Ultralytics YOLO27:

Tarefas de Visão Computacional Suportadas pelo Ultralytics YOLO26#

Ultralytics YOLO supported computer vision tasks

O Ultralytics YOLO26 é um framework de IA versátil que suporta múltiplas computer vision tasks. O framework pode ser usado para realizar detection, segmentation, semantic segmentation, depth estimation, classification, estimação de pose e OBB. Cada uma dessas tarefas possui um objetivo e caso de uso diferentes, permitindo que tu resolvas vários desafios de visão computacional com um único framework.

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: Explore Ultralytics YOLO26 Tasks: Object Detection, Segmentation, Depth Estimation, Classification, Pose Estimation, and OBB.

Deteção#

A deteção é a principal tarefa suportada pelo YOLO26. Envolve identificar objetos numa imagem ou fotograma de vídeo e desenhar caixas delimitadoras à volta deles. Os objetos detetados são classificados em diferentes categorias com base nas suas características. O YOLO26 consegue detetar múltiplos objetos numa única imagem ou fotograma de vídeo com alta accuracy e velocidade, tornando-o ideal para aplicações em tempo real como surveillance systems e autonomous vehicles.

Exemplos de Deteção

Segmentação de instâncias#

A segmentação leva a deteção de objetos mais longe, produzindo máscaras ao nível do píxel para cada objeto. Esta precisão é útil para aplicações como medical imaging, agricultural analysis e manufacturing quality control.

Exemplos de Segmentação

Segmentação semântica#

A segmentação semântica atribui um rótulo de classe a cada píxel numa imagem, produzindo um mapa de classes denso de toda a cena. Ao contrário da segmentação de instâncias, não distingue entre objetos individuais da mesma classe. Isto torna-a ideal para autonomous driving, scene parsing e mapeamento de cobertura do solo onde compreender a disposição espacial completa importa mais do que identificar objetos individuais.

Exemplos de Segmentação Semântica

Estimativa de profundidade#

A estimativa de profundidade monocular prediz um mapa de profundidade por píxel em metros a partir de uma única imagem RGB. A saída é um mapa de vírgula flutuante denso alinhado à imagem de entrada, tornando-o adequado para reconstrução de cenas 3D, navegação de robôs e aplicações de RA/RV onde a disposição espacial deve ser inferida a partir de uma única câmara.

Exemplos de Estimativa de Profundidade

Classificação#

A classificação envolve categorizar imagens inteiras com base no seu conteúdo. Esta tarefa é essencial para aplicações como product categorization no comércio eletrónico, content moderation e wildlife monitoring.

Exemplos de Classificação

Estimativa de pose#

A estimativa de pose deteta pontos-chave específicos em imagens ou fotogramas de vídeo para rastrear movimentos ou estimar poses. Estes pontos-chave podem representar articulações humanas, características faciais ou outros pontos de interesse significativos. O YOLO26 destaca-se na deteção de pontos-chave com alta exatidão e velocidade, tornando-o valioso para fitness applications, sports analytics e human-computer interaction.

Exemplos de Pose

OBB#

A deteção de Caixa Delimitadora Orientada (OBB) melhora a deteção de objetos tradicional ao adicionar um ângulo de orientação para localizar melhor objetos rotados. Esta capacidade é particularmente valiosa para aerial imagery analysis, document processing e industrial applications onde os objetos aparecem em vários ângulos. O YOLO26 oferece alta exatidão e velocidade para detetar objetos rotados em diversos cenários.

Deteção Orientada

Conclusão#

O Ultralytics YOLO26 suporta múltiplas tarefas de visão computacional, incluindo deteção, segmentação de instâncias, segmentação semântica, estimativa de profundidade monocular, classificação, deteção de pontos-chave e deteção de objetos orientados. Cada tarefa aborda necessidades específicas no panorama da visão computacional, desde a identificação básica de objetos até à inferência de profundidade densa por píxel. Ao compreender as capacidades e aplicações de cada tarefa, podes selecionar a abordagem mais adequada para os teus desafios específicos de visão computacional e aproveitar as poderosas funcionalidades do YOLO26 para construir soluções eficazes.

