Tudo o que precisas de saber sobre Ultralytics YOLO11 e as suas aplicações

Na segunda-feira, 30 de setembro, a Ultralytics lançou oficialmente o Ultralytics YOLO11, então o mais recente avanço em visão computacional, após sua estreia no YOLO Vision 2024 (YV24), o evento híbrido anual da Ultralytics. A comunidade de IA começou rapidamente a explorar os recursos do modelo. Com processamento mais rápido, maior precisão e modelos otimizados tanto para dispositivos de borda quanto para implantação na nuvem, o YOLO11 redefine o que é possível em aplicações de visão computacional em tempo real.

Numa entrevista, Glenn Jocher, fundador e CEO da Ultralytics, afirmou: «O mundo está a avançar para as energias limpas, mas não com a rapidez necessária. Queremos que os nossos modelos possam ser treinados em menos épocas, com menos aumentos de dados e menos dados, por isso estamos a trabalhar arduamente nesse sentido. O mais pequeno modelo de deteção de objetos, o YOLO11n, tem apenas 2,6 milhões de parâmetros — aproximadamente o tamanho de um JPEG, o que é realmente incrível. O maior modelo de deteção de objetos, o YOLO11x, tem cerca de 56 milhões de parâmetros e, mesmo assim, é incrivelmente pequeno em comparação com outros modelos. Podes treiná-los numa GPU económica, como uma GPU Nvidia com cinco anos, bastando algum entusiasmo e um pouco de café.»

Neste artigo, vamos analisar mais detalhadamente o Ultralytics YOLO11, explorando as suas funcionalidades, melhorias, resultados de benchmark e aplicações no mundo real, para te ajudar a compreender o que este modelo pode fazer.

Conheça o Ultralytics YOLO11: melhorias em relação às versões anteriores#

No lançamento, o YOLO11 era o mais recente avanço da série YOLO (Você Só Olha Uma Vez) de modelos de visão computacional (desde então, foi sucedido pelo Ultralytics YOLO26). Ele oferece melhorias significativas em relação a versões anteriores, como o YOLOv5 e o YOLOv8. A equipe da Ultralytics incorporou o feedback da comunidade e as pesquisas mais recentes para tornar o YOLO11 mais rápido, preciso e eficiente. O YOLO11 também oferece suporte às mesmas tarefas de visão computacional que o YOLOv8, incluindo detecção de objetos, segmentação de instâncias e classificação de imagens. Na verdade, os usuários podem mudar facilmente para o YOLO11 sem precisar alterar os fluxos de trabalho existentes.

Um dos principais destaques do YOLO11 é o seu desempenho superior em termos de precisão e velocidade, em comparação com os seus antecessores. Com 22% menos parâmetros do que o YOLOv8m, o YOLO11m alcança uma precisão média média (mAP) superior no conjunto de dados COCO, o que significa que consegue detetar objetos com mais precisão e eficiência. Em termos de velocidade de processamento, o YOLO11 supera os modelos anteriores, sendo ideal para aplicações em tempo real, nas quais a deteção e a resposta rápidas são essenciais e cada milissegundo conta.

O gráfico de benchmark abaixo mostra como o YOLO11 se destaca dos modelos anteriores. O eixo horizontal apresenta a precisão média de caixas COCO (AP), que mede a precisão da deteção de objetos. O eixo vertical apresenta a latência com TensorRT 10 FP16 numa GPU NVIDIA T4, indicando a rapidez com que o modelo processa os dados.

Fig. 1. O Ultralytics YOLO11 oferece recursos de detecção de objetos em tempo real de última geração.

Lançamento do modelo Ultralytics YOLO11: opções de código aberto e empresariais#

Com o lançamento do Ultralytics YOLO11, a Ultralytics está a expandir a série YOLO, oferecendo modelos de código aberto e empresariais para responder à crescente procura em vários setores.

Fig. 2. Com este lançamento, a Ultralytics oferece 30 novos modelos.

O YOLO11 inclui cinco tamanhos de modelo distintos: Nano, Small, Medium, Large e X. Os utilizadores podem escolher o modelo mais adequado às necessidades específicas da sua aplicação de visão computacional. Os cinco tamanhos oferecem flexibilidade em tarefas como deteção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose, deteção de objetos com caixas delimitadoras orientadas (OBB) e rastreamento. Existe um modelo para cada tarefa em cada tamanho, resultando num total de 25 modelos de código aberto que constituem o núcleo da oferta da Ultralytics. Estes modelos são ideais para uma ampla variedade de aplicações, desde tarefas leves em dispositivos de periferia, nas quais o YOLO11n oferece uma eficiência impressionante, até aplicações em maior escala que requerem os modelos YOLO11l e YOLO11x.

Pela primeira vez, a Ultralytics está a lançar modelos empresariais, assinalando um marco importante na nossa oferta de produtos, e temos todo o gosto em partilhar estas novas inovações com os nossos utilizadores. O YOLO11 introduz cinco modelos proprietários concebidos especificamente para aplicações comerciais. Estes modelos empresariais, que estarão disponíveis no próximo mês, são treinados com o novo conjunto de dados proprietário da Ultralytics, composto por mais de 1 milhão de imagens, proporcionando modelos pré-treinados mais robustos. Foram desenvolvidos para aplicações exigentes no mundo real, como a análise de imagens médicas e o processamento de imagens de satélite, em que a deteção precisa de objetos é fundamental.

Conheça os recursos de próxima geração do Ultralytics YOLO11#

Agora que discutimos o que o Ultralytics YOLO11 oferece, vamos analisar o que torna o YOLO11 tão especial.

