Treino personalizado do Ultralytics YOLO11 com conjuntos de dados de visão computacional

Treinar um modelo de visão computacional como o Ultralytics YOLO11 normalmente envolve coletar imagens para o seu conjunto de dados, anotá-las, preparar os dados e ajustar o modelo para atender aos seus requisitos específicos. Embora o pacote Python da Ultralytics torne essas etapas diretas e fáceis de usar, o desenvolvimento de visão por IA ainda pode consumir muito tempo.

Isso se torna particularmente verdadeiro quando você está trabalhando com um prazo apertado ou desenvolvendo um protótipo. Nessas situações, ter ferramentas ou integrações que simplifiquem partes do processo - como otimizar a preparação de conjuntos de dados ou automatizar tarefas repetitivas - pode fazer uma grande diferença. Ao reduzir o tempo e o esforço necessários, essas soluções ajudam você a focar na construção e no refinamento do seu modelo. É exatamente isso que a integração com o Roboflow oferece.

A integração com o Roboflow permite que você acesse facilmente conjuntos de dados do Roboflow Universe, uma grande biblioteca de conjuntos de dados de visão computacional de código aberto. Em vez de passar horas coletando e organizando dados, você pode encontrar e usar rapidamente conjuntos de dados existentes para iniciar seu processo de treinamento do YOLO11. Essa integração torna muito mais rápido e simples experimentar e iterar no desenvolvimento do seu modelo de visão computacional.

Neste artigo, vamos mergulhar em como você pode aproveitar a integração com o Roboflow para um desenvolvimento de modelo mais rápido. Vamos começar!

Link to this sectionO que é o Roboflow Universe?#

O Roboflow Universe é uma plataforma mantida pela Roboflow, uma empresa focada em simplificar o desenvolvimento de visão computacional. Consiste em mais de 350 milhões de imagens, 500.000 conjuntos de dados e 100.000 modelos ajustados para tarefas como detecção de objetos, classificação de imagens e segmentação. Com contribuições de desenvolvedores e pesquisadores de todo o mundo, o Roboflow Universe é um hub colaborativo para qualquer pessoa que queira iniciar ou aprimorar seus projetos de visão computacional.

Fig 1. Exemplos de conjuntos de dados de detecção de objetos no Roboflow Universe.

O Roboflow Universe inclui os seguintes recursos principais:

• Ferramentas de exploração de conjuntos de dados: Explore, filtre e visualize conjuntos de dados para encontrar rapidamente os recursos que se alinham aos requisitos do seu projeto.
• Opções de exportação: Exporte dados em formatos como COCO, YOLO, TFRecord, CSV e muito mais para se adequar ao seu fluxo de trabalho.
• Análise de conjuntos de dados: Obtenha insights sobre vários conjuntos de dados com ferramentas de análise que fornecem visualizações de distribuições de rótulos, desequilíbrios de classes e qualidade do conjunto de dados.
• Rastreamento de versão: Visualize e acesse diferentes versões de conjuntos de dados enviados por colaboradores, permitindo que você rastreie atualizações, compare alterações e escolha a versão que melhor atende às necessidades do seu projeto.

Link to this sectionA integração com o Roboflow ajuda você a encontrar os dados certos#

Encontrar o conjunto de dados certo é frequentemente uma das partes mais desafiadoras da construção de um modelo de visão computacional. Criar um conjunto de dados geralmente envolve reunir grandes quantidades de imagens, garantindo que elas sejam relevantes para sua tarefa e, em seguida, rotulá-las com precisão.

Esse processo pode consumir muito tempo e recursos, especialmente se você estiver experimentando diferentes abordagens em um curto período. Até mesmo encontrar conjuntos de dados pré-existentes pode ser complicado, pois eles geralmente estão espalhados por plataformas, não estão documentados adequadamente ou carecem das anotações específicas de que você precisa.

