Link to this sectionDetecção de objetos#

Detecção de objetos 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.

Link to this sectionModelos#

Os modelos de detecção 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 modelos são baixados automaticamente do release mais recente da Ultralytics no primeiro uso.

• Os valores de mAP^val são para modelo único em escala única no conjunto de dados COCO val2017.
  Reproduza usando yolo val detect data=coco.yaml device=0
• A Velocidade é calculada com base em imagens de validação do COCO usando uma instância Amazon EC2 P4d.
  Reproduza usando yolo val detect data=coco.yaml batch=1 device=0|cpu
• Os valores de Parâmetros (Params) e FLOPs são para o modelo fundido após model.fuse(), que mescla camadas Conv e BatchNorm e, para modelos end-to-end, remove a cabeça de detecção auxiliar one-to-many. Checkpoints pré-treinados mantêm a arquitetura de treinamento completa e podem apresentar contagens maiores.

Link to this sectionTreinar#

Treine o YOLO26n no conjunto de dados COCO8 por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, consulte a página de Configuração.

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)

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

Link to this sectionFormato do conjunto de dados#

O formato do dataset de deteção YOLO pode ser encontrado em detalhe no Dataset Guide. Para converter o teu dataset existente de outros formatos (como COCO, etc.) para o formato YOLO, utiliza a ferramenta JSON2YOLO da Ultralytics. Também podes anotar e gerir datasets de deteção com as ferramentas de anotação assistidas por IA da Ultralytics Platform.

Link to this sectionValidar#

Valide a precisão do modelo YOLO26n treinado no conjunto de dados COCO8. Nenhum argumento é necessário, pois o model retém seus dados de data e argumentos 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

Link to this sectionPrever#

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

Veja os detalhes completos do modo predict na página Previsão.

Link to this sectionSaída de Resultados#

A detecção de objetos retorna um objeto Results por imagem. O campo de previsão principal é result.boxes, que contém as coordenadas da caixa, IDs de classe e pontuações de confiança para cada objeto detectado.

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

Link to this sectionExportar#

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 disponíveis para o YOLO26 estão na tabela abaixo. Você pode exportar para qualquer formato usando o argumento format, ou seja, format='onnx' ou format='engine'. Você pode prever ou validar diretamente em modelos exportados, ou seja, yolo predict model=yolo26n.onnx. Exemplos de uso são mostrados para seu modelo após a conclusão da exportação.

Veja detalhes completos de export na página Export.

Link to this sectionFAQ#

Link to this sectionPosso treinar e implantar modelos de detecção sem programar?#

Sim. O Ultralytics Platform quickstart cobre um fluxo de trabalho baseado no navegador para anotar datasets, treinar modelos de deteção em GPUs na cloud e implementá-los em endpoints de inferência.

Link to this sectionComo treino um modelo YOLO26 no meu conjunto de dados personalizado?#

Treinar um modelo YOLO26 em um conjunto de dados personalizado envolve algumas etapas:

1. Prepare o Conjunto de Dados: Certifique-se de que seu conjunto de dados esteja no formato YOLO. Para orientação, consulte nosso Guia de Conjunto de Dados.
2. Carregue o Modelo: Use a biblioteca YOLO da Ultralytics para carregar um modelo pré-treinado ou crie um novo modelo a partir de um arquivo YAML.
3. Treine o Modelo: Execute o método train em Python ou o comando yolo detect train na CLI.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

Para opções de configuração detalhadas, visite a página de Configuração.

Link to this sectionQuais modelos pré-treinados estão disponíveis no YOLO26?#

O YOLO26 da Ultralytics oferece vários modelos pré-treinados para detecção de objetos, segmentação de instâncias, segmentação semântica e estimativa de pose. Esses modelos são pré-treinados no conjunto de dados COCO, no Cityscapes para segmentação semântica, ou no ImageNet para tarefas de classificação. Aqui estão alguns dos modelos disponíveis:

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

Para uma lista detalhada e métricas de desempenho, consulte a seção Modelos.

Link to this sectionComo posso validar a precisão do meu modelo YOLO treinado?#

Para validar a precisão do seu modelo YOLO26 treinado, você pode usar o método .val() em Python ou o comando yolo detect val na CLI. Isso fornecerá métricas como mAP50-95, mAP50 e muito mais.

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

Para mais detalhes sobre validação, visite a página Val.

Link to this sectionPara quais formatos posso exportar um modelo YOLO26?#

O Ultralytics YOLO26 permite exportar modelos para vários formatos, como ONNX, TensorRT, CoreML e outros, para garantir compatibilidade entre diferentes plataformas e dispositivos.

from ultralytics import YOLO

# Load the model
model = YOLO("yolo26n.pt")

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

Verifique a lista completa de formatos suportados e instruções na página de Exportação.

Link to this sectionPor que devo usar o YOLO26 da Ultralytics para detecção de objetos?#

O YOLO26 da Ultralytics foi projetado para oferecer desempenho de ponta para detecção de objetos, segmentação de instâncias, segmentação semântica e estimativa de pose. Aqui estão algumas das principais vantagens:

1. Modelos Pré-treinados: Utiliza modelos pré-treinados em conjuntos de dados populares como COCO e ImageNet para um desenvolvimento mais rápido.
2. Alta Precisão: Alcança pontuações de mAP impressionantes, garantindo uma detecção de objetos confiável.
3. Velocidade: Otimizado para inferência em tempo real, tornando-o ideal para aplicações que exigem processamento rápido.
4. Flexibilidade: Exporte modelos para vários formatos como ONNX e TensorRT para implantação em múltiplas plataformas.

Explore nosso Blog para casos de uso e histórias de sucesso que mostram o YOLO26 em ação.