Ultralytics YOLO27:

Instalar o Ultralytics#

Instala o pacote ultralytics com pip, conda, Docker ou a partir do código-fonte, depois executa a tua primeira predição com um modelo YOLO26 pré-treinado. Cada método instala todas as dependências necessárias listadas em pyproject.toml.

Instalação

Instala ou atualiza o pacote ultralytics num ambiente Python>=3.8 com PyTorch>=1.8:

pip install -U ultralytics

Para a versão de desenvolvimento mais recente, instala diretamente a partir do Ultralytics GitHub repository:

pip install git+https://github.com/ultralytics/ultralytics.git@main
Dica

Os requisitos do PyTorch variam consoante o sistema operativo e a versão do CUDA. Para utilizar uma versão específica, instala primeiro o PyTorch seguindo as PyTorch installation instructions e, em seguida, instala ultralytics.

Utilizar o Ultralytics com a CLI#

Executa a tua primeira predição a partir do terminal com o comando yolo:

yolo predict model=yolo26n.pt

Os pesos pré-treinados de yolo26n.pt são descarregados automaticamente, o modelo é executado em duas imagens de exemplo incluídas e o comando imprime o local onde guardou os resultados anotados, runs/detect/predict numa primeira execução. Aponta source para a tua própria imagem, vídeo, diretório, URL, stream ou para uma câmara web com source=0:

yolo predict model=yolo26n.pt source=0 show=True

predict é o mode, o que fazer com o modelo: train, val, predict, export, track ou benchmark. A task (detect, segment, semantic, depth, classify, pose ou obb) é lida a partir do ficheiro do modelo, pelo que a sintaxe de yolo TASK MODE ARGS normalmente apenas necessita do modo mais pares arg=value tais como imgsz=640. Consulta o CLI Guide para cada modo e a página Configuration para todos os argumentos.

Utilizar o Ultralytics com Python#

A mesma predição em Python:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # predict and save the annotated image

results é uma lista de objetos Results, um por imagem, contendo caixas, máscaras, pontos-chave ou probabilidades de classe, dependendo da tarefa. O Python Guide aborda o treino, a validação, a exportação e o rastreio com a mesma classe YOLO.



Watch: Ultralytics YOLO Quick Start Guide

Definições do Ultralytics#

As definições persistentes, tais como as diretorias de conjuntos de dados, pesos e execuções, a chave de API da Ultralytics Platform e os botões de ativação do registador de experiências, encontram-se num ficheiro JSON gerido com yolo settings. Consulta a página Settings para as ver, alterar ou repor.

E agora?#

Explora os modes em que o YOLO executa e os tamanhos dos modelos YOLO26, e depois train on your own data após formatá-lo com o Datasets guide.

Para uma visão do futuro, explora o YOLO27 (Coming Soon). Os modelos do YOLO27 (Coming Soon) ainda não estão disponíveis; os exemplos acima utilizam a família YOLO26 lançada.

Perguntas frequentes#

  • Instale o Ultralytics com o pip usando:

    pip install -U ultralytics

    Isto instala a versão estável mais recente do pacote ultralytics a partir do PyPI. Para instalar a versão de desenvolvimento diretamente do GitHub:

    pip install git+https://github.com/ultralytics/ultralytics.git

    Certifique-se de que a ferramenta de linha de comando do Git está instalada no teu sistema.

  • Sim, instale o Ultralytics YOLO usando o conda com:

    conda install -c conda-forge ultralytics

    Este método é uma excelente alternativa ao pip, garantindo a compatibilidade com outros pacotes. Para ambientes CUDA, instala ultralytics juntamente com o metapacote pytorch-gpu para que o conda selecione uma compilação do PyTorch com suporte para CUDA:

    conda install -c conda-forge ultralytics pytorch-gpu

    Para mais instruções, consulte o Conda quickstart guide.

  • O Docker fornece um ambiente isolado e consistente para o Ultralytics YOLO, garantindo um desempenho fluido em todos os sistemas e evitando complexidades de instalação local. As imagens oficiais do Docker estão disponíveis no Docker Hub, com variantes para GPU, CPU, ARM64, NVIDIA Jetson e Conda. Para baixar e executar a imagem mais recente:

    # Pull the latest ultralytics image from Docker Hub
sudo docker pull ultralytics/ultralytics:latest

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest

    No Linux, os pedidos de dispositivos CDI requerem o Docker >= 28.2.0 e o NVIDIA Container Toolkit >= 1.18. Para instruções detalhadas sobre o Docker, consulta o guia de início rápido do Docker.

  • Clone o repositório do Ultralytics e configure um ambiente de desenvolvimento com:

    # Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

    Isto permite contribuições para o projeto ou experimentação com o código-fonte mais recente. Para forks e para fixar uma branch personalizada, consulta Development Installation.

  • O CLI do Ultralytics YOLO simplifica a execução de tarefas de deteção de objetos sem código Python, permitindo comandos de uma única linha para treino, validação e predição diretamente a partir do teu terminal. A sintaxe básica é:

    yolo TASK MODE ARGS

    Por exemplo, para treinar um modelo de deteção:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    Explore mais comandos e exemplos de uso no CLI Guide completo.

Contribuidores
GLglenn-jocher39RIRizwanMunawar6RAraimbekovm4LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

Comentários