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, enquanto se apressa a explorar as capacidades do modelo. Com processamento mais rápido, maior precisão e modelos otimizados tanto para dispositivos de edge como para implementação na cloud, o YOLO11 redefine o que é possível nas aplicações de visão computacional em tempo real.

Numa entrevista, o fundador e CEO da Ultralytics, Glenn Jocher, afirmou: “O mundo está a avançar em direção à energia limpa, mas não suficientemente depressa. 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 modelo mais pequeno de deteção de objetos, o YOLO11n, tem apenas 2,6 milhões de parâmetros — aproximadamente o tamanho de um JPEG, o que é realmente impressionante. 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 barata, como uma GPU NVIDIA com cinco anos, apenas com algum entusiasmo e um pouco de café.”

Neste artigo, vamos analisar mais detalhadamente o Ultralytics YOLO11, explorando as suas funcionalidades, melhorias, resultados de referência de desempenho e aplicações no mundo real, para te ajudar a compreender 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 da série YOLO (Só Vês Uma Vez) 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, preciso e 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. Na verdade, 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, tanto em precisão como em velocidade, em comparação com os seus antecessores. Com menos 22% de parâmetros do que o YOLOv8m, o YOLO11m alcança uma precisão média (mAP) superior no conjunto de dados COCO, o que significa que consegue detetar objetos com maior 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 referência abaixo ilustra como o YOLO11 se destaca dos modelos anteriores. No eixo horizontal, é apresentada a precisão média de caixas da COCO (AP), que mede a precisão da deteção de objetos. O eixo vertical apresenta a latência utilizando TensorRT10 FP16 numa GPU NVIDIA T4, 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 empresariais#

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

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

O YOLO11 inclui cinco tamanhos de modelo distintos: Nano, Small, Medium, Large e X. Os utilizadores podem escolher o melhor modelo consoante as 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, seguimento, 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 de código aberto que constituem o núcleo das ofertas da Ultralytics. Estes modelos são ideais para uma ampla variedade de aplicações, desde tarefas leves em dispositivos de edge, nas quais o modelo YOLO11n oferece uma eficiência impressionante, até aplicações de maior escala que requerem os modelos YOLO11l e YOLO11x.

Pela primeira vez, a Ultralytics está a apresentar modelos empresariais, assinalando um marco importante na nossa oferta 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 utilização comerciais. Estes modelos empresariais, que estarão disponíveis no próximo mês, são treinados no novo conjunto de dados proprietário da Ultralytics, composto por mais de 1 milhão de imagens, oferecendo modelos pré-treinados mais robustos. Foram concebidos para aplicações exigentes no mundo real, como a análise de imagens médicas e o processamento de imagens de satélite, nas quais a deteção precisa de objetos é crucial.

Explorar as funcionalidades de próxima geração do Ultralytics YOLO11#

Agora que analisámos o que o Ultralytics YOLO11 oferece, vejamos 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, rápidos e precisos. Como explicou Glenn Jocher, fundador e CEO da Ultralytics, “Trabalhar na investigação e desenvolvimento do YOLO é realmente desafiante porque queremos avançar em três direções diferentes: queremos tornar os modelos mais pequenos, queremos que se tornem mais precisos, mas também queremos que sejam mais rápidos em diferentes plataformas, como CPU e GPU. Todos estes objetivos entram em conflito, por isso é necessário fazer compromissos e escolher onde fazer alterações.” Apesar destes desafios, o YOLO11 alcança um equilíbrio impressionante, proporcionando melhorias tanto na velocidade como na precisão em relação a versões anteriores, como o YOLOv8.

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

O Ultralytics YOLO11 traz melhorias substanciais, como uma extração de características melhorada através de uma arquitetura de backbone e neck redesenhada, que resulta numa deteção de objetos mais precisa. O modelo também está otimizado para velocidade e eficiência, oferecendo tempos de processamento mais rápidos sem comprometer a elevada precisão. Para além destes benefícios, o YOLO11 é altamente adaptável a diferentes ambientes, funcionando perfeitamente em dispositivos de edge, plataformas cloud e sistemas que utilizam 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.

Aplicações do Ultralytics YOLO11 em tempo real#

A versatilidade do Ultralytics YOLO11 torna-o uma ferramenta fiável em muitos setores, especialmente ao lidar com casos de utilização complexos. Por exemplo, funciona perfeitamente em dispositivos de edge e pode ser utilizado em aplicações que requerem análise em tempo real em ambientes com capacidade computacional limitada. Um excelente exemplo é a condução autónoma, na qual os veículos precisam de tomar decisões numa fração de segundo para manter todos em segurança. O YOLO11 ajuda ao detetar e analisar objetos na estrada, como peões ou outros carros, mesmo em condições difíceis, como pouca luz ou quando os objetos estão parcialmente ocultos. Uma deteção rápida e precisa ajuda a prevenir acidentes e garante que os veículos autónomos conseguem circular em segurança.

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

Outro exemplo interessante da abrangência do Ultralytics YOLO11 é a sua capacidade de lidar com caixas delimitadoras orientadas (OBB). Esta capacidade é essencial para detetar objetos que não estão perfeitamente alinhados. A deteção de objetos com OBB é especialmente útil em setores como a agricultura, a cartografia e a vigilância, nos quais as imagens contêm frequentemente objetos rodados, como culturas agrícolas 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 exigem precisão.

Ultralytics YOLO11 para programadores de IA: experimenta por ti#

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

Passo a passo do código do Ultralytics YOLO11#

Para utilizar o YOLO11 com Python, primeiro terás de instalar o pacote da Ultralytics. Consoante as tuas preferências, podes fazê-lo utilizando pip, conda ou Docker. Para obteres instruções detalhadas e boas práticas relacionadas com o processo de instalação, consulta o nosso Guia de instalação da Ultralytics. Durante a instalação dos pacotes necessários para o YOLO11, se encontrares alguma dificuldade, consulta o nosso Guia de problemas comuns para obteres soluções e sugestões.

Depois de instalares o pacote da Ultralytics, utilizar o YOLO11 é simples. O seguinte trecho de código mostra-te o processo de carregamento de um modelo, treino, teste do desempenho e exportação para o formato ONNX. Para obteres exemplos mais aprofundados e informações sobre utilização avançada, consulta a documentação oficial da Ultralytics, onde encontrarás guias detalhados e boas práticas para tirares o máximo partido do YOLO11.

Fig. 5. Utilização do YOLO11 através do pacote da 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 utilizar a Ultralytics Platform, basta criares uma conta na Ultralytics Platform para começares a treinar e 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 fazer avançar o campo da visão computacional, procurando desenvolver modelos mais rápidos e precisos para aplicações no mundo real. O Ultralytics YOLO11 é um marco importante neste esforço, trazendo melhorias em velocidade, precisão e flexibilidade. Foi concebido para aplicações em tempo real e de edge, sendo ideal para setores como os cuidados de saúde e a condução autónoma. Quer utilizes o pacote Python da Ultralytics quer a Ultralytics Platform sem código, o YOLO11 simplifica tarefas complexas de IA de visão. Oferece capacidades avançadas de visão computacional, sendo uma excelente escolha para programadores e empresas.

Consulta o nosso repositório no 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 os cuidados de saúde e a agricultura.