Um dos principais desafios no desenvolvimento do YOLO11 foi encontrar o equilíbrio certo entre prioridades concorrentes: tornar os modelos mais pequenos, mais rápidos e mais precisos. Como explicou Glenn Jocher, fundador e CEO da Ultralytics: «O desenvolvimento e a investigação do YOLO são realmente desafiantes, porque queremos avançar em três direções diferentes: queremos tornar os modelos mais pequenos, queremos que sejam mais precisos, mas também queremos que sejam mais rápidos em plataformas diferentes, como CPU e GPU. Estas prioridades entram todas em conflito, por isso temos de fazer cedências e escolher onde introduzir alterações.» Apesar destes desafios, o YOLO11 alcança um equilíbrio impressionante, oferecendo melhorias tanto na velocidade como na precisão em relação a versões anteriores, como o YOLOv8.

Fig. 3. Exemplo de uso do Ultralytics YOLO11 para detecção de objetos.

O Ultralytics YOLO11 traz melhorias substanciais, como a extração de características melhorada graças a uma arquitetura de backbone e neck redesenhada, o que resulta numa deteção de objetos mais precisa. O modelo também foi otimizado para velocidade e eficiência, oferecendo tempos de processamento mais rápidos sem comprometer a precisão. Para além destas vantagens, o YOLO11 é altamente adaptável a diferentes ambientes, funcionando em dispositivos de periferia, plataformas na nuvem e sistemas com GPUs NVIDIA. Esta adaptabilidade torna-o uma opção ideal para utilizadores que precisam de opções de implementação flexíveis em várias configurações de hardware, desde dispositivos móveis até servidores de grande escala.

Aplicações do Ultralytics YOLO11 em tempo real#

A versatilidade do Ultralytics YOLO11 faz dele uma ferramenta fiável em muitos setores, sobretudo em casos de utilização complexos. Por exemplo, funciona de forma eficiente em dispositivos de periferia e pode ser usado em aplicações que exigem análise em tempo real em ambientes com capacidade computacional limitada. A condução autónoma é um excelente exemplo: os veículos têm de tomar decisões em frações de segundo para manter todos em segurança. O YOLO11 ajuda a detetar e analisar objetos na estrada, como peões e outros automóveis, mesmo em condições difíceis, como pouca luz ou oclusões parciais. Uma deteção rápida e precisa ajuda a prevenir acidentes e garante que os veículos autónomos possam circular em segurança.

Fig. 4. Glenn Jocher no palco do YV24 falando sobre aplicações do Ultralytics YOLO11.

Outro exemplo interessante da variedade de aplicações do Ultralytics YOLO11 é a capacidade de lidar com caixas delimitadoras orientadas (OBB). Esta capacidade é essencial para detetar objetos que não estão perfeitamente alinhados. A deteção de objetos OBB é especialmente útil em setores como a agricultura, a cartografia e a vigilância, em que as imagens contêm frequentemente objetos rodados, como culturas ou edifícios em imagens aéreas ou de satélite. Ao contrário dos modelos tradicionais, o YOLO11 consegue identificar objetos em qualquer ângulo e fornecer resultados muito mais precisos em tarefas que exigem rigor.

Ultralytics YOLO11 para desenvolvedores de IA: experimente você mesmo#

Começar a usar o YOLO11 é simples e acessível, seja com programação ou sem código. Para trabalhar com o YOLO11 usando código, você pode usar o pacote Ultralytics para Python para treinar e implantar modelos facilmente. Se preferir uma abordagem sem código, a Ultralytics Platform permite experimentar o YOLO11 com apenas alguns cliques.

Guia passo a passo do código do Ultralytics YOLO11#

Para usar o YOLO11 com Python, primeiro você precisa instalar o pacote Ultralytics. Você pode fazer isso usando pip, conda ou Docker, conforme sua preferência. Para ver instruções detalhadas e práticas recomendadas relacionadas ao processo de instalação, consulte nosso Guia de instalação da Ultralytics. Se encontrar dificuldades ao instalar os pacotes necessários para o YOLO11, consulte nosso Guia de problemas comuns para encontrar soluções e dicas.

Depois de instalar o pacote Ultralytics, usar o YOLO11 é simples. O seguinte excerto de código explica como carregar um modelo, treiná-lo, testar o seu desempenho e exportá-lo para o formato ONNX. Para exemplos mais detalhados e utilização avançada, consulta a documentação oficial da Ultralytics, onde encontrarás guias detalhados e boas práticas para tirares o máximo partido do YOLO11.

Fig. 5. Uso do YOLO11 pelo pacote Ultralytics.

Para os utilizadores que preferem uma abordagem sem código, a Ultralytics Platform oferece uma forma simples de treinar e implementar modelos YOLO11 com apenas alguns cliques. Para começares a usar a Ultralytics Platform, basta criares uma conta na Ultralytics Platform e poderás começar a treinar e gerir os teus modelos através de uma interface intuitiva.

Ultralytics YOLO11: moldando o futuro da IA para visão#

A comunidade de IA está sempre avançando no campo da visão computacional, buscando desenvolver modelos mais rápidos e precisos para aplicações reais. O Ultralytics YOLO11 é um marco importante nesse esforço, trazendo melhorias de velocidade, precisão e flexibilidade. Ele foi projetado para aplicações em tempo real e de borda, sendo ideal para setores como saúde e condução autônoma. Seja usando o pacote Ultralytics para Python ou a Ultralytics Platform sem código, o YOLO11 simplifica tarefas complexas de IA para visão. Ele oferece recursos avançados de visão computacional, sendo uma ótima opção para desenvolvedores e empresas.

Confira nosso repositório no GitHub e participe da nossa comunidade ativa para saber mais sobre IA. Descubra como a IA visual está impulsionando a inovação em setores como saúde e agricultura.