Python Utilização

Bem-vindo à documentação de uso do YOLOv8 Python ! Este guia foi concebido para o ajudar a integrar facilmente o YOLOv8 nos seus projectos Python para deteção, segmentação e classificação de objectos. Aqui, aprenderás a carregar e a utilizar modelos pré-treinados, a treinar novos modelos e a efetuar previsões em imagens. A interface fácil de utilizar Python é um recurso valioso para quem procura incorporar YOLOv8 nos seus projectos Python , permitindo-te implementar rapidamente capacidades avançadas de deteção de objectos. Vamos começar!

Observa: Domina Ultralytics YOLOv8 : Python

Por exemplo, os utilizadores podem carregar um modelo, treiná-lo, avaliar o seu desempenho num conjunto de validação e até exportá-lo para o formato ONNX com apenas algumas linhas de código.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolov8n.yaml")

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

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

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

Comboio

O modo Train é utilizado para treinar um modelo YOLOv8 num conjunto de dados personalizado. Neste modo, o modelo é treinado utilizando o conjunto de dados e os hiperparâmetros especificados. O processo de treino envolve a otimização dos parâmetros do modelo para que este possa prever com precisão as classes e localizações dos objectos numa imagem.

from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # pass any model type
results = model.train(epochs=5)

from ultralytics import YOLO

model = YOLO("yolov8n.yaml")
results = model.train(data="coco8.yaml", epochs=5)

model = YOLO("last.pt")
results = model.train(resume=True)

Exemplos de comboios

Val

O modo Val é utilizado para validar um modelo YOLOv8 depois de este ter sido treinado. Neste modo, o modelo é avaliado num conjunto de validação para medir a sua precisão e desempenho de generalização. Este modo pode ser utilizado para ajustar os hiperparâmetros do modelo para melhorar o seu desempenho.

from ultralytics import YOLO

# Load a YOLOv8 model
model = YOLO("yolov8n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on training data
model.val()

from ultralytics import YOLO

# Load a YOLOv8 model
model = YOLO("yolov8n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on separate data
model.val(data="path/to/separate/data.yaml")

Exemplos Val

Prevê

O modo Prever é utilizado para efetuar previsões utilizando um modelo YOLOv8 treinado em novas imagens ou vídeos. Neste modo, o modelo é carregado a partir de um ficheiro de ponto de controlo e o utilizador pode fornecer imagens ou vídeos para realizar a inferência. O modelo prevê as classes e localizações dos objectos nas imagens ou vídeos de entrada.

import cv2
from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True)  # Display preds. Accepts all YOLO predict arguments

# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray
results = model.predict(source=[im1, im2])

# results would be a list of Results object including all the predictions by default
# but be careful as it could occupy a lot memory when there're many images,
# especially the task is segmentation.
# 1. return as a list
results = model.predict(source="folder")

# results would be a generator which is more friendly to memory by setting stream=True
# 2. return as a generator
results = model.predict(source=0, stream=True)

for result in results:
    # Detection
    result.boxes.xyxy  # box with xyxy format, (N, 4)
    result.boxes.xywh  # box with xywh format, (N, 4)
    result.boxes.xyxyn  # box with xyxy format but normalized, (N, 4)
    result.boxes.xywhn  # box with xywh format but normalized, (N, 4)
    result.boxes.conf  # confidence score, (N, 1)
    result.boxes.cls  # cls, (N, 1)

    # Segmentation
    result.masks.data  # masks, (N, H, W)
    result.masks.xy  # x,y segments (pixels), List[segment] * N
    result.masks.xyn  # x,y segments (normalized), List[segment] * N

    # Classification
    result.probs  # cls prob, (num_class, )

# Each result is composed of torch.Tensor by default,
# in which you can easily use following functionality:
result = result.cuda()
result = result.cpu()
result = result.to("cpu")
result = result.numpy()

Prever exemplos

Exportação

O modo de exportação é utilizado para exportar um modelo YOLOv8 para um formato que possa ser utilizado para a implantação. Neste modo, o modelo é convertido para um formato que pode ser utilizado por outras aplicações de software ou dispositivos de hardware. Este modo é útil quando implementa o modelo em ambientes de produção.

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(format="onnx", dynamic=True)

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(format="onnx", device=0)

Exemplos de exportação

Acompanha

O modo de rastreamento é usado para rastrear objetos em tempo real usando um modelo YOLOv8 . Neste modo, o modelo é carregado a partir de um ficheiro de ponto de controlo e o utilizador pode fornecer um fluxo de vídeo em direto para efetuar o seguimento de objectos em tempo real. Este modo é útil para aplicações como sistemas de vigilância ou carros autónomos.

from ultralytics import YOLO

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

# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

Exemplos de faixas

Referência

O modo de referência é utilizado para determinar a velocidade e a precisão de vários formatos de exportação para YOLOv8. Os parâmetros de referência fornecem informações sobre o tamanho do formato exportado, a sua mAP50-95 métricas (para deteção e segmentação de objectos) ou accuracy_top5 (para classificação), e o tempo de inferência em milissegundos por imagem em vários formatos de exportação como ONNX, OpenVINO, TensorRT e outros. Esta informação pode ajudar os utilizadores a escolher o melhor formato de exportação para o seu caso de utilização específico, com base nos seus requisitos de velocidade e precisão.

