Modos do Ultralytics YOLO26#
Introdução#
O Ultralytics YOLO26 não é apenas mais um modelo de detecção de objetos; é uma estrutura versátil concebida para cobrir todo o ciclo de vida de modelos de machine learning—desde a ingestão de dados e treinamento de modelos até à validação, implantação e rastreamento no mundo real. Cada modo serve um propósito específico e foi projetado para oferecer a flexibilidade e a eficiência necessárias para diferentes tarefas e casos de uso.
Para o suporte planeado ao YOLO27, consulta a pré-visualização do YOLO27. O YOLO27 chega brevemente e ainda não está disponível; este guia usa modelos YOLO26 lançados.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Modos em Resumo#
Compreender os diferentes modos que o Ultralytics YOLO26 suporta é fundamental para aproveitar ao máximo os teus modelos:
- Train mode: Ajusta o teu modelo em conjuntos de dados personalizados ou pré-carregados.
- Val mode: Um ponto de verificação pós-treinamento para validar o desempenho do modelo.
- Predict mode: Liberta o poder preditivo do teu modelo em dados do mundo real.
- Export mode: Prepara o teu model deployment em vários formatos.
- Track mode: Estende o teu modelo de detecção de objetos para aplicações de rastreamento em tempo real.
- Benchmark mode: Analisa a velocidade e a precisão do teu modelo em diversos ambientes de implantação.
Este guia abrangente visa dar-te uma visão geral e percepções práticas sobre cada modo, ajudando-te a aproveitar todo o potencial do YOLO26.
Treinar#
O Train mode é utilizado para treinar um modelo YOLO26 num conjunto de dados personalizado. Neste modo, o modelo é treinado utilizando o conjunto de dados especificado e os hiperparâmetros definidos. O processo de treinamento envolve a otimização dos parâmetros do modelo para que este possa prever com precisão as classes e as localizações de objetos numa imagem. O treinamento é essencial para criar modelos capazes de reconhecer objetos específicos relevantes para a tua aplicação.
Val#
O Val mode é utilizado para validar um modelo YOLO26 após este ter sido treinado. Neste modo, o modelo é avaliado num conjunto de validação para medir a sua precisão e o seu desempenho de generalização. A validação ajuda a identificar potenciais problemas 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.
Prever#
O Predict mode é utilizado 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 ponto de verificação, e o utilizador pode fornecer imagens ou vídeos para realizar a inferência. O modelo identifica e localiza objetos na multimédia de entrada, tornando-a pronta para aplicações no mundo real. O Predict mode é a porta de entrada para aplicar o teu modelo treinado na resolução de problemas práticos.
Exportar#
O Export mode é utilizado para converter um modelo YOLO26 em formatos adequados para implantação em diferentes plataformas e dispositivos. Este modo transforma o teu modelo PyTorch em formatos otimizados como ONNX, TensorRT ou CoreML, permitindo a implantação em ambientes de produção. A exportação é essencial para integrar o teu modelo com várias aplicações de software ou dispositivos de hardware, resultando frequentemente em melhorias significativas de desempenho.
Track#
O Track mode estende as capacidades de detecção de objetos do YOLO26 para rastrear objetos em fotogramas de vídeo ou transmissões em direto. Este modo é particularmente valioso para aplicações que exigem identificação persistente de objetos, tais como surveillance systems ou self-driving cars. Inclui seis rastreadores: TrackTrack (predefinição), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT e FastTracker.
Benchmark#
O Benchmark mode avalia a velocidade e a precisão de vários formatos de exportação para o YOLO26. Este modo fornece métricas abrangentes sobre o tamanho do modelo, a precisão (mAP50-95 para tarefas de detecção ou accuracy_top1 para classificação) e o tempo de inferência em diferentes formatos como ONNX, OpenVINO e TensorRT. A avaliação comparativa ajuda-te a selecionar o formato de exportação ideal com base nos teus requisitos específicos de velocidade e precisão no teu ambiente de implantação.
Perguntas frequentes#
O treinamento de um modelo de detecção de objetos personalizado com o Ultralytics YOLO26 envolve a utilização do train mode. Precisas de um conjunto de dados formatado no YOLO format, contendo imagens e ficheiros de anotação correspondentes. Usa o seguinte comando para iniciar o processo de treinamento:
Exemplofrom 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, podes consultar o Ultralytics Train Guide.
O Ultralytics YOLO26 utiliza várias métricas durante o processo de validação para avaliar o desempenho do modelo. Estas incluem:
- mAP (mean Average Precision): Isto avalia a precisão da detecção de objetos.
- IOU (Intersection over Union): Mede a sobreposição entre as caixas delimitadoras previstas e a verdade de base.
- Precision e Recall: A precisão mede o rácio de detecções positivas verdadeiras em relação ao total de positivos detectados, enquanto a revocação mede o rácio de detecções positivas verdadeiras em relação ao total de positivos reais.
Podes executar o seguinte comando para iniciar a validação:
Exemplofrom 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")Consulta o Validation Guide para mais detalhes.
O Ultralytics YOLO26 oferece funcionalidade de exportação para converter o teu modelo treinado em vários formatos de implantação, tais como ONNX, TensorRT, CoreML e mais. Usa o seguinte exemplo para exportar o teu modelo:
Exemplofrom 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.
O Benchmark mode no Ultralytics YOLO26 é utilizado para analisar a velocidade e a accuracy de vários formatos de exportação, tais como ONNX, TensorRT e OpenVINO. Fornece métricas como o tamanho do modelo,
mAP50-95para detecção de objetos e o tempo de inferência em diferentes configurações de hardware, ajudando-te a escolher o formato mais adequado para as tuas necessidades de implantação.Exemplofrom 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, device=0)Para mais detalhes, consulta o Benchmark Guide.
O rastreamento de objetos em tempo real pode ser alcançado utilizando o track mode no Ultralytics YOLO26. Este modo estende as capacidades de detecção de objetos para rastrear objetos em fotogramas de vídeo ou transmissões em direto. Usa o seguinte exemplo para ativar o rastreamento:
Exemplofrom 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 aprofundadas, visita o Track Guide.