Começar

Modos do Ultralytics YOLO26

Ultralytics YOLO ecosystem and integrations

Introdução#

Ultralytics YOLO26 é mais do que um modelo de detecção de objetos: a estrutura Ultralytics cobre o ciclo de vida completo dos modelos de aprendizado de máquina, do treinamento e validação à previsão, exportação, rastreamento e avaliação. Cada modo tem uma finalidade específica nesse fluxo de trabalho.

Para saberes mais sobre o suporte planeado para YOLO27, consulta a pré-visualização do YOLO27. YOLO27 será lançado em breve e ainda não está disponível; este guia utiliza modelos YOLO26 já lançados.



Assista: Tutorial dos modos do Ultralytics: treinamento, validação, predição, exportação e benchmark.

Resumo dos modos#

Ultralytics YOLO26 oferece suporte aos seguintes modos:

  • Modo Train: treine ou ajuste seu modelo com conjuntos de dados personalizados ou integrados.
  • Modo Val: valide o desempenho do modelo após o treinamento.
  • Modo Predict: execute inferências com seu modelo em novas imagens, vídeos e fluxos.
  • Modo Export: converta seu modelo para formatos prontos para a implantação de modelos.
  • Modo Track: rastreie objetos entre quadros de vídeo e fluxos ao vivo em tempo real.
  • Modo Benchmark: Analisa a velocidade e a precisão do teu modelo em diversos ambientes de implementação.

As seções abaixo resumem cada modo e incluem um link para o guia completo.

Treinar#

O modo Train é usado para treinar um modelo YOLO26 em um conjunto de dados personalizado. Nesse modo, o modelo é treinado usando o conjunto de dados e os hiperparâmetros especificados. O processo de treinamento envolve otimizar os parâmetros do modelo para que ele possa prever com precisão as classes e localizações dos objetos em uma imagem. O treinamento é essencial para criar modelos capazes de reconhecer objetos específicos relevantes para a tua aplicação.

Exemplos de treino

Validar#

O modo Val é usado para validar um modelo YOLO26 após o treinamento. Nesse modo, o modelo é avaliado em um conjunto de validação para medir sua precisão e capacidade de generalização. A validação ajuda a identificar possíveis problemas, como sobreajuste, e fornece métricas como Precisão média (mAP) para quantificar o desempenho do modelo. Os resultados da validação orientam o ajuste de hiperparâmetros e outras melhorias no modelo.

Exemplos de validação

Prever#

O modo Predict é usado para fazer previsões com um modelo YOLO26 treinado em novas imagens ou vídeos. Nesse modo, o modelo é carregado de um arquivo de checkpoint, e o usuário pode fornecer imagens ou vídeos para realizar a inferência. O modelo identifica e localiza objetos na mídia de entrada. O modo Predict permite aplicar o modelo treinado a problemas práticos.

Exemplos de previsão

Exportar#

O modo Exportar é usado para converter um modelo YOLO26 em formatos adequados à implementação em diferentes plataformas e dispositivos. Este modo transforma o teu modelo PyTorch em formatos otimizados, como ONNX, TensorRT ou CoreML, permitindo a implementação em ambientes de produção. A exportação é essencial para integrar o teu modelo em várias aplicações de software ou dispositivos de hardware e, muitas vezes, resulta em melhorias significativas de desempenho.

Exemplos de exportação

Rastreamento#

O modo Track amplia os recursos de detecção de objetos do YOLO26 para rastrear objetos em quadros de vídeo ou transmissões ao vivo. Esse modo é particularmente útil para aplicações que exigem identificação persistente de objetos, como sistemas de vigilância ou carros autônomos. Ele inclui seis rastreadores: TrackTrack (padrão), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT e FastTracker.

Exemplos de rastreamento

Benchmark#

O modo de benchmark avalia a velocidade e a precisão de vários formatos de exportação para YOLO26. Este modo fornece métricas abrangentes sobre o tamanho do modelo, a precisão (mAP50-95 para deteção, segmentação, pose e OBB; mIoU para segmentação semântica; δ1 para profundidade; ou accuracy_top1 para classificação) e o tempo de inferência em diferentes formatos, como ONNX, OpenVINO e TensorRT. A execução de benchmarks ajuda-te a escolher o formato de exportação ideal com base nos teus requisitos específicos de velocidade e precisão no ambiente de implementação.

Exemplos de benchmark

Perguntas frequentes#

  • Para treinar um modelo personalizado de detecção de objetos com o Ultralytics YOLO26, use o modo de treinamento. Você precisa de um conjunto de dados no formato YOLO, contendo imagens e os arquivos de anotação correspondentes. Use o comando a seguir para iniciar o processo de treinamento:

    Exemplo
    from ultralytics import YOLO
    
    # Carregue um modelo YOLO pré-treinado (você pode escolher as versões n, s, m, l ou x)
    model = YOLO("yolo26n.pt")
    
    # Inicie o treinamento no seu conjunto de dados personalizado
    model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

    Para obter instruções mais detalhadas, consulte o Guia de treinamento do Ultralytics.

