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

Treinar um modelo de visão computacional como o Ultralytics YOLO11 envolve tipicamente coletar imagens para o teu conjunto de dados, anotá-las, preparar os dados e afinar o modelo para satisfazer os teus requisitos específicos. Embora o pacote Python da Ultralytics torne estes passos simples e fáceis de utilizar, o desenvolvimento de IA de visão ainda pode ser demorado.

Isto torna-se particularmente verdade quando estás a trabalhar com um prazo apertado ou a desenvolver um protótipo. Numa situação destas, ter ferramentas ou integrações que simplificam partes do processo — tais 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, estas soluções ajudam-te a focar na construção e no refinamento do teu modelo. É exatamente isso que a integração com o Roboflow oferece.

A integração com o Roboflow permite que acedas facilmente a datasets do Roboflow Universe, uma vasta biblioteca de datasets de visão computacional de código aberto. Em vez de perderes horas a recolher e organizar dados, podes encontrar e utilizar rapidamente datasets existentes para dar início ao teu processo de treino com o Ultralytics YOLO11. Esta integração torna a experimentação e a iteração no desenvolvimento do teu modelo de visão computacional muito mais rápidas e simples.

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

O que é o Roboflow Universe?#

O Roboflow Universe é uma plataforma mantida pelo 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 refinados 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 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: Exporta dados em formatos como COCO, YOLO, TFRecord, CSV e mais para se adequarem ao teu 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.

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

Encontrar o conjunto de dados certo é frequentemente uma das partes mais desafiantes da construção de um modelo de visão computacional. Criar um conjunto de dados envolve geralmente reunir grandes quantidades de imagens, certificar-se de que são relevantes para a tua 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. Deteção de peças de automóvel utilizando o Ultralytics 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.

Como 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 tens uma análise mais detalhada de 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 respetivas 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.

Outras integrações focadas no desenvolvimento de visão computacional#

À medida que exploras a integração com o Roboflow, vais reparar noutras integrações mencionadas na documentação da Ultralytics. Suportamos uma variedade de integrações relacionadas com 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.

Para além dos conjuntos de dados, outras integrações suportadas pela Ultralytics concentram-se em várias partes do processo de visão computacional, tais como o treino, a implementação e a otimização. Eis 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.

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 computer vision in manufacturing, onde a IA de visão é utilizada para detetar defeitos numa linha de produção - como riscos em peças metálicas ou componentes em falta. Recolher os dados certos para tais tarefas pode muitas vezes ser lento e desafiante, 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.

As integrações que fornecem conjuntos de dados prontos a usar 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 uso do Ultralytics YOLO11 para detectar e contar latas sendo fabricadas.

Para além da produção industrial, as integrações relacionadas com conjuntos de dados podem ser utilizadas em muitas outras indústrias. Ao juntar 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. Pensa, por exemplo, na saúde - as integrações de conjuntos de dados podem ajudar a desenvolver soluções para analisar imagens médicas de modo a detetar anomalias como tumores. Da mesma forma, na condução autónoma, essas integrações podem ajudar a identificar veículos, peões e sinais de trânsito para melhorar a segurança.

Principais 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 saberes mais, visita o nosso repositório no GitHub e interage com a nossa comunidade. Explora inovações em áreas como IA em carros autónomos e visão computacional na agricultura nas nossas páginas de soluções. 🚀