Ir para o conteúdo

Detecção de Objetos

Exemplos de detecção 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.

A saída de um detector de objetos é um conjunto de caixas delimitadoras que cercam os objetos na imagem, junto 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 seu formato exato.



Assista: Detecção de Objetos com Modelo Pre-treinado Ultralytics YOLOv8.

Dica

Os modelos YOLOv8 Detect são os modelos padrão do YOLOv8, ou seja, yolov8n.pt e são pré-treinados no COCO.

Modelos

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

Os Modelos são baixados automaticamente a partir do último lançamento da Ultralytics release no primeiro uso.

Modelo Tamanho
(pixels)		 mAPval
50-95		 Velocidade
CPU ONNX
(ms)		 Velocidade
A100 TensorRT
(ms)		 Parâmetros
(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
  • Os valores de mAPval são para um único modelo e uma única escala no dataset COCO val2017.
    Reproduza usando yolo val detect data=coco.yaml device=0
  • A Velocidade é média tirada sobre as imagens do COCO val num Amazon EC2 P4d instância.
    Reproduza usando yolo val detect data=coco128.yaml batch=1 device=0|cpu

Treinar

Treine o YOLOv8n no dataset COCO128 por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, veja a página Configuração.

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n.yaml')  # construir um novo modelo pelo YAML
model = YOLO('yolov8n.pt')  # carregar um modelo pré-treinado (recomendado para treinamento)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # construir pelo YAML e transferir pesos

# Treinar o modelo
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)

# Construir um novo modelo pelo YAML e começar o treinamento do zero
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Começar o treinamento a partir de um modelo pré-treinado *.pt
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

# Construir um novo modelo pelo YAML, transferir pesos pré-treinados e começar o treinamento
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

Formato do Dataset

O formato do dataset de detecção do YOLO pode ser encontrado em detalhes no Guia de Datasets. Para converter seu dataset existente de outros formatos (como COCO, etc.) para o formato YOLO, por favor utilize a ferramenta JSON2YOLO da Ultralytics.

Validar

Valide a precisão do modelo YOLOv8n treinado no dataset COCO128. Não é necessário passar nenhum argumento, pois o modelo mantém seus dados de treino e argumentos como atributos do modelo.

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n.pt')  # carregar um modelo oficial
model = YOLO('caminho/para/best.pt')  # carregar um modelo personalizado

# Validar o modelo
metrics = model.val()  # sem a necessidade de argumentos, dataset e configurações lembradas
metrics.box.map    # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps   # uma lista contém map50-95 de cada categoria

yolo detect val model=yolov8n.pt  # validação do modelo oficial
yolo detect val model=caminho/para/best.pt  # validação do modelo personalizado

Predizer

Use um modelo YOLOv8n treinado para fazer predições em imagens.

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n.pt')  # carregar um modelo oficial
model = YOLO('caminho/para/best.pt')  # carregar um modelo personalizado

# Predizer com o modelo
results = model('https://ultralytics.com/images/bus.jpg')  # predizer em uma imagem

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # predizer com modelo oficial
yolo detect predict model=caminho/para/best.pt source='https://ultralytics.com/images/bus.jpg'  # predizer com modelo personalizado

Veja os detalhes completos do modo predict na página Predição.

Exportar

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

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n.pt')  # carregar um modelo oficial
model = YOLO('caminho/para/best.pt')  # carregar um modelo treinado personalizado

# Exportar o modelo
model.export(format='onnx')

yolo export model=yolov8n.pt format=onnx  # exportar modelo oficial
yolo export model=caminho/para/best.pt format=onnx  # exportar modelo treinado personalizado

Os formatos de exportação YOLOv8 disponíveis estão na tabela abaixo. Você pode fazer predições ou validar diretamente em modelos exportados, ou seja, yolo predict model=yolov8n.onnx. Exemplos de uso são mostrados para o seu modelo após a exportação ser concluída.

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

Veja os detalhes completos de exportar na página Exportação.


Created 2023-11-13, Updated 2023-11-18
Authors: glenn-jocher (4)

Comentários