Salta para o conte√ļdo

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 √© um conjunto de caixas delimitadoras que envolvem os objectos na imagem, juntamente com etiquetas de classe e pontua√ß√Ķes de confian√ßa para cada caixa. A dete√ß√£o de objectos √© uma boa escolha quando necessita de identificar objectos de interesse numa cena, mas n√£o 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 s√£o para um modelo √ļnico de escala √ļnica em COCO val2017 conjunto de dados.
    Reproduzir por yolo val detect data=coco.yaml device=0
  • Velocidade calcula a m√©dia das imagens COCO val utilizando uma Amazon EC2 P4d inst√Ęncia.
    Reproduzir por yolo val detect data=coco128.yaml batch=1 device=0|cpu

Comboio

Treina YOLOv8n no conjunto de dados COCO128 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='coco128.yaml', epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco128.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=coco128.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 COCO128. 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 previs√Ķes 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 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 ‚úÖ -
TorchScript torchscript yolov8n.torchscript ‚úÖ imgsz, optimize
ONNX onnx yolov8n.onnx ‚úÖ imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n_openvino_model/ ‚úÖ imgsz, half, int8
TensorRT engine yolov8n.engine ‚úÖ imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n.mlpackage ‚úÖ imgsz, half, int8, nms
TF SavedModel saved_model yolov8n_saved_model/ ‚úÖ imgsz, keras, int8
TF GraphDef pb yolov8n.pb ‚ĚĆ imgsz
TF Leve tflite yolov8n.tflite ‚úÖ imgsz, half, int8
TF Borda TPU edgetpu yolov8n_edgetpu.tflite ‚úÖ imgsz
TF.js tfjs yolov8n_web_model/ ‚úÖ imgsz, half, int8
PaddlePaddle paddle yolov8n_paddle_model/ ‚úÖ imgsz
ncnn ncnn yolov8n_ncnn_model/ ‚úÖ imgsz, half

Ver completo export detalhes no Exportação página.



Criado em 2023-11-12, Atualizado em 2024-02-03
Autores: glenn-jocher (10), Laughing-q (1), AyushExel (1)

Coment√°rios