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

Na segunda-feira, 30 de setembro, a Ultralytics lançou oficialmente o Ultralytics YOLO11, o mais recente avanço em visão computacional, após a sua estreia no YOLO Vision 2024 (YV24), o evento híbrido anual da Ultralytics. A comunidade de IA está entusiasmada e apressada para explorar as capacidades do modelo. Com um processamento mais rápido, maior precisão e modelos otimizados tanto para dispositivos edge como para implementação na cloud, o YOLO11 redefine o que é possível em aplicações de visão computacional em tempo real.

Numa entrevista, o fundador e CEO da Ultralytics, Glenn Jocher, partilhou: “O mundo está a caminhar para energia limpa, mas não suficientemente rápido. Queremos que os nossos modelos sejam treináveis em menos épocas, com menos aumentações e menos dados, por isso estamos a trabalhar arduamente nisso. O modelo de deteção de objetos mais pequeno, 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 esse é incrivelmente pequeno comparado com outros modelos. Podes treiná-los num GPU barato, como um GPU Nvidia com cinco anos, apenas com algum entusiasmo e um pouco de café.”

Neste artigo, vamos analisar mais de perto o YOLO11, explorando as suas funcionalidades, melhorias, benchmarks de desempenho e aplicações no mundo real para te ajudar a entender o que este modelo consegue fazer. Vamos começar!

Link to this sectionEntender o YOLO11: Melhorias em relação às versões anteriores#

O YOLO11 é o mais recente avanço na série YOLO (You Only Look Once) de modelos de visão computacional, e oferece melhorias significativas em relação a versões anteriores como o YOLOv5 e o YOLOv8. A equipa da Ultralytics incorporou o feedback da comunidade e investigação de ponta para tornar o YOLO11 mais rápido, mais preciso e mais eficiente. O YOLO11 também suporta as mesmas tarefas de visão computacional que o YOLOv8, incluindo deteção de objetos, segmentação de instâncias e classificação de imagens. De facto, os utilizadores podem facilmente mudar para o YOLO11 sem necessidade de alterar os fluxos de trabalho existentes.

Um dos pontos principais do YOLO11 é o seu desempenho superior em precisão e velocidade comparado com os seus antecessores. Com menos 22% de parâmetros do que o YOLOv8m, o YOLO11m atinge uma precisão média média (mAP) mais elevada no dataset COCO, o que significa que consegue detetar objetos de forma mais precisa e eficiente. Em termos de velocidade de processamento, o YOLO11 supera os modelos anteriores, tornando-o ideal para aplicações em tempo real, onde a deteção e resposta rápidas são críticas, e cada milissegundo conta.

O gráfico de benchmarking abaixo ilustra como o YOLO11 se destaca dos modelos anteriores. No eixo horizontal, mostra a Precisão Média (AP) de BBox no COCO, que mede a precisão da deteção de objetos. O eixo vertical apresenta a latência usando TensorRT10 FP16 num GPU NVIDIA T4, indicando a rapidez com que o modelo processa os dados.

Fig 1. O YOLO11 fornece capacidades de deteção de objetos em tempo real de última geração.

Link to this sectionLançamento do modelo YOLO11: Opções open-source e empresariais#

Com o lançamento do Ultralytics YOLO11, a Ultralytics expande a série YOLO ao oferecer modelos tanto open-source como empresariais para satisfazer a crescente procura em vários setores.

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

O YOLO11 apresenta cinco tamanhos de modelos distintos - Nano, Small, Medium, Large e X. Os utilizadores podem escolher o melhor modelo dependendo das necessidades específicas da sua aplicação de visão computacional. Os cinco tamanhos oferecem flexibilidade em tarefas como classificação de imagens, deteção de objetos, segmentação de instâncias, rastreamento, estimativa de pose e deteção de objetos com caixas delimitadoras orientadas (OBB). Para cada tamanho, existe um modelo disponível para cada tarefa, resultando num total de 25 modelos open-source que formam o núcleo das ofertas da Ultralytics. Estes modelos são ideais para uma vasta gama de aplicações, desde tarefas leves em dispositivos edge, onde o modelo YOLO11n oferece uma eficiência impressionante, até aplicações de maior escala que requerem os modelos YOLO11l e YOLO11x.

Pela primeira vez, a Ultralytics introduz modelos empresariais, marcando um grande marco nas nossas ofertas de produtos, e estamos entusiasmados por partilhar estas novas inovações com os nossos utilizadores. O YOLO11 introduz cinco modelos proprietários concebidos especificamente para casos de uso comerciais. Estes modelos empresariais, que estarão disponíveis no próximo mês, são treinados no novo dataset proprietário da Ultralytics, composto por mais de 1 milhão de imagens, oferecendo modelos pré-treinados mais robustos. São projetados para aplicações exigentes no mundo real, como análise de imagens médicas e processamento de imagens de satélite, onde a deteção precisa de objetos é crucial.

Link to this sectionExplorar funcionalidades de próxima geração do YOLO11#

Agora que discutimos o que o YOLO11 oferece, vamos dar uma vista de olhos no que torna o YOLO11 tão especial.

