Salta para o conte√ļdo

Modelos suportados por Ultralytics

Bem-vindo √† documenta√ß√£o do modelo Ultralytics'! Oferecemos suporte a uma ampla gama de modelos, cada um adaptado a tarefas espec√≠ficas, como dete√ß√£o de objetos, segmenta√ß√£o de inst√Ęncias, classifica√ß√£o de imagens, estimativa de pose e rastreamento de v√°rios objetos. Se estiveres interessado em contribuir com a arquitetura do teu modelo para Ultralytics, consulta o nosso Guia de Contribui√ß√£o.

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 vers√£o melhorada da arquitetura YOLO da Ultralytics, que oferece um melhor desempenho e uma melhor velocidade em compara√ß√£o com as vers√Ķes anteriores.
  4. YOLOv6: Lan√ßado pela Meituan em 2022 e utilizado em muitos dos rob√īs de entrega aut√≥nomos da empresa.
  5. YOLOv7: Atualização dos modelos YOLO lançados em 2022 pelos autores do YOLOv4.
  6. YOLOv8 NOVO ūüöÄ: A vers√£o mais recente da fam√≠lia YOLO , com capacidades melhoradas, como a segmenta√ß√£o de inst√Ęncias, a estimativa de pose/pontos-chave e a classifica√ß√£o.
  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 forma√ß√£o sem NMS e arquitetura orientada para a efici√™ncia e a precis√£o, proporcionando um desempenho e uma lat√™ncia de √ļltima gera√ß√£o.
  9. Segmenta qualquer modelo (SAM): Modelo de Segmento de Qualquer Coisa da Meta (SAM).
  10. Modelo de qualquer segmento m√≥vel (MobileSAM): MobileSAM para aplica√ß√Ķes m√≥veis, 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.

Exemplo

PyTorch pr√©-treinado *.pt modelos, bem como a configura√ß√£o *.yaml podem ser passados para o YOLO(), SAM(), NAS() e RTDETR() para criar uma inst√Ęncia 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 m√°quina 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.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (11), Laughing-q (1)

Coment√°rios