Salta para o conte√ļdo

Ultralytics YOLOv8 Modos

Ultralytics YOLO ecossistema e integra√ß√Ķes

Introdução

Ultralytics YOLOv8 não é apenas mais um modelo de deteção de objectos; é uma estrutura versátil concebida para abranger todo o ciclo de vida dos modelos de aprendizagem automática - desde a ingestão de dados e a formação de modelos até à validação, implementação e acompanhamento no mundo real. Cada modo serve um objetivo específico e foi concebido para te oferecer a flexibilidade e a eficiência necessárias para diferentes tarefas e casos de utilização.



Observa: Ultralytics Tutorial de modos: Treina, valida, prevê, exporta e faz benchmark.

Modos num relance

Compreender os diferentes modos suportados pelo Ultralytics YOLOv8 é fundamental para tirar o máximo partido dos teus modelos:

  • Modo de treino: Afina o teu modelo em conjuntos de dados personalizados ou pr√©-carregados.
  • Modo Val: Um ponto de controlo p√≥s-forma√ß√£o para validar o desempenho do modelo.
  • Modo de previs√£o: Liberta o poder de previs√£o do teu modelo em dados do mundo real.
  • Modo de exporta√ß√£o: Torna o teu modelo pronto a ser implementado em v√°rios formatos.
  • Modo de rastreamento: Amplia o teu modelo de dete√ß√£o de objectos para aplica√ß√Ķes de seguimento em tempo real.
  • Modo de refer√™ncia: Analisa a velocidade e a precis√£o do teu modelo em diversos ambientes de implementa√ß√£o.

Este guia completo pretende dar-te uma vis√£o geral e pr√°tica de cada modo, ajudando-te a aproveitar todo o potencial de YOLOv8.

Comboio

O modo Train √© utilizado para treinar um modelo YOLOv8 num conjunto de dados personalizado. Neste modo, o modelo √© treinado utilizando o conjunto de dados e os hiperpar√Ęmetros especificados. O processo de treino envolve a otimiza√ß√£o dos par√Ęmetros do modelo para que este possa prever com precis√£o as classes e localiza√ß√Ķes dos objectos numa imagem.

Exemplos de comboios

Val

O modo Val √© utilizado para validar um modelo YOLOv8 depois de este ter sido treinado. Neste modo, o modelo √© avaliado num conjunto de valida√ß√£o para medir a sua precis√£o e desempenho de generaliza√ß√£o. Este modo pode ser utilizado para ajustar os hiperpar√Ęmetros do modelo para melhorar o seu desempenho.

Exemplos Val

Prevê

O modo Prever √© utilizado para efetuar previs√Ķes utilizando um modelo YOLOv8 treinado em novas imagens ou v√≠deos. Neste modo, o modelo √© carregado a partir de um ficheiro de ponto de controlo e o utilizador pode fornecer imagens ou v√≠deos para realizar a infer√™ncia. O modelo prev√™ as classes e localiza√ß√Ķes dos objectos nas imagens ou v√≠deos de entrada.

Prever exemplos

Exportação

O modo de exporta√ß√£o √© utilizado para exportar um modelo YOLOv8 para um formato que possa ser utilizado para a implanta√ß√£o. Neste modo, o modelo √© convertido para um formato que pode ser utilizado por outras aplica√ß√Ķes de software ou dispositivos de hardware. Este modo √© √ļtil quando implementa o modelo em ambientes de produ√ß√£o.

Exemplos de exportação

Acompanha

O modo de rastreamento √© usado para rastrear objetos em tempo real usando um modelo YOLOv8 . Neste modo, o modelo √© carregado a partir de um ficheiro de ponto de controlo e o utilizador pode fornecer um fluxo de v√≠deo em direto para efetuar o seguimento de objectos em tempo real. Este modo √© √ļtil para aplica√ß√Ķes como sistemas de vigil√Ęncia ou carros aut√≥nomos.