E agora?#

Escolheste uma tarefa? Formata os teus dados para ela com o Datasets guide, depois train on your own images.

Perguntas frequentes#

  • O Ultralytics YOLO26 é um framework de IA versátil capaz de realizar várias tarefas de visão computacional com alta exatidão e velocidade. Estas tarefas incluem:

    • Object Detection: Identificar e localizar objetos em imagens ou fotogramas de vídeo desenhando caixas delimitadoras à volta deles.
    • Instance Segmentation: Produzindo uma máscara a nível de pixel para cada objeto detetado, útil para aplicações como imagiologia médica.
    • Semantic Segmentation: Atribuir um rótulo de classe a cada píxel numa imagem para a compreensão densa de cenas.
    • Depth Estimation: Prevendo um mapa de profundidade por pixel em metros a partir de uma única imagem RGB.
    • Classification: Categorizar imagens inteiras com base no seu conteúdo.
    • Pose Estimation: Detetando pontos-chave específicos numa imagem ou num fotograma de vídeo para monitorizar movimentos ou poses.
    • Oriented Object Detection (OBB): Detetar objetos rotados com um ângulo de orientação adicionado para maior exatidão.

  • Para usar o Ultralytics YOLO26 para deteção de objetos, segue estes passos:

    1. Prepara o teu conjunto de dados no formato adequado.
    2. Treina o modelo YOLO26 usando a tarefa de deteção.
    3. Usa o modelo para fazer previsões inserindo novas imagens ou fotogramas de vídeo.
    Exemplo
    from ultralytics import YOLO

# Load a pretrained YOLO model (adjust model type as needed)
model = YOLO("yolo26n.pt")  # n, s, m, l, x versions available

# Perform object detection on an image
results = model.predict(source="image.jpg")  # Can also use video, directory, URL, etc.

# Display the results
results[0].show()  # Show the first image results

    Para instruções mais detalhadas, consulta os nossos detection examples.

  • Usar o YOLO26 para tarefas de segmentação oferece várias vantagens:

    1. Alta Exatidão: A tarefa de segmentação fornece máscaras precisas ao nível do píxel.
    2. Velocidade: O YOLO26 está otimizado para aplicações em tempo real, oferecendo um processamento rápido mesmo para imagens de alta resolução.
    3. Múltiplas Aplicações: É ideal para imagem médica, condução autónoma e outras aplicações que requerem segmentação de imagem detalhada.

    Sabe mais sobre os benefícios e casos de uso do YOLO26 para segmentação na image segmentation section.

  • Sim, o Ultralytics YOLO26 pode realizar eficazmente a estimativa de pose e a deteção de pontos-chave com alta exatidão e velocidade. Esta funcionalidade é particularmente útil para rastrear movimentos em aplicações de análise desportiva, cuidados de saúde e interação humano-computador. O YOLO26 deteta pontos-chave numa imagem ou fotograma de vídeo, permitindo uma estimativa de pose precisa.

    Para mais detalhes e dicas de implementação, visita os nossos pose estimation examples.

  • A Deteção de Objetos Orientados (OBB) com o YOLO26 fornece precision aprimorada ao detetar objetos com um parâmetro de ângulo adicional. Esta funcionalidade é benéfica para aplicações que requerem localização precisa de objetos rotados, como análise de imagens aéreas e automação de armazéns.

    • Precisão Aumentada: O componente de ângulo reduz falsos positivos para objetos rotados.
    • Aplicações Versáteis: Útil para tarefas em análise geoespacial, robótica, etc.

    Consulta a Oriented Object Detection section para mais detalhes e exemplos.

Contribuidores
GLglenn-jocher21RIRizwanMunawar3RAraimbekovm3BOBovey08091MImiles-deans-ultralytics1LALaughing-q1PDpderrenger1LEleonnil1LELexBarou1MAMatthewNoyce1

Comentários