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

Treinar um modelo de visão computacional como o Ultralytics YOLO11 normalmente envolve recolher imagens para o teu conjunto de dados, anotá-las, preparar os dados e ajustar o modelo para cumprir os teus requisitos específicos. Embora o pacote Python da Ultralytics torne estes passos simples e fáceis de utilizar, o desenvolvimento de IA para visão computacional pode continuar a exigir bastante tempo.

Isto é especialmente verdade quando trabalhas com um prazo apertado ou estás a desenvolver um protótipo. Nestas situações, ter ferramentas ou integrações que simplifiquem partes do processo — como agilizar a preparação de conjuntos de dados ou automatizar tarefas repetitivas — pode fazer uma grande diferença. Ao reduzir o tempo e o esforço necessários, estas soluções ajudam-te a concentrar na criação e no aperfeiçoamento do teu modelo. É exatamente isso que a integração com o Roboflow oferece.

A integração com o Roboflow permite-te aceder facilmente a conjuntos de dados do Roboflow Universe, uma grande biblioteca de conjuntos de dados de visão computacional de código aberto. Em vez de passares horas a recolher e organizar dados, podes encontrar e utilizar rapidamente conjuntos de dados existentes para dar início ao teu processo de treino do Ultralytics YOLO11. Esta integração torna muito mais rápido e simples experimentar e iterar no desenvolvimento do teu modelo de visão computacional.

Neste artigo, vamos explorar como podes aproveitar a integração com o Roboflow para acelerar o desenvolvimento de modelos. Vamos começar!

O que é o Roboflow Universe?#

O Roboflow Universe é uma plataforma mantida pela Roboflow, uma empresa focada em simplificar o desenvolvimento de visão computacional. Inclui mais de 350 milhões de imagens, 500 000 conjuntos de dados e 100 000 modelos ajustados para tarefas como deteção de objetos, classificação de imagens e segmentação. Com contributos de programadores e investigadores de todo o mundo, o Roboflow Universe é um centro colaborativo para qualquer pessoa que queira iniciar ou melhorar os seus projetos de visão computacional.

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

O Roboflow Universe inclui as seguintes funcionalidades principais:

• Ferramentas de exploração de conjuntos de dados: Explora, filtra e visualiza conjuntos de dados para encontrares rapidamente os recursos alinhados com os requisitos do teu projeto.
• Opções de exportação: Exporta dados em formatos como COCO, YOLO, TFRecord, CSV e outros, de acordo com o teu fluxo de trabalho.
• Análise de conjuntos de dados: Obtém informações sobre vários conjuntos de dados com ferramentas de análise que fornecem visualizações da distribuição de etiquetas, dos desequilíbrios entre classes e da qualidade dos conjuntos de dados.
• Acompanhamento de versões: Consulta e acede a diferentes versões dos conjuntos de dados carregados pelos contribuidores, o que te permite acompanhar atualizações, comparar alterações e escolher a versão mais adequada às necessidades do teu projeto.

A integração com o Roboflow ajuda-te a encontrar os dados certos#

Encontrar o conjunto de dados certo é frequentemente uma das partes mais desafiantes da criação de um modelo de visão computacional. Criar um conjunto de dados normalmente envolve recolher grandes quantidades de imagens, garantir que são relevantes para a tua tarefa e, depois, etiquetá-las com precisão.

Este processo pode consumir muito tempo e recursos, especialmente se estiveres a experimentar abordagens diferentes num curto período. Até encontrar conjuntos de dados já existentes pode ser difícil, pois muitas vezes estão dispersos por várias plataformas, não estão devidamente documentados ou não têm as anotações específicas de que precisas.

Por exemplo, se estiveres a criar uma aplicação de visão computacional para detetar ervas daninhas em campos agrícolas, poderás querer testar diferentes abordagens de IA para visão, como a deteção de objetos em comparação com a segmentação de instâncias. Isto permite-te experimentar e perceber qual o método que funciona melhor antes de investires tempo e esforço na recolha e etiquetagem do teu próprio conjunto de dados.