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Exemplos de referência

Explorador

A API Explorer pode ser utilizada para explorar conjuntos de dados com semântica avançada, semelhança de vectores e pesquisa SQL, entre outras funcionalidades. Também permite a pesquisa de imagens com base no seu conteúdo utilizando linguagem natural, utilizando o poder dos LLMs. A API Explorer permite-te escrever os teus próprios cadernos de exploração de conjuntos de dados ou scripts para obteres informações sobre os teus conjuntos de dados.

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data="coco8.yaml", model="yolov8n.pt")
exp.create_embeddings_table()

similar = exp.get_similar(img="https://ultralytics.com/images/bus.jpg", limit=10)
print(similar.head())

# Search using multiple indices
similar = exp.get_similar(
    img=["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/bus.jpg"], limit=10
)
print(similar.head())

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data="coco8.yaml", model="yolov8n.pt")
exp.create_embeddings_table()

similar = exp.get_similar(idx=1, limit=10)
print(similar.head())

# Search using multiple indices
similar = exp.get_similar(idx=[1, 10], limit=10)
print(similar.head())

Explorador

Utilizar os formadores

YOLO A classe Model é um invólucro de alto nível para as classes Trainer. Cada tarefa YOLO tem seu próprio treinador que herda de BaseTrainer.

```python
from ultralytics.models.yolo import DetectionPredictor, DetectionTrainer, DetectionValidator

# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best

# Validator
val = DetectionValidator(args=...)
val(model=trained_model)

# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)

# resume from last weight
overrides["resume"] = trainer.last
trainer = detect.DetectionTrainer(overrides=overrides)
```

Podes personalizar facilmente os Trainers para suportar tarefas personalizadas ou explorar ideias de I&D. Saiba mais sobre a personalização Trainers, Validators e Predictors para atender às necessidades do teu projeto na secção Personalização.

Tutoriais de personalização

FAQ

Como posso integrar o YOLOv8 no meu projeto Python para deteção de objectos?

Integrar Ultralytics YOLOv8 nos teus projectos Python é simples. Podes carregar um modelo pré-treinado ou treinar um novo modelo a partir do zero. Vê aqui como começar:

from ultralytics import YOLO

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

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    result.show()

Vê exemplos mais detalhados na nossa secção Modo de previsão.

Quais são os diferentes modos disponíveis em YOLOv8?

Ultralytics YOLOv8 fornece vários modos para atender a diferentes fluxos de trabalho de aprendizagem automática. Estes incluem:

• Comboio: Treina um modelo utilizando conjuntos de dados personalizados.
• Val: Valida o desempenho do modelo num conjunto de validação.
• Prevê: Faz previsões sobre novas imagens ou fluxos de vídeo.
• Exportação: Exporta modelos para vários formatos como ONNX, TensorRT.
• Acompanha: Seguimento de objectos em tempo real em fluxos de vídeo.
• Marca de referência: Avalia o desempenho do modelo em diferentes configurações.

Cada modo foi concebido para fornecer funcionalidades abrangentes para diferentes fases de desenvolvimento e implementação de modelos.

Como posso treinar um modelo YOLOv8 personalizado utilizando o meu conjunto de dados?

Para treinar um modelo YOLOv8 personalizado, tens de especificar o teu conjunto de dados e outros hiperparâmetros. Aqui está um exemplo rápido:

from ultralytics import YOLO

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

# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)

Para mais informações sobre a formação e hiperligações para exemplos de utilização, visita a nossa página Modo de Treino.

Como é que exporto modelos YOLOv8 para implementação?

A exportação dos modelos YOLOv8 num formato adequado para a implementação é simples com a aplicação export função. Por exemplo, podes exportar um modelo para o formato ONNX :

from ultralytics import YOLO

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

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

Para conhecer as várias opções de exportação, consulta a documentação do Modo de exportação.

Posso validar o meu modelo YOLOv8 em diferentes conjuntos de dados?

Sim, é possível validar os modelos YOLOv8 em diferentes conjuntos de dados. Após o treino, podes utilizar o modo de validação para avaliar o desempenho:

from ultralytics import YOLO

# Load a YOLOv8 model
model = YOLO("yolov8n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")

Consulta a página Modo Val para obteres exemplos detalhados e utilização.

Comentários