Por exemplo, se você estiver construindo uma aplicação de visão computacional para detectar plantas daninhas em campos agrícolas, pode querer testar diferentes abordagens de visão por IA, como detecção de objetos versus segmentação de instâncias. Isso permite que você experimente e descubra qual método funciona melhor antes de gastar tempo e esforço coletando e rotulando seu próprio conjunto de dados.

Fig 2. Detectando peças de carro usando YOLO11.

Usando a integração com o Roboflow, você pode navegar por uma variedade de conjuntos de dados relacionados à agricultura, incluindo aqueles focados em detecção de plantas daninhas, saúde das plantações ou monitoramento de campo. Esses conjuntos de dados prontos para uso permitem que você experimente diferentes técnicas e refine seu modelo sem o esforço inicial de criar seus próprios dados.

Link to this sectionComo a integração com o Roboflow funciona#

Agora que discutimos como você pode usar a integração com o Roboflow para encontrar os conjuntos de dados certos, vamos ver como ela se encaixa no seu fluxo de trabalho. Depois de escolher um conjunto de dados do Roboflow Universe, você pode exportá-lo ou baixá-lo no formato YOLO11. Após a exportação do seu conjunto de dados, você pode usá-lo para treinar o YOLO11 de forma personalizada usando o pacote Python da Ultralytics.

Ao baixar seu conjunto de dados, você pode notar que o Roboflow Universe também oferece suporte a outros formatos para treinar modelos diferentes. Então, por que você deve escolher treinar o Ultralytics YOLO11 de forma personalizada?

O YOLO11 é a versão mais recente dos modelos Ultralytics YOLO e foi criado para oferecer uma detecção de objetos mais rápida e precisa. Ele usa 22% menos parâmetros (os valores internos que um modelo ajusta durante o treinamento para fazer previsões) do que o YOLOv8m, mas atinge uma precisão média (mAP) maior no conjunto de dados COCO. Esse equilíbrio de velocidade e precisão torna o YOLO11 uma escolha versátil para uma ampla gama de aplicações de visão computacional, especialmente ao treinar modelos personalizados para tarefas específicas.

Aqui está uma visão mais detalhada de como funciona o treinamento personalizado do YOLO11:

• Alimentação de dados: O modelo YOLO11 processa seu conjunto de dados, aprendendo a detectar e classificar objetos a partir das imagens e suas anotações.
• Previsão e feedback: O modelo faz previsões sobre objetos nas imagens e as compara com as respostas corretas fornecidas no conjunto de dados.
• Rastreamento de desempenho: Métricas como precisão (detecções corretas), recall (detecções perdidas) e perda (erros de previsão) são monitoradas para avaliar o progresso.
• Aprendizado iterativo: O modelo ajusta seus parâmetros ao longo de várias rodadas (épocas) para melhorar a precisão da detecção e minimizar erros.
• Saída final do modelo: Após o treinamento, o modelo otimizado é salvo e pronto para implantação.

Link to this sectionOutras integrações focadas no desenvolvimento de visão computacional#

Ao explorar a integração com o Roboflow, você notará outras integrações mencionadas na documentação da Ultralytics. Oferecemos suporte a uma variedade de integrações relacionadas a várias etapas do desenvolvimento de visão computacional.

Isso serve para fornecer à nossa comunidade uma variedade de opções, para que você possa escolher o que funciona melhor para seu fluxo de trabalho específico.

Fig 3. Uma visão geral das integrações suportadas pela Ultralytics.

