Tutoriais completos para Ultralytics YOLO#

Bem-vindo aos guias de YOLO da Ultralytics. Os nossos tutoriais completos abrangem vários aspetos do modelo de deteção de objetos YOLO, desde o treino e a previsão até à implementação. Desenvolvido com PyTorch, o YOLO destaca-se pela sua velocidade e precisão excecionais em tarefas de deteção de objetos em tempo real.

Seja principiante ou especialista em aprendizagem profunda, os nossos tutoriais oferecem informações valiosas sobre a implementação e a otimização do YOLO para os teus projetos de visão computacional.

Guias#

Os guias estão agrupados por fase do projeto — desde a configuração do ambiente e a preparação dos dados até ao treino, à avaliação, à implementação, à otimização da inferência e ao hardware de edge — para poderes avançar diretamente para a etapa em que estás a trabalhar.

Começar e planear#

• Início rápido do Conda: Guia passo a passo para configurar um ambiente Conda para a Ultralytics. Aprende a instalar e começar a utilizar o pacote Ultralytics de forma eficiente com o Conda.
• Início rápido do Docker: Guia completo para configurar e utilizar modelos Ultralytics YOLO com o Docker. Aprende a instalar o Docker, gerir o suporte de GPU e executar modelos YOLO em contentores isolados para um desenvolvimento e uma implementação consistentes.
• Início rápido do AzureML: Começa rapidamente a utilizar modelos Ultralytics YOLO na plataforma de aprendizagem automática Azure da Microsoft. Aprende a treinar, implementar e dimensionar os teus projetos de deteção de objetos na nuvem.
• Início rápido do Modal: Executa o Ultralytics YOLO26 na plataforma de nuvem sem servidor do Modal, abrangendo autenticação, inferência em GPU e tarefas de treino com armazenamento persistente — sem necessidade de gerir infraestrutura.
• Definir os objetivos de um projeto de visão computacional: Aprende a definir eficazmente objetivos claros e mensuráveis para o teu projeto de visão computacional. Compreende a importância de uma declaração do problema bem definida e como esta cria um roteiro para o teu projeto.
• Etapas de um projeto de visão computacional: Aprende sobre as principais etapas de um projeto de visão computacional, incluindo a definição de objetivos, a seleção de modelos, a preparação de dados e a avaliação de resultados.
• Arquitetura YOLO explicada: Acompanha a evolução da arquitetura YOLO, de YOLOv3 a YOLO26, através do backbone, neck e cabeça de deteção, abrangendo C2f, C3k2, atenção C2PSA e designs sem âncoras e sem NMS.

Preparar os teus dados#

• Recolha e anotação de dados: Explora as ferramentas, técnicas e melhores práticas para recolher e anotar dados, criando entradas de alta qualidade para os teus modelos de visão computacional.
• Pré-processamento de dados anotados: Aprende o pré-processamento de dados para visão computacional com YOLO26, incluindo redimensionamento de imagens, normalização, divisão do conjunto de dados, aumento de dados e análise exploratória de dados (EDA).
• Aumento de dados no YOLO: Domina toda a variedade de técnicas de aumento de dados no YOLO, desde transformações básicas até estratégias avançadas para melhorar a robustez e o desempenho do modelo.
• Conversão de COCO para YOLO: Guia completo para converter anotações JSON do COCO para o formato YOLO para treino. Abrange deteção, segmentação e pontos-chave, incluindo mapeamento de IDs de classes e problemas comuns de conversão.
• Treino com COCO JSON: Treina o YOLO diretamente com anotações COCO JSON sem converter para o formato YOLO, utilizando uma classe de conjunto de dados e um treinador personalizados.

Treinar e ajustar#

• Dicas para o treino de modelos: Explora dicas para otimizar os tamanhos dos lotes, utilizar precisão mista, aplicar pesos pré-treinados e muito mais, tornando simples o treino do teu modelo de visão computacional.
• Ajuste fino do YOLO com dados personalizados: Guia completo para ajustar YOLO26 em conjuntos de dados personalizados com pesos pré-treinados, abrangendo aprendizagem por transferência, congelamento de camadas, seleção do otimizador, treino em duas fases e resolução de problemas.
• Receita de treino do YOLO26: Documentação completa dos hiperparâmetros, pipelines de aumento de dados e definições do otimizador utilizados para treinar os checkpoints base oficiais do YOLO26 no COCO, com orientações práticas para o ajuste fino.
• Ajuste de hiperparâmetros: Descobre como otimizar os teus modelos YOLO ajustando hiperparâmetros com a classe Tuner e algoritmos de evolução genética.
• Destilação de conhecimento: Aprende a melhorar o desempenho do modelo transferindo conhecimento de um modelo professor maior para um modelo aluno menor através de destilação baseada em características.
• Validação cruzada K-Fold: Aprende a melhorar a generalização do modelo utilizando a técnica de validação cruzada K-Fold.
• Personalizar o treinador: Aprende a criar uma subclasse do treinador YOLO para registar métricas personalizadas, adicionar uma função de perda ponderada por classe, personalizar a gravação do modelo, congelar/descongelar o backbone e definir taxas de aprendizagem por camada.
• Guia de configuração YAML do modelo: Uma análise aprofundada e completa das definições da arquitetura dos modelos da Ultralytics. Explora o formato YAML, compreende o sistema de resolução de módulos e aprende a integrar módulos personalizados sem complicações.

