguns dos principais modelos suportados:

1. YOLOv3: A terceira iteração da família de modelos YOLO , originalmente criada por Joseph Redmon, conhecida pelas suas capacidades eficientes de deteção de objectos em tempo real.
2. YOLOv4: Uma atualização nativa da darknet para o YOLOv3, lançada por Alexey Bochkovskiy em 2020.
3. YOLOv5: Uma versão melhorada da arquitetura YOLO da Ultralytics, que oferece um melhor desempenho e uma melhor velocidade em comparação com as versões anteriores.
4. YOLOv6: Lançado pela Meituan em 2022 e utilizado em muitos dos robôs de entrega autónomos da empresa.
5. YOLOv7: Modelos YOLO actualizados lançados em 2022 pelos autores do YOLOv4.
6. YOLOv8: Um modelo versátil com capacidades melhoradas, como a segmentação de instâncias, a estimativa de pose/pontos-chave e a classificação.
7. YOLOv9: Um modelo experimental treinado na base de código Ultralytics YOLOv5 base de código que implementa a Informação de Gradiente Programável (PGI).
8. YOLOv10: Da Universidade de Tsinghua, com formação sem NMS e uma arquitetura orientada para a eficiência e a precisão, proporcionando um desempenho e uma latência de última geração.
9. YOLO11 🚀 NOVO: Os modelos YOLO mais recentes da Ultralytics oferecem desempenho de última geração (SOTA) em várias tarefas, incluindo deteção, segmentação, estimativa de pose, rastreamento e classificação.
10. Segmento Qualquer Modelo (SAM): Modelo de Segmento de Qualquer Coisa original da Meta (SAM).
11. Segmento Qualquer Modelo 2 (SAM2): A próxima geração do Segment Anything Model da Meta (SAM) para vídeos e imagens.
12. Modelo de qualquer segmento móvel (MobileSAM): MobileSAM para aplicações móveis, pela Universidade Kyung Hee.
13. Modelo rápido de qualquer segmento (FastSAM): FastSAM pelo Grupo de Análise de Imagem e Vídeo, Instituto de Automação, Academia Chinesa de Ciências.
14. YOLO: Modelos depesquisa de arquitetura neural (NAS) YOLO .
15. Transformadores de deteção em tempo real (RT-DETR): Modelos do Baidu PaddlePaddle Realtime Detection Transformer (RT-DETR).
16. YOLO-Mundo: Modelos de deteção de objectos de vocabulário aberto em tempo real do Laboratório de IA da Tencent.
17. YOLOE: Um detetor de objectos de vocabulário aberto melhorado que mantém o desempenho em tempo real do YOLO enquanto detecta classes arbitrárias para além dos seus dados de treino.

Ver: Execute Ultralytics YOLO modelos em apenas algumas linhas de código.

Introdução: Exemplos de utilização

Este exemplo fornece exemplos simples de treinamento e inferência em YOLO . Para obter documentação completa sobre estes e outros modos, consulte as páginas de documentação Prever, Treinar, Val e Exportar.

Note que o exemplo abaixo é para YOLOv8 Detetar modelos para deteção de objectos. Para outras tarefas suportadas, consulte os documentos Segmentar, Classificar e Posicionar.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

Contribuição de novos modelos

Interessado em contribuir com o seu modelo para Ultralytics? Ótimo! Estamos sempre abertos a expandir a nossa carteira de modelos.

1. Bifurcar o repositório: Comece por bifurcar o repositórioUltralytics do GitHub.

2. Clone Your Fork: Clone seu fork para sua máquina local e crie um novo branch para trabalhar.

3. Implemente seu modelo: Adicione o seu modelo seguindo as normas de codificação e as diretrizes fornecidas no nosso Guia de Contribuição.

4. Teste exaustivamente: Certifique-se de que testa rigorosamente o seu modelo, tanto isoladamente como como parte do pipeline.

5. Criar um pull request: Quando estiver satisfeito com o seu modelo, crie um pull request para o repositório principal para revisão.

6. Revisão e fusão do código: Após a revisão, se o seu modelo cumprir os nossos critérios, será integrado no repositório principal.

Para obter etapas detalhadas, consulte o nosso Guia de Contribuição.

FAQ

Quais são as principais vantagens da utilização do Ultralytics YOLO11 para a deteção de objectos?

Ultralytics YOLO11 oferece recursos aprimorados, como deteção de objetos em tempo real, segmentação de instâncias, estimativa de pose e classificação. A sua arquitetura optimizada garante um desempenho de alta velocidade sem sacrificar a precisão, tornando-o ideal para uma variedade de aplicações em diversos domínios de IA. YOLO11 baseia-se em versões anteriores com desempenho melhorado e recursos adicionais, conforme detalhado na página de documentaçãoYOLO11 .

Como é que posso treinar um modelo YOLO em dados personalizados?

O treino de um modelo YOLO em dados personalizados pode ser facilmente efectuado utilizando as bibliotecas do Ultralytics. Aqui está um exemplo rápido:

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolo11n.pt data='custom_data.yaml' epochs=100 imgsz=640

Para obter instruções mais detalhadas, visite a página de documentação do Train.

Que versões de YOLO são suportadas por Ultralytics?

Ultralytics suporta uma gama abrangente de versões YOLO (You Only Look Once), desde YOLOv3 a YOLO11, juntamente com modelos como YOLO, SAM e RT-DETR. Cada versão é optimizada para várias tarefas, tais como deteção, segmentação e classificação. Para obter informações detalhadas sobre cada modelo, consulte a documentação Modelos suportados pelo Ultralytics.

Por que razão devo utilizar o Ultralytics HUB para projectos de aprendizagem automática?

OUltralytics HUB fornece uma plataforma sem código e de ponta a ponta para treinar, implantar e gerenciar modelos YOLO . Simplifica fluxos de trabalho complexos, permitindo que os utilizadores se concentrem no desempenho e na aplicação do modelo. O HUB também oferece capacidades de formação na nuvem, gestão abrangente de conjuntos de dados e interfaces de fácil utilização para programadores principiantes e experientes.

Que tipo de tarefas pode realizar YOLO11 e como se compara com outras versões YOLO ?

YOLO11 é um modelo versátil capaz de realizar tarefas que incluem deteção de objectos, segmentação de instâncias, classificação e estimativa de pose. Em comparação com as versões anteriores, YOLO11 oferece melhorias significativas em termos de velocidade e precisão devido à sua arquitetura optimizada e ao design sem âncoras. Para uma comparação mais profunda, consulte a documentaçãoYOLO11 e as páginas de tarefas para obter mais detalhes sobre tarefas específicas.

📅C riado há 1 ano ✏️ Atualizado há 4 dias

Comentários