Modelos suportados por Ultralytics

Bem-vindo à documentação do modelo Ultralytics'! Oferecemos suporte a 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 estiveres interessado em contribuir com a arquitetura do teu modelo para Ultralytics, consulta 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 eficientes capacidades 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: Atualização dos modelos YOLO lançados em 2022 pelos autores do YOLOv4.
6. YOLOv8 NOVO 🚀: A versão mais recente da família YOLO , com capacidades melhoradas, como a segmentação de instâncias, a estimativa de pose/pontos-chave e a classificação.
7. YOLOv9: Um modelo experimental treinado na Ultralytics YOLOv5 base de código que implementa o Programmable Gradient Information (PGI).
8. YOLOv10: Da Universidade de Tsinghua, com formação sem NMS e arquitetura orientada para a eficiência e a precisão, proporcionando um desempenho e uma latência de última geração.
9. Segmenta qualquer modelo (SAM): Modelo de Segmento de Qualquer Coisa da Meta (SAM).
10. Modelo de qualquer segmento móvel (MobileSAM): MobileSAM para aplicações móveis, pela Universidade Kyung Hee.
11. Modelo rápido de qualquer segmento (FastSAM): FastSAM pelo Grupo de Análise de Imagem e Vídeo, Instituto de Automação, Academia Chinesa de Ciências.
12. YOLO-NAS: YOLO Modelos de pesquisa de arquitetura neural (NAS).
13. Transformadores de deteção em tempo real (RT-DETR): Modelos do Baidu PaddlePaddle Realtime Detection Transformer (RT-DETR).
14. YOLO-Mundo: Modelos de deteção de objectos de vocabulário aberto em tempo real do Laboratório de IA da Tencent.

Observa: Executa Ultralytics YOLO modelos em apenas algumas linhas de código.

Como começar: Exemplos de utilização

Este exemplo fornece exemplos simples de treinamento e inferência em YOLO . Para obter a documentação completa sobre estes e outros modos, consulta as páginas de documentação Predict, Train, Val e Export.

Nota que o exemplo abaixo é para YOLOv8 Detetar modelos para deteção de objectos. Para outras tarefas suportadas, consulta 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

Contribui com novos modelos

Estás interessado em contribuir com o teu modelo para Ultralytics? Não te preocupes! Estamos sempre abertos a expandir o nosso portefólio de modelos.

1. Bifurca o repositório: Começa por bifurcar o repositórioUltralytics do GitHub.

2. Clone Your Fork: Clona o teu fork para a tua máquina local e cria um novo ramo para trabalhares.

3. Implementa o teu modelo: Adiciona o teu modelo seguindo as normas de codificação e as directrizes fornecidas no nosso Guia de Contribuição.

4. Testa exaustivamente: Certifica-te de que testas rigorosamente o teu modelo, tanto isoladamente como como parte do pipeline.

5. Cria um Pull Request: Quando estiveres satisfeito com o teu modelo, cria um pull request para o repositório principal para revisão.

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

Para obteres passos detalhados, consulta o nosso Guia de Contribuição.

FAQ

Quais são as principais vantagens da utilização do Ultralytics YOLOv8 para a deteção de objectos?

Ultralytics YOLOv8 oferece capacidades melhoradas, tais como deteção de objectos 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. O YOLOv8 também inclui compatibilidade integrada com conjuntos de dados e modelos populares, conforme detalhado na página de documentaçãoYOLOv8 .

Como posso treinar um modelo YOLOv8 em dados personalizados?

O treino de um modelo YOLOv8 em dados personalizados pode ser facilmente efectuado utilizando as bibliotecas Ultralytics'. Aqui tens um exemplo rápido:

from ultralytics import YOLO

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

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

yolo train model=yolov8n.pt data='custom_data.yaml' epochs=100 imgsz=640

Para obteres instruções mais detalhadas, visita a página de documentação do Train.

Que versões de YOLO são suportadas por Ultralytics?

Ultralytics suporta uma gama abrangente de versões do YOLO (You Only Look Once) desde o YOLOv3 ao YOLOv10, juntamente com modelos como NAS, SAM e RT-DETR. Cada versão é optimizada para várias tarefas, tais como deteção, segmentação e classificação. Para obter informações detalhadas sobre cada modelo, consulta a documentação Models Supported by Ultralytics.

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

Ultralytics O HUB fornece uma plataforma sem código, 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 fáceis de utilizar. Sabe mais sobre ele na página de documentação do Ultralytics HUB.

Que tipo de tarefas pode realizar o YOLOv8 e como se compara com outras versões do YOLO ?

YOLOv8 é um modelo versátil capaz de executar tarefas que incluem deteção de objectos, segmentação de instâncias, classificação e estimativa de pose. Em comparação com versões anteriores como YOLOv3 e YOLOv4, YOLOv8 oferece melhorias significativas em termos de velocidade e precisão devido à sua arquitetura optimizada. Para uma comparação mais aprofundada, consulta a documentaçãoYOLOv8 e as páginas de tarefas para obteres mais detalhes sobre tarefas específicas.

Comentários