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 computer vision, após a sua estreia no YOLO Vision 2024 (YV24), o evento híbrido anual da Ultralytics. A comunidade de IA tem vibrado de entusiasmo enquanto corre para explorar as capacidades do modelo. Com um processamento mais rápido, maior precisão e modelos otimizados tanto para dispositivos de ponta quanto para implantação em nuvem, o YOLO11 redefine o que é possível em aplicações de visão computacional em tempo real.

Em uma interview, o fundador e CEO da Ultralytics, Glenn Jocher, partilhou: "O mundo está a caminhar para a clean energy, mas não com rapidez suficiente. Queremos que os nossos modelos possam ser treinados em menos épocas, com menos ampliações e menos dados, por isso estamos a trabalhar arduamente nisso. O menor modelo de deteção de objetos, o YOLO11n, tem apenas 2,6 milhões de parâmetros — cerca do tamanho de um ficheiro JPEG, o que é realmente louco. O maior modelo de object detection, o YOLO11x, tem cerca de 56 milhões de parâmetros, e mesmo esse é incrivelmente pequeno em comparação com outros modelos. Podes treiná-los numa GPU barata, como uma GPU da Nvidia com cinco anos, apenas com algum entusiasmo e um pouco de café."

Neste artigo, vamos analisar mais de perto o Ultralytics YOLO11, explorando seus recursos, melhorias, benchmarks de desempenho e aplicações no mundo real para ajudar-te a entender o que este modelo pode fazer. Vamos começar!

Compreender o Ultralytics YOLO11: Melhorias em relação às versões anteriores#

O YOLO11 é o mais recente avanço na série YOLO (You Only Look Once) de computer vision models e oferece melhorias significativas em relação a versões anteriores como YOLOv5 e 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 computer vision tasks que o YOLOv8, incluindo object detection, instance segmentation e image classification. De facto, os utilizadores podem mudar facilmente para o YOLO11 sem precisarem de 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 predecessores. Com menos 22% de parâmetros do que o YOLOv8m, o YOLO11m alcança uma mean average precision (mAP) mais elevada no COCO dataset, o que significa que consegue detetar objetos com mais precisão e eficiência. 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 cruciais e cada milissegundo conta.

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

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

Lançamento do modelo Ultralytics YOLO11: Opções de código aberto e empresarial#

Com the launch of Ultralytics YOLO11, a Ultralytics está a expandir a série YOLO ao oferecer modelos tanto de open-source como de enterprise para satisfazer a crescente procura em todos os 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. Podes escolher o melhor modelo dependendo das necessidades específicas da tua computer vision application’s. Os cinco tamanhos oferecem flexibilidade em tarefas como image classification, object detection, instance segmentation, tracking, pose estimation e oriented bounding boxes (OBB) object detection. 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 ampla gama de applications, desde tarefas leves em dispositivos de ponta, onde o modelo YOLO11n oferece uma eficiência impressionante, até larger-scale applications que exigem os modelos YOLO11l e YOLO11x.

Pela primeira vez, a Ultralytics está a introduzir modelos enterprise, marcando um marco importante 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 comercial. Estes modelos empresariais, que estarão disponíveis no próximo mês, são treinados no novo dataset proprietário da Ultralytics, consistindo em mais de 1 milhão de imagens, oferecendo modelos pré-treinados mais robustos. Foram concebidos para demanding, real-world applications, tais como medical imagery analysis e satellite image processing, onde a deteção precisa de objetos é crucial.

Explorando as funcionalidades de nova geração do Ultralytics YOLO11#

Agora que já discutimos o que o Ultralytics YOLO11 oferece, vamos dar uma olhada no 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, Working on YOLO research and development é realmente 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 concorrentes, por isso tens de fazer compromissos e escolher onde fazer alterações. Apesar destes desafios, o YOLO11 alcança um equilíbrio impressionante, proporcionando melhorias tanto de velocidade como de precisão em comparação com versões anteriores como o YOLOv8.