Fig. 2. Deteção de peças de automóveis com o Ultralytics YOLO11.

Com a integração com o Roboflow, podes explorar uma variedade de conjuntos de dados relacionados com a agricultura, incluindo os focados na deteção de ervas daninhas, na saúde das culturas ou na monitorização de campos. Estes conjuntos de dados prontos a utilizar permitem-te experimentar diferentes técnicas e aperfeiçoar o teu modelo sem o esforço inicial de criares os teus próprios dados.

Como funciona a integração com o Roboflow#

Agora que discutimos como podes utilizar a integração com o Roboflow para encontrar os conjuntos de dados certos, vejamos como ela se integra no teu fluxo de trabalho. Depois de escolheres um conjunto de dados no Roboflow Universe, podes exportá-lo ou descarregá-lo no formato YOLO11. Depois de exportares o teu conjunto de dados, podes utilizá-lo para treinar o YOLO11 de forma personalizada com o pacote Python da Ultralytics.

Ao descarregares o teu conjunto de dados, poderás notar que o Roboflow Universe também suporta outros formatos para treinar modelos diferentes. Então, porque deverias escolher treinar o Ultralytics YOLO11 de forma personalizada?

O YOLO11 é a versão mais recente dos modelos YOLO da Ultralytics e foi criado para proporcionar uma deteção de objetos mais rápida e precisa. Utiliza menos 22% de parâmetros (os valores internos que um modelo ajusta durante o treino para fazer previsões) do que o YOLOv8m, mas alcança uma precisão média (mAP) superior no conjunto de dados COCO. Este equilíbrio entre velocidade e precisão torna o YOLO11 uma escolha versátil para uma vasta gama de aplicações de visão computacional, especialmente ao treinar modelos de forma personalizada para tarefas específicas.

Vê mais de perto como funciona o treino personalizado do Ultralytics YOLO11:

• Alimentação de dados: O modelo Ultralytics YOLO11 processa o teu conjunto de dados, aprendendo a detetar e classificar objetos a partir das imagens e das respetivas anotações.
• Previsão e feedback: O modelo faz previsões sobre os objetos nas imagens e compara-as com as respostas corretas fornecidas no conjunto de dados.
• Acompanhamento do desempenho: Métricas como precisão (deteções corretas), revocação (deteções falhadas) e perda (erros de previsão) são monitorizadas para avaliar o progresso.
• Aprendizagem iterativa: O modelo ajusta os seus parâmetros ao longo de várias rondas (épocas) para melhorar a precisão da deteção e minimizar os erros.
• Resultado final do modelo: Após o treino, o modelo otimizado é guardado e está pronto para implementação.

Outras integrações focadas no desenvolvimento de visão computacional#

Ao explorares a integração com o Roboflow, vais reparar noutras integrações mencionadas na documentação da Ultralytics. Suportamos várias integrações relacionadas com diferentes fases do desenvolvimento de visão computacional.

O objetivo é proporcionar à nossa comunidade várias opções, para que possas escolher a que funciona melhor para o teu fluxo de trabalho específico.

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

Além dos conjuntos de dados, outras integrações suportadas pela Ultralytics focam-se em várias partes do processo de visão computacional, como o treino, a implementação e a otimização. Eis alguns exemplos de outras integrações que suportamos:

• Integrações de treino: Integrações como Amazon SageMaker e Paperspace Gradient simplificam os fluxos de trabalho de treino ao disponibilizarem plataformas baseadas na nuvem para o desenvolvimento e teste eficientes de modelos.
• Integrações de fluxo de trabalho e acompanhamento de experiências: ClearML, MLflow e Weights & Biases (W&B) ajudam a automatizar fluxos de trabalho, acompanhar experiências e melhorar a colaboração, facilitando a gestão de projetos de machine learning.
• Integrações de otimização e implementação: CoreML, ONNX e OpenVINO permitem uma implementação otimizada em vários dispositivos e frameworks, garantindo um desempenho eficiente em plataformas como hardware Apple e CPUs Intel.
• Integrações de monitorização e visualização: TensorBoard e Weights & Biases fornecem ferramentas para visualizar o progresso do treino e monitorizar o desempenho, oferecendo informações detalhadas para aperfeiçoar os modelos.

