Modos do Ultralytics YOLO26

Introdução

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 do modelo até validação, implantação e rastreamento no mundo real. Cada modo serve a um propósito específico e foi projetado para lhe oferecer a flexibilidade e eficiência necessárias para diferentes tarefas e casos de uso.

Modos em Resumo

Compreender os diferentes modos que o Ultralytics YOLO26 suporta é fundamental para tirar o máximo proveito dos seus modelos:

• Modo Train: Ajuste fino do seu modelo em conjuntos de dados personalizados ou pré-carregados.
• Modo Val: Um ponto de verificação pós-treinamento para validar o desempenho do modelo.
• Modo Predict: Liberte o poder preditivo do seu modelo em dados do mundo real.
• Modo Export: Deixe seu model deployment pronto em vários formatos.
• Modo Track: Estenda seu modelo de detecção de objetos para aplicações de rastreamento em tempo real.
• Modo Benchmark: Analise a velocidade e a precisão do seu modelo em diversos ambientes de implantação.

Este guia abrangente visa lhe fornecer uma visão geral e insights práticos sobre cada modo, ajudando-o a aproveitar todo o potencial do YOLO26.

Train

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

Exemplos de Treinamento

Val

O modo Val é usado para validar um modelo YOLO26 após ele ter sido treinado. Neste 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. Este modo é crucial para ajustar hiperparâmetros e melhorar a eficácia geral do modelo.

Exemplos de Validação

Predict

O modo Predict é usado para fazer previsões usando um modelo YOLO26 treinado em novas imagens ou vídeos. Neste 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-o pronto para aplicações do mundo real. O modo Predict é a porta de entrada para aplicar seu modelo treinado na resolução de problemas práticos.

Exemplos de Predição

Export

O modo Export é usado para converter um modelo YOLO26 para formatos adequados para implantação em diferentes plataformas e dispositivos. Este 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 com várias aplicações de software ou dispositivos de hardware, resultando frequentemente em melhorias significativas de desempenho.

Exemplos de Exportação

Track

O modo Track estende as capacidades de detecção de objetos do YOLO26 para rastrear objetos em quadros 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 algoritmos sofisticados como ByteTrack para manter a identidade do objeto entre quadros, mesmo quando os objetos desaparecem temporariamente da visão.

Exemplos de Rastreamento

Benchmark

O modo Benchmark perfila a velocidade e a precisão de vários formatos de exportação para o YOLO26. Este modo fornece métricas abrangentes sobre o tamanho do modelo, precisão (mAP50-95 para tarefas de detecção ou accuracy_top5 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

FAQ

Como posso treinar um modelo personalizado de object detection com o Ultralytics YOLO26?

Treinar um modelo personalizado de detecção de objetos com o Ultralytics YOLO26 envolve o uso do modo train. Você precisa de um conjunto de dados formatado em 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 instruções mais detalhadas, você pode consultar o Ultralytics Train Guide.

Quais métricas o Ultralytics YOLO26 usa para validar o desempenho do modelo?

O Ultralytics YOLO26 utiliza 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 caixas delimitadoras previstas e reais.
• 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 mais detalhes.

Como 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 mais. 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")

Passos detalhados para cada formato de exportação podem ser encontrados no Export Guide.

Qual 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.

Como 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. Este modo estende as capacidades de detecção de objetos para rastrear objetos em quadros de vídeo ou feeds 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.