  • O Ultralytics YOLO26 usa várias métricas durante o processo de validação para avaliar o desempenho do modelo. Entre elas estão:

    • mAP (precisão média): avalia a precisão da detecção de objetos.
    • IoU (Interseção sobre União): mede a sobreposição entre as caixas delimitadoras previstas e as reais.
    • Precisão e Revocação: a precisão mede a proporção de detecções verdadeiras positivas em relação ao total de detecções positivas, enquanto a revocação mede a proporção de detecções verdadeiras positivas em relação ao total de positivos reais.

    Você pode executar o comando a seguir para iniciar a validação:

    Exemplo
    from ultralytics import YOLO
    
    # Carregue um modelo YOLO pré-treinado ou personalizado
    model = YOLO("yolo26n.pt")
    
    # Execute a validação no seu conjunto de dados
    model.val(data="path/to/validation.yaml")

    Consulte o Guia de validação para obter mais detalhes.

  • O Ultralytics YOLO26 oferece funcionalidade de exportação para converter seu modelo treinado em vários formatos de implantação, como ONNX, TensorRT, CoreML e outros. Use o exemplo a seguir para exportar seu modelo:

    Exemplo
    from ultralytics import YOLO
    
    # Carregue seu modelo YOLO treinado
    model = YOLO("yolo26n.pt")
    
    # Exporte o modelo para o formato ONNX (você pode especificar outros formatos conforme necessário)
    model.export(format="onnx")

    As etapas detalhadas para cada formato de exportação estão no Guia de exportação.

  • O modo de benchmark do Ultralytics YOLO26 é usado para analisar a velocidade e a precisão de vários formatos de exportação, como ONNX, TensorRT e OpenVINO. Fornece métricas como o tamanho do modelo, mAP50-95 para deteção de objetos e o tempo de inferência em diferentes configurações de hardware, ajudando-te a escolher o formato mais adequado às tuas necessidades de implementação.

    Exemplo
    from ultralytics.utils.benchmarks import benchmark
    
    # Execute o benchmark na GPU (dispositivo 0)
    # Você pode ajustar parâmetros como modelo, conjunto de dados, tamanho da imagem e precisão conforme necessário
    benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

    Para saber mais, consulte o Guia de benchmark.

  • É possível realizar o rastreamento de objetos em tempo real usando o modo de rastreamento do Ultralytics YOLO26. Esse modo amplia os recursos de detecção de objetos para rastreá-los entre quadros de vídeo ou em transmissões ao vivo. Use o exemplo a seguir para ativar o rastreamento:

    Exemplo
    from ultralytics import YOLO
    
    # Carregar um modelo YOLO pré-treinado
    model = YOLO("yolo26n.pt")
    
    # Comece a rastrear objetos em um vídeo
    # Você também pode usar transmissões de vídeo ao vivo ou a entrada de uma webcam
    model.track(source="path/to/video.mp4")

    Para instruções detalhadas, acesse o Guia de rastreamento.

Comentários7

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

  1. Monkey1GItGitHub

    The Chinese web page translation is very bad, for example, "train" should be "训练", but translated into "火车"

    And can not switch to English page, click the EN button, will still switch to Chinese page

    2
    1. Glenn JocherUltralytics

      Hey there! 😊 Thanks for bringing this to our attention. We're sorry for the inconvenience caused by the translation errors and the issue with the language switch button. We're constantly working on improving our documentation and its accessibility, including accurate translations.

      For the translation issue, we'll look into it and aim to correct those errors, like "train" being incorrectly translated. Your feedback is invaluable in helping us enhance the user experience.

      Regarding the language switch issue, we're investigating this and will work on a fix. In the meantime, if you're still unable to switch to the English page, you might try clearing your browser's cache or using a different browser as a temporary workaround.

      If you have any more feedback or need further assistance, please don't hesitate to reach out. Thanks for your support and understanding! 🙏

    1. Glenn JocherUltralytics(editado)

      @myangel1972 8.3.6 is a release number of the ultralytics Python package, while YOLO11 is a model family. YOLO26 is now the latest and recommended model, offering improved performance across tasks like detection, segmentation, and tracking. For detailed differences, please refer to the release notes on the Ultralytics GitHub page.

    2. myangel1972GitHub

      thanks a lot for your quickly reply!but I still have a question,on the right top of this page,there is a tag with 8.3.7(yesterday it was 8.3.6), so i am confused that what is the relatonship between 8.3.7 and yolo 11?

    3. Glenn JocherUltralytics(editado)

      @myangel1972 version numbers like 8.3.7 are releases of the ultralytics package (which supports YOLOv8, YOLO11 and later models), including improvements and bug fixes. YOLO11 is a separate model family released in that package line, so the two numbers are not comparable.

      1