Além de conjuntos de dados, outras integrações suportadas pela Ultralytics focam em várias partes do processo de visão computacional, como treinamento, implantação e otimização. Aqui estão alguns exemplos de outras integrações que suportamos:

• Integrações de treinamento: Integrações como Amazon SageMaker e Paperspace Gradient otimizam fluxos de trabalho de treinamento ao oferecer plataformas baseadas em nuvem para desenvolvimento e testes eficientes de modelos.
• Integrações de rastreamento de fluxo de trabalho e experimentos: ClearML, MLflow e Weights & Biases (W&B) ajudam a automatizar fluxos de trabalho, rastrear experimentos e melhorar a colaboração, facilitando o gerenciamento de projetos de aprendizado de máquina.
• Integrações de otimização e implantação: CoreML, ONNX e OpenVINO permitem uma implantação otimizada em vários dispositivos e estruturas, garantindo um desempenho eficiente em plataformas como hardware Apple e CPUs Intel.
• Integrações de monitoramento e visualização: TensorBoard e Weights & Biases fornecem ferramentas para visualizar o progresso do treinamento e monitorar o desempenho, fornecendo insights detalhados para o refinamento de modelos.

Link to this sectionAplicações do YOLO11 e o papel das integrações#

Integrações que suportam o desenvolvimento de visão computacional, combinadas com as capacidades confiáveis do YOLO11, tornam mais fácil resolver desafios do mundo real. Considere inovações como visão computacional na fabricação, onde a visão por IA é usada para detectar defeitos em uma linha de produção - como arranhões em peças metálicas ou componentes ausentes. Coletar os dados certos para tais tarefas pode ser lento e desafiador, exigindo acesso a ambientes especializados.

Normalmente envolve configurar câmeras ou sensores ao longo das linhas de produção para capturar imagens dos produtos. Essas imagens precisam ser tiradas em grandes volumes, muitas vezes sob iluminação e ângulos consistentes, para garantir clareza e uniformidade.

Uma vez capturadas, as imagens devem ser meticulosamente anotadas com rótulos precisos para cada tipo de defeito, como arranhões, amassados ou componentes ausentes. Esse processo requer tempo e recursos substanciais, além de experiência, para garantir que o conjunto de dados reflita com precisão a variabilidade do mundo real. Fatores como diferentes tamanhos de defeitos, formas e materiais devem ser considerados para criar um conjunto de dados robusto e confiável.

Integrações que fornecem conjuntos de dados prontos facilitam tarefas como controle de qualidade industrial e, com as habilidades de detecção em tempo real do YOLO11, os fabricantes podem monitorar linhas de produção, detectar defeitos instantaneamente e melhorar a eficiência.

Fig 4. Um exemplo de uso do Ultralytics YOLO11 para detectar e contar latas sendo fabricadas.

Além da fabricação, integrações relacionadas a conjuntos de dados podem ser usadas em muitas outras indústrias. Ao combinar a velocidade e a precisão do YOLO11 com conjuntos de dados facilmente acessíveis, as empresas podem desenvolver e implantar rapidamente soluções adaptadas às suas necessidades específicas. Tome, por exemplo, a saúde - integrações de conjuntos de dados podem ajudar a desenvolver soluções para analisar imagens médicas para detectar anormalidades como tumores. Da mesma forma, na direção autônoma, tais integrações podem ajudar a identificar veículos, pedestres e sinais de trânsito para aumentar a segurança.

Link to this sectionPrincipais pontos#

Encontrar o conjunto de dados certo é frequentemente uma das partes mais demoradas da construção de um modelo de visão computacional. No entanto, a integração com o Roboflow torna mais fácil encontrar o melhor conjunto de dados para treinar seus modelos Ultralytics YOLO de forma personalizada, mesmo se você for novo em visão computacional.

Com acesso a uma vasta coleção de conjuntos de dados para tarefas de visão computacional como detecção de objetos, classificação de imagens ou segmentação de instâncias, o Roboflow Universe elimina o incômodo do processo de descoberta de dados. Ele ajuda você a começar rapidamente e a focar na construção do seu modelo, em vez de gastar tempo coletando e organizando dados. Essa abordagem simplificada capacita os desenvolvedores a prototipar, iterar e desenvolver soluções de visão computacional com mais eficiência.

Para saber mais, visite nosso repositório no GitHub e interaja com nossa comunidade. Explore inovações em áreas como IA em carros autônomos e visão computacional na agricultura em nossas páginas de soluções. 🚀