Um dos desafios chave 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: “Trabalhar na investigação e desenvolvimento do YOLO é muito desafiante porque queres seguir em três direções diferentes: queres tornar os modelos mais pequenos, queres que se tornem mais precisos, mas também queres que sejam mais rápidos em diferentes plataformas como CPU e GPU. Todos estes são interesses conflitantes, por isso tens de fazer compromissos e escolher onde fazer alterações.” Apesar destes desafios, o YOLO11 atinge um equilíbrio impressionante, proporcionando melhorias tanto de velocidade como de precisão em relação a versões anteriores como o YOLOv8.

Fig 3. Um exemplo de utilização do YOLO11 para deteção de objetos.

O YOLO11 traz melhorias substanciais como extração de características melhorada com uma arquitetura de backbone e pescoço redesenhada, levando a uma deteção de objetos mais precisa. O modelo também é otimizado para velocidade e eficiência, oferecendo tempos de processamento mais rápidos enquanto mantém uma alta precisão. Além destes benefícios, o YOLO11 é altamente adaptável a diferentes ambientes, funcionando sem problemas em dispositivos edge, plataformas cloud e sistemas que usam GPUs NVIDIA. Esta adaptabilidade torna-o uma escolha ideal para utilizadores que precisam de opções de implementação flexíveis em várias configurações de hardware, desde dispositivos móveis a servidores de grande escala.

Link to this sectionAplicações do YOLO11 em tempo real#

A versatilidade do YOLO11 torna-o uma ferramenta fiável em muitos setores, especialmente ao lidar com casos de uso complexos. Por exemplo, funciona perfeitamente em dispositivos edge e pode ser usado para aplicações que requerem análise em tempo real em ambientes com poder computacional limitado. Um excelente exemplo disso é a condução autónoma, onde os veículos precisam de tomar decisões em frações de segundo para manter todos seguros. O YOLO11 ajuda ao detetar e analisar objetos na estrada, como peões ou outros carros, mesmo em condições difíceis como baixa luminosidade ou quando as coisas estão parcialmente escondidas. Uma deteção rápida e precisa ajuda a prevenir acidentes e garante que os veículos autónomos conseguem navegar em segurança.

Fig 4. Glenn Jocher no palco na YV24, a falar sobre aplicações do YOLO11.

Outro exemplo interessante da gama do YOLO11 é a sua capacidade de lidar com caixas delimitadoras orientadas (OBB). É essencial para detetar objetos que não estão perfeitamente alinhados. A deteção de objetos OBB é uma funcionalidade especialmente útil em setores como agricultura, mapeamento e vigilância, onde 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 para tarefas que requerem precisão.

Link to this sectionYOLO11 para programadores de IA: Experimenta tu próprio#

Começar com o YOLO11 é simples e acessível, quer prefiras programar ou uma opção sem código. Para trabalhar com o YOLO11 através de código, podes usar o pacote Python da Ultralytics para treinar e implementar modelos facilmente. Se preferes uma abordagem sem código, a Plataforma Ultralytics permite-te experimentar o YOLO11 com apenas alguns cliques.

Link to this sectionPasso a passo do código YOLO11#

Para usar o YOLO11 com Python, primeiro precisarás de instalar o pacote Ultralytics. Dependendo das tuas preferências, podes fazer isto usando pip, conda ou Docker. Para instruções detalhadas e melhores práticas relacionadas com o processo de instalação, não deixes de consultar o nosso Guia de Instalação Ultralytics. Enquanto instalas os pacotes necessários para o YOLO11, se encontrares alguma dificuldade, consulta o nosso Guia de Problemas Comuns para soluções e dicas.

Assim que tiveres o pacote Ultralytics instalado, usar o YOLO11 é simples. O seguinte excerto de código guia-te pelo processo de carregar um modelo, treiná-lo, testar o seu desempenho e exportá-lo para formato ONNX. Para exemplos mais aprofundados e uso avançado, não deixes de consultar a documentação oficial da Ultralytics, onde encontrarás guias detalhados e melhores práticas para obteres o máximo do YOLO11.

Fig 5. Usar o YOLO11 através do pacote Ultralytics.

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

Link to this sectionYOLO11: A moldar o futuro da IA de visão#

A comunidade de IA está constantemente a avançar no campo da visão computacional ao esforçar-se por desenvolver modelos mais rápidos e mais precisos para aplicações do mundo real. O Ultralytics YOLO11 é um marco importante neste esforço, trazendo melhorias de velocidade, precisão e flexibilidade. Foi concebido para aplicações de tempo real e edge, tornando-o ideal para setores como a saúde e a condução autónoma. Quer estejas a usar o pacote Python da Ultralytics ou a Plataforma Ultralytics sem código, o YOLO11 simplifica tarefas complexas de IA de visão. Fornece capacidades poderosas de visão computacional, tornando-o uma excelente escolha para programadores e empresas.

Confira nosso repositório GitHub e junte-se à nossa comunidade ativa para aprender mais sobre IA. Explore como a IA de visão está impulsionando a inovação em setores como saúde e agricultura.