Deteção de objetos com Ultralytics YOLO#

A deteção de objetos é uma tarefa que consiste em identificar a localização e a classe dos objetos numa imagem ou num fluxo de vídeo.

O resultado de um detetor de objetos é um conjunto de caixas delimitadoras que envolvem os objetos na imagem, acompanhado por rótulos de classe e pontuações de confiança para cada caixa. A deteção de objetos é uma boa opção quando precisas de identificar objetos de interesse numa cena, mas não precisas de conhecer a sua forma exata.

Modelos#

Os modelos YOLO26 Detect pré-treinados com o conjunto de dados COCO são apresentados abaixo.

Os modelos são transferidos automaticamente da versão mais recente do Ultralytics na primeira utilização.

• Os valores de mAP^val são para um único modelo e uma única escala no conjunto de dados COCO val2017.
  Reproduz os resultados com yolo detect val data=coco.yaml device=0. Adiciona nms=False para reproduzir a coluna e2e.
• Velocidade média nas imagens de COCO val com ONNX em CPU e TensorRT10 numa GPU NVIDIA T4.
  Reproduz os resultados com yolo detect val data=coco.yaml batch=1 device=0|cpu nms=False
• Os valores de Params e FLOPs referem-se a modelos fundidos após a fusão de Conv/BatchNorm e a remoção do ramo de deteção não utilizado. Os pontos de controlo pré-treinados mantêm a arquitetura de treino completa e podem apresentar contagens superiores.

Consulta a pré-visualização não lançada do YOLO27 para ver resultados preliminares de deteção em COCO.

Treinar#

Treina YOLO26n no conjunto de dados COCO8 durante 100 épocas, com um tamanho de imagem de 640. Para ver a lista completa dos argumentos disponíveis, consulta a página de configuração.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.yaml")  # crie um novo modelo a partir de YAML
model = YOLO("yolo26n.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # crie a partir de YAML e transfira os pesos

# Treinar o modelo
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Consulta os detalhes completos do modo train na página Treino. Também podes treinar modelos de deteção com o treino na nuvem da Ultralytics Platform.

Formato do conjunto de dados#

Encontras informações detalhadas sobre o formato de conjuntos de dados de deteção YOLO no guia de conjuntos de dados. Para converter um conjunto de dados COCO JSON existente para o formato YOLO, usa a função integrada convert_coco descrita no guia de conversão de COCO para YOLO. Também podes anotar e gerir conjuntos de dados de deteção com as ferramentas de anotação assistidas por IA da Ultralytics Platform.

Validar#

Valida a precisão do modelo YOLO26n treinado. Não são necessários argumentos, porque model mantém os valores de data do treino e os argumentos como atributos do modelo: path/to/best.pt do exemplo de Treino valida o modelo em COCO8. Os pesos oficiais registam um caminho para o conjunto de dados de treino que não existe na tua máquina, por isso recorrem ao coco8.yaml predefinido para a tarefa e apresentam um aviso. Indica data para validar noutro conjunto de dados.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")  # carrega um modelo oficial
model = YOLO("path/to/best.pt")  # carregar um modelo personalizado

# Valida o modelo
metrics = model.val()  # não são necessários argumentos; o conjunto de dados e as definições são guardados
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # uma lista com mAP50-95 para cada categoria
metrics.box.image_metrics  # dicionário de métricas por imagem com precisão, revocação, F1, TP, FP e FN

Prever#

Usa um modelo YOLO26n treinado para executar previsões em imagens.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")  # carrega um modelo oficial
model = YOLO("path/to/best.pt")  # carregar um modelo personalizado

# Faz previsões com o modelo
results = model("https://ultralytics.com/images/bus.jpg")  # faz uma previsão numa imagem

# Acede aos resultados
for result in results:
    xywh = result.boxes.xywh  # centro-x, centro-y, largura, altura
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # canto superior esquerdo-x, canto superior esquerdo-y, canto inferior direito-x, canto inferior direito-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # nome da classe de cada caixa
    confs = result.boxes.conf  # pontuação de confiança de cada caixa

Consulta os detalhes completos do modo predict na página Previsão.

Saída dos resultados#

A deteção de objetos devolve um objeto Results por imagem. O campo principal de previsão é result.boxes, que contém as coordenadas das caixas, os IDs das classes e as pontuações de confiança de cada objeto detetado.

Para ver os campos Results específicos de cada tarefa, consulta a secção Resultados da previsão por tarefa.

Exportar#

Exporta um modelo YOLO26n para outro formato, como ONNX, CoreML, etc.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")  # carrega um modelo oficial
model = YOLO("path/to/best.pt")  # carregar um modelo personalizado

# Exporta o modelo
model.export(format="onnx")

Os formatos de exportação YOLO26 disponíveis são apresentados na tabela abaixo. Podes exportar para qualquer formato usando o argumento format, ou seja, format='onnx' ou format='engine'. Podes fazer previsões ou validar diretamente com modelos exportados, ou seja, yolo predict model=yolo26n.onnx. Os exemplos de utilização do teu modelo são apresentados quando a exportação estiver concluída.

nms=None usa por predefinição saídas brutas para NMS externo. Define nms=False para selecionar uma cabeça sem NMS disponível; os formatos não suportados recorrem ao respetivo caminho de saída nativo. As entradas nms acima identificam os formatos que podem incorporar NMS com nms=True.

Consulte os detalhes completos de export na página Exportação.

Perguntas frequentes#