Salta para o conteúdo

Deteção de objectos

Exemplos de deteção de objectos

A deteção de objectos é uma tarefa que envolve a identificação da localização e da classe dos objectos numa imagem ou fluxo de vídeo.

O resultado de um detetor de objectos é um conjunto de caixas delimitadoras que envolvem os objectos na imagem, juntamente com etiquetas de classe e pontuações de confiança para cada caixa. A deteção de objectos é uma boa escolha quando necessita de identificar objectos de interesse numa cena, mas não necessita de saber exatamente onde se encontra o objeto ou a sua forma exacta.



Observa: Deteção de objectos com modelo Ultralytics YOLOv8 pré-treinado.

Dica

YOLOv8 Os modelos de deteção são os modelos predefinidos de YOLOv8 , ou seja yolov8n.pt e são pré-treinados em COCO.

Modelos

YOLOv8 Os modelos Detect pré-treinados são mostrados aqui. Os modelos Detect, Segment e Pose são pré-treinados no conjunto de dados COCO, enquanto os modelos Classify são pré-treinados no conjunto de dados ImageNet.

Os modelos são transferidos automaticamente a partir daversão mais recente de Ultralytics na primeira utilização.

Modelo tamanho
(pixéis)
mAPval
50-95
Velocidade
CPU ONNX
(ms)
Velocidade
A100 TensorRT
(ms)
params
(M)
FLOPs
(B)
YOLOv8n 640 37.3 80.4 0.99 3.2 8.7
YOLOv8s 640 44.9 128.4 1.20 11.2 28.6
YOLOv8m 640 50.2 234.7 1.83 25.9 78.9
YOLOv8l 640 52.9 375.2 2.39 43.7 165.2
YOLOv8x 640 53.9 479.1 3.53 68.2 257.8
  • mAPval Os valores são para o modelo único de escala única em COCO val2017 conjunto de dados.
    Reproduzir por yolo val detect data=coco.yaml device=0
  • Velocidade calcula a média das imagens COCO val utilizando um Amazon EC2 P4d instância.
    Reproduzir por yolo val detect data=coco8.yaml batch=1 device=0|cpu

Comboio

Treina YOLOv8n no conjunto de dados COCO8 para 100 épocas com o tamanho de imagem 640. Para obter uma lista completa dos argumentos disponíveis, consulta a página Configuração.

Exemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from YAML
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n.yaml").load("yolov8n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

Formato do conjunto de dados

YOLO O formato do conjunto de dados de deteção pode ser consultado em pormenor no Guia do conjunto de dados. Para converter o teu conjunto de dados existente de outros formatos (como COCO, etc.) para o formato YOLO , utiliza a ferramenta JSON2YOLO em Ultralytics.

Val

Valida a precisão do modelo YOLOv8n treinado no conjunto de dados COCO8. Não precisas de passar nenhum argumento, pois o model mantém a sua formação data e argumentos como atributos do modelo.

Exemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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 contains map50-95 of each category
yolo detect val model=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Prevê

Utiliza um modelo YOLOv8n treinado para executar previsões em imagens.

Exemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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
yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

Ver completo predict detalhes do modo no Prevê página.

Exportação

Exporta um modelo YOLOv8n para um formato diferente, como ONNX, CoreML, etc.

Exemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")
yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Os formatos de exportação disponíveis em YOLOv8 encontram-se na tabela abaixo. Podes exportar para qualquer formato utilizando o botão format argumento, ou seja format='onnx' ou format='engine'. Podes prever ou validar diretamente nos modelos exportados, ou seja yolo predict model=yolov8n.onnx. São apresentados exemplos de utilização para o teu modelo após a conclusão da exportação.

Formato format Argumenta Modelo Metadados Argumentos
PyTorch - yolov8n.pt -
TorchScript torchscript yolov8n.torchscript imgsz, optimize, batch
ONNX onnx yolov8n.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolov8n.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb imgsz, batch
TF Leve tflite yolov8n.tflite imgsz, half, int8, batch
TF Borda TPU edgetpu yolov8n_edgetpu.tflite imgsz
TF.js tfjs yolov8n_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ imgsz, half, batch

Ver completo export detalhes no Exportação página.

FAQ

Como é que treino um modelo YOLOv8 no meu conjunto de dados personalizado?

Treinar um modelo YOLOv8 num conjunto de dados personalizado envolve alguns passos:

  1. Prepara o conjunto de dados: Certifica-te de que o teu conjunto de dados está no formato YOLO . Para obter orientação, consulta o nosso Guia do conjunto de dados.
  2. Carrega o modelo: Usa a biblioteca Ultralytics YOLO para carregar um modelo pré-treinado ou criar um novo modelo a partir de um arquivo YAML.
  3. Treina o modelo: Executa o train em Python ou o método yolo detect train em CLI.

Exemplo

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)
yolo detect train data=my_custom_dataset.yaml model=yolov8n.pt epochs=100 imgsz=640

Para opções de configuração detalhadas, visita a página Configuração.

Que modelos pré-treinados estão disponíveis em YOLOv8?

Ultralytics YOLOv8 oferece vários modelos pré-treinados para deteção de objectos, segmentação e estimativa de pose. Estes modelos são pré-treinados no conjunto de dados COCO ou ImageNet para tarefas de classificação. Eis alguns dos modelos disponíveis:

Para obter uma lista detalhada e métricas de desempenho, consulta a secção Modelos.

Como posso validar a precisão do meu modelo YOLOv8 treinado?

Para validar a precisão do teu modelo YOLOv8 treinado, podes utilizar o .val() em Python ou o método yolo detect val em CLI. Isto fornecerá métricas como mAP50-95, mAP50, e mais.

Exemplo

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
yolo detect val model=path/to/best.pt

Para mais informações sobre a validação, visita a página Val.

Para que formatos posso exportar um modelo YOLOv8 ?

Ultralytics YOLOv8 permite exportar modelos para vários formatos, como ONNX, TensorRT, CoreML, entre outros, para garantir a compatibilidade entre diferentes plataformas e dispositivos.

Exemplo

from ultralytics import YOLO

# Load the model
model = YOLO("yolov8n.pt")

# Export the model to ONNX format
model.export(format="onnx")
yolo export model=yolov8n.pt format=onnx

Consulta a lista completa de formatos suportados e as instruções na página Exportar.

Por que razão devo utilizar Ultralytics YOLOv8 para a deteção de objectos?

Ultralytics YOLOv8 foi concebido para oferecer um desempenho topo de gama na deteção de objectos, segmentação e estimativa de pose. Apresenta 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. Elevada precisão: Obtém resultados mAP impressionantes, assegurando uma deteção de objectos fiável.
  3. Velocidade: Optimizado para inferência em tempo real, tornando-o ideal para aplicações que requerem um processamento rápido.
  4. Flexibilidade: Exporta modelos para vários formatos, como ONNX e TensorRT , para implementação em várias plataformas.

Explora o nosso blogue para veres casos de utilização e histórias de sucesso que mostram o YOLOv8 em ação.



Criado em 2023-11-12, Atualizado em 2024-07-04
Autores: glenn-jocher (21), Burhan-Q (4), Laughing-q (1)

Comentários