Aplicações do Ultralytics YOLO11 e o papel das integrações#

As integrações que suportam o desenvolvimento de visão computacional, combinadas com as capacidades fiáveis do Ultralytics YOLO11, facilitam a resolução de desafios do mundo real. Considera inovações como a visão computacional na indústria, onde a IA para visão é utilizada para detetar defeitos numa linha de produção — como riscos em peças metálicas ou componentes em falta. Recolher os dados certos para estas tarefas pode ser frequentemente lento e desafiante, exigindo acesso a ambientes especializados.

Normalmente, isto envolve instalar câmaras ou sensores ao longo das linhas de produção para capturar imagens dos produtos. Estas imagens têm de ser recolhidas em grandes volumes, muitas vezes com iluminação e ângulos consistentes, para garantir clareza e uniformidade.

Depois de capturadas, as imagens têm de ser meticulosamente anotadas com etiquetas precisas para cada tipo de defeito, como riscos, amolgadelas ou componentes em falta. Este processo exige bastante tempo e recursos, bem como conhecimentos especializados, para garantir que o conjunto de dados reflete com precisão a variabilidade do mundo real. É necessário ter em conta fatores como diferentes tamanhos, formas e materiais dos defeitos para criar um conjunto de dados robusto e fiável.

As integrações que fornecem conjuntos de dados prontos facilitam tarefas como o controlo de qualidade industrial e, com as capacidades de deteção em tempo real do Ultralytics YOLO11, os fabricantes podem monitorizar linhas de produção, detetar defeitos instantaneamente e melhorar a eficiência.

Fig. 4. Um exemplo de utilização do Ultralytics YOLO11 para detetar e contar latas em produção.

Para além da indústria, as integrações relacionadas com conjuntos de dados podem ser utilizadas em muitos outros setores. Ao combinar a velocidade e a precisão do Ultralytics YOLO11 com conjuntos de dados facilmente acessíveis, as empresas podem desenvolver e implementar rapidamente soluções adaptadas às suas necessidades específicas. Por exemplo, na área da saúde, as integrações de conjuntos de dados podem ajudar a desenvolver soluções para analisar imagens médicas e detetar anomalias como tumores. Da mesma forma, na condução autónoma, estas integrações podem ajudar a identificar veículos, peões e sinais de trânsito para aumentar a segurança.

Principais conclusões#

Encontrar o conjunto de dados certo é frequentemente uma das partes que mais tempo consome na criação de um modelo de visão computacional. No entanto, a integração com o Roboflow facilita a procura do melhor conjunto de dados para treinares os teus modelos YOLO da Ultralytics de forma personalizada, mesmo que não tenhas experiência em visão computacional.

Com acesso a uma vasta coleção de conjuntos de dados para tarefas de visão computacional como deteção de objetos, classificação de imagens ou segmentação de instâncias, o Roboflow Universe elimina a complexidade do processo de descoberta de dados. Ajuda-te a começar rapidamente e a concentrares-te na criação do teu modelo, em vez de perderes tempo a recolher e organizar dados. Esta abordagem simplificada permite aos programadores criar protótipos, iterar e desenvolver soluções de visão computacional de forma mais eficiente.

Para saberes mais, visita o nosso repositório no GitHub e participa na nossa comunidade. Explora inovações em áreas como IA em veículos autónomos e visão computacional na agricultura nas nossas páginas de soluções. 🚀