Detecção de Objetos com Ultralytics YOLO#

Object detection é uma tarefa que envolve identificar a localização e a classe de objetos em uma imagem ou fluxo de vídeo.

O resultado de um detector de objetos é um conjunto de caixas delimitadoras que envolvem os objetos na imagem, juntamente com rótulos de classe e pontuações de confiança para cada caixa. A detecção de objetos é uma boa escolha quando você precisa identificar objetos de interesse em uma cena, mas não precisa saber exatamente onde o objeto está ou sua forma exata.

Modelos#

Os modelos Detect pré-treinados do YOLO26 são mostrados aqui. Os modelos Detect, Segment e Pose são pré-treinados no conjunto de dados COCO, os modelos Semantic são pré-treinados no Cityscapes e os modelos Classify são pré-treinados no conjunto de dados ImageNet.

Os Models são baixados automaticamente do release mais recente da Ultralytics no primeiro uso.

• Os valores de mAP^val são para modelo único e escala única no conjunto de dados COCO val2017.
  Reproduza com yolo val detect data=coco.yaml device=0
• Speed calculada como média nas imagens de validação do COCO usando uma instância Amazon EC2 P4d.
  Reproduza com yolo val detect data=coco.yaml batch=1 device=0|cpu
• Os valores de Params e FLOPs são para o modelo fundido após model.fuse(), que mescla as camadas Conv e BatchNorm e, para modelos end2end, remove o cabeçote de detecção auxiliar de um para muitos. Os checkpoints pré-treinados retêm a arquitetura de treinamento completa e podem apresentar contagens maiores.

Treinar#

Treina o YOLO26n no conjunto de dados COCO8 por 100 epochs com tamanho de imagem 640. Para ver uma lista completa de argumentos disponíveis, consulta a página Configuration.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Vê os detalhes completos do modo train na página Train. Os modelos de deteção também podem ser treinados com o Ultralytics Platform cloud training.

Formato do conjunto de dados#

O formato de conjunto de dados de deteção do YOLO pode ser encontrado em detalhe no Dataset Guide. Para converter o teu conjunto de dados existente de outros formatos (como COCO, etc.) para o formato YOLO, usa a ferramenta JSON2YOLO da Ultralytics. Também podes anotar e gerir conjuntos de dados de deteção com as Ultralytics Platform's AI-assisted annotation tools.

Validar#

Valida a accuracy do modelo YOLO26n treinado no conjunto de dados COCO8. Não são necessários argumentos, pois o model mantém o seu data e argumentos de treino como atributos do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Prever#

Use um modelo YOLO26n treinado para executar previsões em imagens.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xywh = result.boxes.xywh  # center-x, center-y, width, height
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # top-left-x, top-left-y, bottom-right-x, bottom-right-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # class name of each box
    confs = result.boxes.conf  # confidence score of each box

Consulta todos os detalhes do modo predict na página Prever.

Saída de Resultados#

A deteção de objetos devolve um objeto Results por imagem. O campo de previsão principal é result.boxes, que contém coordenadas de caixa, IDs de classe e pontuações de confiança para cada objeto detetado.

Para campos de Results específicos de tarefas em cada tarefa, consulta a seção Resultados de Previsão por Tarefa.

Exportar#

Exporte um modelo YOLO26n para um formato diferente como ONNX, CoreML, etc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

Os formatos de exportação do YOLO26 disponíveis encontram-se na tabela abaixo. Podes exportar para qualquer formato usando o argumento format, ou seja, format='onnx' ou format='engine'. Podes prever ou validar diretamente em modelos exportados, ou seja, yolo predict model=yolo26n.onnx. Exemplos de utilização são mostrados para o teu modelo após a conclusão da exportação.

Consulta todos os detalhes de export na página Exportar.

FAQ#