Exemplos de faixas

Referência

O modo de refer√™ncia √© utilizado para determinar a velocidade e a precis√£o de v√°rios formatos de exporta√ß√£o para YOLOv8. Os par√Ęmetros de refer√™ncia fornecem informa√ß√Ķes sobre o tamanho do formato exportado, a sua mAP50-95 m√©tricas (para dete√ß√£o de objectos, segmenta√ß√£o e pose) ou accuracy_top5 (para classifica√ß√£o), e o tempo de infer√™ncia em milissegundos por imagem em v√°rios formatos de exporta√ß√£o como ONNX, OpenVINO, TensorRT e outros. Esta informa√ß√£o pode ajudar os utilizadores a escolher o melhor formato de exporta√ß√£o para o seu caso de utiliza√ß√£o espec√≠fico, com base nos seus requisitos de velocidade e precis√£o.

Exemplos de referência

FAQ

Como posso treinar um modelo de deteção de objectos personalizado com Ultralytics YOLOv8 ?

Treinar um modelo de deteção de objectos personalizado com Ultralytics YOLOv8 implica utilizar o modo de treino. Precisas de um conjunto de dados formatado em YOLO , contendo imagens e ficheiros de anotação correspondentes. Utiliza o seguinte comando para iniciar o processo de treino:

Exemplo

from ultralytics import YOLO

# Train a custom model
model = YOLO("yolov8n.pt")
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

Para obteres instru√ß√Ķes mais detalhadas, podes consultar o Ultralytics Train Guide.

Que métricas utiliza Ultralytics YOLOv8 para validar o desempenho do modelo?

Ultralytics YOLOv8 utiliza várias métricas durante o processo de validação para avaliar o desempenho do modelo. Estas incluem:

  • mAP (precis√£o m√©dia m√©dia): Avalia a precis√£o da dete√ß√£o de objectos.
  • IOU (Intersec√ß√£o sobre Uni√£o): Mede a sobreposi√ß√£o entre as caixas delimitadoras previstas e as da verdade terrestre.
  • Precis√£o e Recupera√ß√£o: A precis√£o mede a rela√ß√£o entre as detec√ß√Ķes positivas verdadeiras e o total de positivos detectados, enquanto a recupera√ß√£o mede a rela√ß√£o entre as detec√ß√Ķes positivas verdadeiras e o total de positivos reais.

Podes executar o seguinte comando para iniciar a validação:

Exemplo

from ultralytics import YOLO

# Validate the model
model = YOLO("yolov8n.pt")
model.val(data="path/to/validation.yaml")
yolo val data=path/to/validation.yaml

Para mais informa√ß√Ķes, consulta o Guia de Valida√ß√£o.

Como é que posso exportar o meu modelo YOLOv8 para implementação?

Ultralytics YOLOv8 oferece a funcionalidade de exportação para converter o modelo treinado em vários formatos de implantação, como ONNX, TensorRT, CoreML, entre outros. Utiliza o seguinte exemplo para exportar o teu modelo:

Exemplo

from ultralytics import YOLO

# Export the model
model = YOLO("yolov8n.pt")
model.export(format="onnx")
yolo export model=yolov8n.pt format=onnx

Podes encontrar passos detalhados para cada formato de exportação no Guia de Exportação.

Qual é o objetivo do modo de referência em Ultralytics YOLOv8 ?

O modo de refer√™ncia em Ultralytics YOLOv8 √© utilizado para analisar a velocidade e a precis√£o de v√°rios formatos de exporta√ß√£o, como ONNX, TensorRT e OpenVINO. Fornece m√©tricas como o tamanho do modelo, mAP50-95 para dete√ß√£o de objectos e tempo de infer√™ncia em diferentes configura√ß√Ķes de hardware, ajudando-te a escolher o formato mais adequado √†s tuas necessidades de implementa√ß√£o.

Exemplo

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)
yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

Para mais detalhes, consulta o Guia de Referência.

Como posso efetuar o seguimento de objectos em tempo real utilizando Ultralytics YOLOv8 ?

O rastreio de objectos em tempo real pode ser conseguido utilizando o modo de rastreio em Ultralytics YOLOv8 . Esse modo amplia os recursos de dete√ß√£o de objetos para rastrear objetos em quadros de v√≠deo ou transmiss√Ķes ao vivo. Usa o seguinte exemplo para ativar o rastreamento:

Exemplo

from ultralytics import YOLO

# Track objects in a video
model = YOLO("yolov8n.pt")
model.track(source="path/to/video.mp4")
yolo track source=path/to/video.mp4

Para obteres instru√ß√Ķes detalhadas, visita o Track Guide.



Criado em 2023-11-12, Atualizado em 2024-07-04
Autores: glenn-jocher (6)

Coment√°rios