Salta para o conteúdo

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.

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. Segmenta qualquer modelo (SAM): Modelo de Segmento de Qualquer Coisa da Meta (SAM).
  9. Modelo de qualquer segmento móvel (MobileSAM): MobileSAM para aplicações móveis, pela Universidade Kyung Hee.
  10. Modelo rápido de qualquer segmento (FastSAM): FastSAM pelo Grupo de Análise de Imagem e Vídeo, Instituto de Automação, Academia Chinesa de Ciências.
  11. YOLO-NAS: YOLO Modelos de pesquisa de arquitetura neural (NAS).
  12. Transformadores de deteção em tempo real (RT-DETR): Modelos do Baidu PaddlePaddle Realtime Detection Transformer (RT-DETR).
  13. 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.

Exemplo

PyTorch pré-treinado *.pt modelos, bem como a configuração *.yaml podem ser passados para o YOLO(), SAM(), NAS() e RTDETR() para criar uma instância de modelo em Python:

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')

CLI estão disponíveis para executar diretamente os modelos:

# 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.



Criado em 2023-11-12, Atualizado em 2024-02-26
Autores: glenn-jocher (7), Laughing-q (1)

Comentários