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.

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.

• ^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.

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.

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.

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.

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.

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.

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:

• YOLOv8n
• YOLOv8s
• YOLOv8m
• YOLOv8l
• YOLOv8x

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.

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.

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.

📅 Created 10 months ago ✏️ Updated 3 days ago

Comentários