Fig 3. Um exemplo de uso do Ultralytics YOLO11 para deteção de objetos.

O Ultralytics YOLO11 traz melhorias substanciais, como a extração de recursos aprimorada com uma arquitetura de backbone e pescoço przepesenhada, levando a uma detecção de objetos mais precisa. O modelo também é otimizado para velocidade e eficiência, oferecendo tempos de processamento mais rápidos enquanto mantém alta precisão. Além desses benefícios, o YOLO11 é altamente adaptável em diferentes ambientes, funcionando perfeitamente em dispositivos de borda, plataformas em nuvem e sistemas que usam GPUs NVIDIA. Essa adaptabilidade o torna a escolha ideal para usuários que precisam de opções de implantação flexíveis em várias configurações de hardware, desde dispositivos móveis até servidores de grande escala.

Aplicações em tempo real do Ultralytics YOLO11#

A versatilidade do Ultralytics YOLO11 o torna uma ferramenta confiável em muitos setores, especialmente ao lidar com casos de uso complexos. Por exemplo, ele funciona perfeitamente em dispositivos de borda e pode ser usado para aplicações que exigem análise em tempo real em ambientes com poder computacional limitado. Um excelente exemplo disso é a condução autônoma, onde os veículos precisam tomar decisões em frações de segundo para manter todos seguros. O YOLO11 ajuda ao detectar e analisar objetos na estrada, como pedestres ou outros carros, mesmo em condições difíceis, como pouca luz ou quando as coisas estão parcialmente ocultas. A detecção rápida e precisa ajuda a evitar acidentes e garante que os veículos possam navegar com segurança.

Fig 4. Glenn Jocher em palco no YV24, a falar sobre as aplicações do Ultralytics YOLO11.

Outro exemplo interessante da gama do Ultralytics YOLO11 é sua capacidade de lidar com caixas delimitadoras orientadas (OBB). Ele é essencial para detectar objetos que não estão perfeitamente alinhados. A detecção de objetos OBB é um recurso especialmente útil em setores como agricultura, mapeamento e vigilância, onde as imagens geralmente contêm objetos rotacionados, como plantações ou edifícios em imagens aéreas ou de satélite. Ao contrário dos modelos tradicionais, o YOLO11 pode identificar objetos em qualquer ângulo e fornecer resultados muito mais precisos para tarefas que exigem precisão.

Ultralytics YOLO11 para programadores de IA: Experimenta tu próprio#

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

Demonstração de código do Ultralytics YOLO11#

Para utilizar o YOLO11 com Python, precisarás primeiro de instalar o pacote da Ultralytics. Dependendo das tuas preferências, podes fazê-lo utilizando o pip, conda ou Docker. Para obter instruções detalhadas e melhores práticas relacionadas com o processo de instalação, certifica-te de consultar o nosso Ultralytics Installation Guide. Ao instalar os pacotes necessários para o YOLO11, se encontrares alguma dificuldade, consulta o nosso Common Issues Guide para obter soluções e dicas.

Assim que tiveres o pacote da Ultralytics instalado, using YOLO11 is straightforward. O seguinte trecho de código guia-te pelo processo de loading a model, training it, testing its performance e exporting para o ONNX format. Para exemplos mais aprofundados e utilização avançada, certifica-te de consultar a official Ultralytics documentation, onde encontrarás guides detalhados e melhores práticas para getting the most out of YOLO11.

Fig 5. Usar o YOLO11 através do pacote Ultralytics.

Para os utilizadores que preferem uma abordagem sem código, a Ultralytics Platform fornece uma forma fácil de treinar e implementar modelos YOLO11 com apenas alguns cliques. Para get started with Ultralytics Platform, basta criares uma conta na plataforma da Ultralytics, e poderás começar a treinar e a gerir os teus modelos através de uma interface intuitiva.

Ultralytics YOLO11: 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.

Confere o nosso repositório do GitHub e junta-te à nossa comunidade ativa para saberes mais sobre IA. Explora como a IA de visão está a impulsionar a inovação em setores como saúde e agricultura.