Link to this sectionModos do Ultralytics YOLO26#

Link to this sectionIntrodução#

O Ultralytics YOLO26 não é apenas mais um modelo de detecção de objetos; é uma estrutura versátil projetada para cobrir todo o ciclo de vida de modelos de machine learning — desde a ingestão de dados e treinamento de modelos até a validação, implantação e rastreamento no mundo real. Cada modo serve a um propósito específico e foi projetado para oferecer a flexibilidade e a eficiência necessárias para diferentes tarefas e casos de uso.

Link to this sectionVisão geral dos modos#

Entender os diferentes modos suportados pelo Ultralytics YOLO26 é fundamental para aproveitar ao máximo seus modelos:

• Train (Treinar): ajuste seu modelo em conjuntos de dados personalizados ou pré-carregados.
• Val (Validar): um checkpoint pós-treinamento para validar o desempenho do modelo.
• Predict (Prever): libere o poder preditivo do seu modelo em dados do mundo real.
• Export (Exportar): torne seu model deployment pronto em vários formatos.
• Track (Rastrear): estenda seu modelo de detecção de objetos para aplicações de rastreamento em tempo real.
• Benchmark (Avaliar): analise a velocidade e a precisão do seu modelo em diversos ambientes de implantação.

Este guia abrangente visa fornecer a você uma visão geral e percepções práticas de cada modo, ajudando-o a aproveitar todo o potencial do YOLO26.

Link to this sectionTrain#

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 a otimização dos 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 que possam reconhecer objetos específicos relevantes para sua aplicação.

Exemplos de Train

Link to this sectionVal#

O modo Val é usado para validar um modelo YOLO26 após ele ter sido treinado. Nesse modo, o modelo é avaliado em um conjunto de validação para medir sua precisão e desempenho de generalização. A validação ajuda a identificar problemas potenciais como overfitting e fornece métricas como mean Average Precision (mAP) para quantificar o desempenho do modelo. Esse modo é crucial para ajustar hiperparâmetros e melhorar a eficácia geral do modelo.

Exemplos de Val

Link to this sectionPredict#

O modo Predict é usado para fazer previsões usando um modelo YOLO26 treinado em novas imagens ou vídeos. Nesse modo, o modelo é carregado a partir de um arquivo de checkpoint, e você pode fornecer imagens ou vídeos para realizar a inferência. O modelo identifica e localiza objetos na mídia de entrada, tornando-os prontos para aplicações no mundo real. O modo Predict é a porta de entrada para aplicar seu modelo treinado para resolver problemas práticos.

Exemplos de Predict

Link to this sectionExport#

O modo Export é usado para converter um modelo YOLO26 para formatos adequados para implantação em diferentes plataformas e dispositivos. Esse modo transforma seu modelo PyTorch em formatos otimizados como ONNX, TensorRT ou CoreML, permitindo a implantação em ambientes de produção. A exportação é essencial para integrar seu modelo a vários softwares ou dispositivos de hardware, resultando frequentemente em melhorias significativas de desempenho.

Exemplos de Export

Link to this sectionTrack#

O modo Track expande as capacidades de detecção de objetos do YOLO26 para rastrear objetos em frames de vídeo ou transmissões ao vivo. Este modo é particularmente valioso para aplicações que exigem identificação persistente de objetos, como sistemas de vigilância ou carros autônomos. O modo Track implementa rastreadores sofisticados como BoT-SORT (padrão) e ByteTrack para manter a identidade do objeto ao longo dos frames, mesmo quando os objetos desaparecem temporariamente da visão.

Exemplos de Track

Link to this sectionBenchmark#

O modo Benchmark analisa a velocidade e a precisão de vários formatos de exportação para o YOLO26. Esse modo fornece métricas abrangentes sobre o tamanho do modelo, precisão (mAP50-95 para tarefas de detecção ou accuracy_top1 para classificação) e tempo de inferência em diferentes formatos como ONNX, OpenVINO e TensorRT. O benchmarking ajuda você a selecionar o formato de exportação ideal com base em seus requisitos específicos de velocidade e precisão no seu ambiente de implantação.

Exemplos de Benchmark

Link to this sectionFAQ#

Link to this sectionComo posso treinar um modelo de object detection personalizado com o Ultralytics YOLO26?#

Treinar um modelo de detecção de objetos personalizado com o Ultralytics YOLO26 envolve usar o modo train. Você precisa de um conjunto de dados formatado no YOLO format, contendo imagens e arquivos de anotação correspondentes. Use o seguinte comando para iniciar o processo de treinamento:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Para obter instruções mais detalhadas, você pode consultar o Ultralytics Train Guide.

Link to this sectionQuais métricas o Ultralytics YOLO26 usa para validar o desempenho do modelo?#

O Ultralytics YOLO26 usa várias métricas durante o processo de validação para avaliar o desempenho do modelo. Elas incluem:

• mAP (mean Average Precision): avalia a precisão da detecção de objetos.
• IOU (Intersection over Union): mede a sobreposição entre as caixas delimitadoras previstas e as reais (ground truth).
• Precision e Recall: a precisão mede a proporção de detecções positivas verdadeiras em relação ao total de positivos detectados, enquanto o recall mede a proporção de detecções positivas verdadeiras em relação ao total de positivos reais.

Você pode executar o seguinte comando para iniciar a validação:

from ultralytics import YOLO

# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

Consulte o Validation Guide para obter mais detalhes.

Link to this sectionComo posso exportar meu modelo YOLO26 para implantação?#

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:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

Etapas detalhadas para cada formato de exportação podem ser encontradas no Export Guide.

Link to this sectionQual é o objetivo do modo benchmark no Ultralytics YOLO26?#

O modo Benchmark no Ultralytics YOLO26 é usado para analisar a velocidade e a accuracy de vários formatos de exportação, como ONNX, TensorRT e OpenVINO. Ele fornece métricas como tamanho do modelo, mAP50-95 para detecção de objetos e tempo de inferência em diferentes configurações de hardware, ajudando você a escolher o formato mais adequado para suas necessidades de implantação.

from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Para mais detalhes, consulte o Benchmark Guide.

Link to this sectionComo posso realizar rastreamento de objetos em tempo real usando o Ultralytics YOLO26?#

O rastreamento de objetos em tempo real pode ser alcançado usando o modo track no Ultralytics YOLO26. Esse modo estende os recursos de detecção de objetos para rastrear objetos em quadros de vídeo ou transmissões ao vivo. Use o exemplo a seguir para habilitar o rastreamento:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Para instruções detalhadas, visite o Track Guide.