Avaliar e resolver problemas#

• Métricas de desempenho do YOLO ⭐ ESSENCIAL: Compreende as principais métricas, como mAP, IoU e pontuação F1, utilizadas para avaliar o desempenho dos teus modelos YOLO. Inclui exemplos práticos e dicas para melhorar a precisão e a velocidade da deteção.
• Informações sobre avaliação e ajuste fino de modelos: Avalia modelos de visão computacional com métricas como mAP e IoU e, em seguida, utiliza o que as métricas revelam para melhorar a precisão da deteção.
• Teste de modelos: Aprende a testar modelos de visão computacional com dados não vistos, validar modelos YOLO26 e detetar sobreajuste, subajuste e fuga de dados antes da implementação.
• Problemas comuns do YOLO ⭐ RECOMENDADO: Soluções práticas e dicas de resolução de problemas para as dificuldades mais frequentes ao trabalhar com modelos Ultralytics YOLO.
• Manutenção do teu modelo de visão computacional: Compreende as principais práticas para monitorizar, manter e documentar modelos de visão computacional, garantindo a precisão, detetando anomalias e atenuando a deriva dos dados.

Implementar e servir#

• Opções de implementação de modelos: Visão geral de formatos de implementação de modelos YOLO, como ONNX, OpenVINO e TensorRT, com vantagens e desvantagens de cada um para orientar a tua estratégia de implementação.
• Melhores práticas para a implementação de modelos: Conhece dicas e melhores práticas para implementar modelos de forma eficiente em projetos de visão computacional, com foco na otimização, na resolução de problemas e na segurança.
• Exportar Modelos Não-YOLO: Usa as utilidades de exportação independentes do Ultralytics para converter qualquer torch.nn.Module (timm, torchvision, custom) para ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch, Core AI e TensorFlow SavedModel.
• Detecção de Ponta a Ponta: Escolhe inferência com NMS ou sem NMS e compreende os formatos de saída e a compatibilidade de exportação.
• Integração com o Triton Inference Server: Explora em profundidade a integração do Ultralytics YOLO26 com o Triton Inference Server da NVIDIA para implementações de inferência de aprendizagem profunda escaláveis e eficientes.
• Inferência YOLO segura para threads: Orientações para realizar inferência com modelos YOLO de forma segura para threads. Aprende a importância da segurança entre threads e as melhores práticas para evitar condições de corrida e garantir previsões consistentes.
• Início rápido do ROS: Aprende a integrar o YOLO com o Sistema Operacional de Robôs (ROS) para deteção de objetos em tempo real em aplicações de robótica, incluindo nuvens de pontos e imagens de profundidade.
• Implementação no Vertex AI com Docker: Guia simplificado para colocar modelos YOLO em contentores com Docker e implementá-los no Google Cloud Vertex AI — abrangendo compilação, envio, escalabilidade automática e monitorização.

Otimizar a inferência#

• Inferência em blocos com SAHI: Guia completo sobre a utilização das capacidades de inferência segmentada do SAHI com YOLO26 para deteção de objetos em imagens de alta resolução.
• Modos de latência vs. débito do OpenVINO: Aprende técnicas de otimização da latência e do débito para obter o máximo desempenho da inferência YOLO.
• Pré-processamento em GPU com NVIDIA DALI: Elimina os estrangulamentos do pré-processamento na CPU executando o redimensionamento letterbox, o preenchimento e a normalização do YOLO na GPU com NVIDIA DALI, com integração do Triton Inference Server.
• Isolar objetos de segmentação: Receita passo a passo e explicação de como extrair e/ou isolar objetos de imagens utilizando a segmentação da Ultralytics.
• Ver imagens de inferência num terminal: Utiliza o terminal integrado do VSCode para ver os resultados da inferência ao utilizar sessões Remote Tunnel ou SSH.

Hardware edge e incorporado#

• NVIDIA Jetson: Guia de início rápido para implementar modelos YOLO em dispositivos NVIDIA Jetson.
• Raspberry Pi: Tutorial de início rápido para executar modelos YOLO no hardware mais recente do Raspberry Pi.
• DeepStream no NVIDIA Jetson: Guia de início rápido para implementar modelos YOLO em dispositivos NVIDIA Jetson utilizando DeepStream e TensorRT.
• Edge TPU no Raspberry Pi: O Google Edge TPU acelera a inferência YOLO no Raspberry Pi.
• NVIDIA DGX Spark: Guia de início rápido para implementar modelos YOLO em dispositivos NVIDIA DGX Spark.
• DL Streamer na Intel: Guia de início rápido para implementar modelos YOLO26 em dispositivos Intel Core Ultra Series 3 utilizando DL Streamer e OpenVINO™.

Contribui para os nossos guias#

Aceitamos contribuições da comunidade! Se dominares um aspeto específico da Ultralytics YOLO que ainda não esteja abrangido nos nossos guias, incentivamos-te a partilhar os teus conhecimentos. Escrever um guia é uma excelente forma de contribuir para a comunidade e ajudar-nos a tornar a nossa documentação mais completa e fácil de utilizar.

Para começar, lê o nosso Guia de contribuição para conheceres as orientações sobre como abrir um Pull Request (PR). Ao adicionares um novo guia, coloca-o na categoria acima correspondente à fase do projeto e mantém-no num único tipo de página — um tutorial passo a passo, um guia prático orientado para tarefas ou uma referência — para que a coleção continue fácil de consultar à medida que cresce. Aguardamos as tuas contribuições.

Perguntas frequentes#