Modos do Ultralytics YOLO26#
Introdução#
Ultralytics YOLO26 não é apenas mais um modelo de deteção de objetos; é uma estrutura versátil concebida para abranger todo o ciclo de vida dos modelos de aprendizagem automática — desde a ingestão de dados e o treino do modelo até à validação, implementação e acompanhamento no mundo real. Cada modo tem uma finalidade específica e foi concebido para te oferecer a flexibilidade e a eficiência necessárias para diferentes tarefas e casos de utilização.
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#
Compreender os diferentes modos suportados pelo Ultralytics YOLO26 é essencial para tirares o máximo partido dos teus modelos:
- Modo Treinar: Ajusta o teu modelo com conjuntos de dados personalizados ou pré-carregados.
- Modo Validar: Verifica o desempenho do modelo com um checkpoint após o treino.
- Modo Prever: Aproveita a capacidade preditiva do teu modelo com dados do mundo real.
- Modo Exportar: Prepara o teu modelo para implementação em vários formatos.
- Modo Acompanhar: Amplia o teu modelo de deteção de objetos para aplicações de acompanhamento em tempo real.
- Modo Benchmark: Analisa a velocidade e a precisão do teu modelo em diversos ambientes de implementação.
Este guia abrangente pretende dar-te uma visão geral e informações práticas sobre cada modo, ajudando-te a aproveitar todo o potencial de YOLO26.
Treinar#
O modo Treinar é usado para treinar um modelo YOLO26 com um conjunto de dados personalizado. Neste modo, o modelo é treinado com o conjunto de dados e os hiperparâmetros especificados. O processo de treino otimiza os parâmetros do modelo para que este consiga prever com precisão as classes e as localizações dos objetos numa imagem. O treino é essencial para criar modelos capazes de reconhecer objetos específicos relevantes para a tua aplicação.
Validar#
O modo Validar é usado para validar um modelo YOLO26 após o treino. Neste modo, o modelo é avaliado num conjunto de validação para medir a precisão e o desempenho de generalização. A validação ajuda a identificar possíveis problemas, como o sobreajuste, e fornece métricas como a precisão média média (mAP) para quantificar o desempenho do modelo. Este modo é essencial para ajustar os hiperparâmetros e melhorar a eficácia geral do modelo.
Prever#
O modo Prever é usado para fazer previsões com um modelo YOLO26 treinado em novas imagens ou vídeos. Neste modo, o modelo é carregado a partir de um ficheiro de checkpoint, e o utilizador pode fornecer imagens ou vídeos para executar a inferência. O modelo identifica e localiza objetos nos conteúdos de entrada, tornando-se pronto para aplicações no mundo real. O modo Prever é a porta de entrada para aplicar o teu modelo treinado na resolução de problemas práticos.
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.
Rastrear#
O modo de rastreamento amplia os recursos de detecção de objetos do YOLO26 para rastrear objetos entre quadros de vídeo ou em transmissões ao vivo. Esse modo é especialmente útil em aplicações que exigem a 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.
Benchmark#
O modo de benchmark avalia a velocidade e a precisão de vários formatos de exportação do YOLO26. Esse modo fornece métricas abrangentes sobre o tamanho do modelo, a precisão (mAP50-95 para detecção, segmentação, pose e OBB; mIoU para segmentação semântica; delta1 para profundidade; ou accuracy_top1 para classificação) e o tempo de inferência em diferentes formatos, como ONNX, OpenVINO e TensorRT. O benchmark ajuda você a selecionar o formato de exportação ideal com base nos seus requisitos específicos de velocidade e precisão no ambiente de implantação.
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:
Exemplofrom 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:
Exemplofrom 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:
Exemplofrom 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 no Ultralytics YOLO26 é usado para analisar a velocidade e a precisão de vários formatos de exportação, como ONNX, TensorRT e OpenVINO. Ele fornece métricas como o tamanho do modelo,
mAP50-95para detecção de objetos e o tempo de inferência em diferentes configurações de hardware, ajudando você a escolher o formato mais adequado às suas necessidades de implantação.Exemplofrom 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:
Exemplofrom 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.