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

O treino de um modelo de visão computacional como o Ultralytics YOLO11 envolve normalmente a recolha de imagens para o conjunto de dados, a sua anotação, a preparação dos dados e o ajuste fino do modelo para satisfazer os teus requisitos específicos. Embora o pacote Ultralytics para Python torne estas etapas simples e fáceis de executar, o desenvolvimento de IA para visão computacional pode continuar a consumir muito tempo.

Isto é particularmente importante quando trabalhas com prazos apertados ou desenvolves um protótipo. Nestas situações, ter ferramentas ou integrações que simplificam 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-te na criação e no aperfeiçoamento do modelo. É exatamente isso que a integração com a Roboflow oferece.

A integração com 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 usar rapidamente conjuntos de dados existentes para dar início ao 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 explicar como podes tirar partido da integração com a Roboflow para acelerar o desenvolvimento de modelos.

O que é o Roboflow Universe?#

O Roboflow Universe é uma plataforma mantida pela Roboflow, uma empresa dedicada a simplificar o desenvolvimento de visão por computador. Inclui mais de 350 milhões de imagens, 500 000 conjuntos de dados e 100 000 modelos ajustados para tarefas como deteção de objetos, segmentação e classificação de imagens. Com contributos de programadores e investigadores de todo o mundo, o Roboflow Universe é um espaço colaborativo para quem quer iniciar ou melhorar os seus projetos de visão por computador.

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 encontrar rapidamente os recursos que correspondem aos 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 rótulos, dos desequilíbrios entre classes e da qualidade dos dados.
• Acompanhamento de versões: Consulta e acede a diferentes versões dos conjuntos de dados carregados pelos colaboradores, o que te permite acompanhar atualizações, comparar alterações e escolher a versão que melhor se adapta às necessidades do teu projeto.

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

Encontrar o conjunto de dados certo é muitas vezes uma das partes mais difíceis de criar um modelo de visão computacional. A criação de um conjunto de dados envolve normalmente a recolha de um grande número de imagens, a confirmação de que são relevantes para a tua tarefa e a respetiva rotulagem precisa.

Este processo pode consumir muito tempo e recursos, especialmente se estiveres a experimentar abordagens diferentes num curto período. Até encontrar conjuntos de dados existentes pode ser complicado, pois estão muitas vezes dispersos por várias plataformas, mal documentados ou sem 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 e a segmentação de instâncias. Assim, podes experimentar e descobrir que método funciona melhor antes de dedicares tempo e esforço à recolha e rotulagem do teu próprio conjunto de dados.

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

Com a integração com Roboflow, podes explorar vários conjuntos de dados relacionados com a agricultura, incluindo os dedicados à deteção de ervas daninhas, à saúde das culturas ou à monitorização de campos. Estes conjuntos de dados prontos a usar permitem-te experimentar diferentes técnicas e aperfeiçoar o modelo sem o trabalho inicial de criar os teus próprios dados.

Como funciona a integração com Roboflow#

Agora que já vimos como podes usar a integração com Roboflow para encontrar os conjuntos de dados certos, vamos ver como se encaixa no teu fluxo de trabalho. Depois de escolheres um conjunto de dados no Roboflow Universe, podes exportá-lo ou transferi-lo no formato YOLO11. Quando o conjunto de dados estiver exportado, podes usá-lo para treinar o YOLO11 com dados personalizados através do pacote Ultralytics para Python.

Ao transferires o conjunto de dados, poderás reparar que o Roboflow Universe também suporta outros formatos para treinar modelos diferentes. Então, porquê escolher o treino personalizado do Ultralytics YOLO11?

Na altura em que este artigo foi escrito, o YOLO11 era a versão mais recente dos modelos Ultralytics YOLO (desde então, foi sucedido pelo Ultralytics YOLO26) e foi concebido para oferecer uma deteção de objetos mais rápida e precisa. O YOLO11m usa 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 média (mAP) superior no conjunto de dados COCO. Este equilíbrio entre velocidade e precisão torna o YOLO11 uma opção versátil para uma ampla variedade de aplicações de visão por computador, especialmente ao treinar modelos de forma personalizada para tarefas específicas.

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

• Introdução de dados: O modelo Ultralytics YOLO11 processa o teu conjunto de dados e aprende a detetar e classificar objetos com base nas imagens e respetivas anotações.
• Previsões 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 (quantas deteções estão corretas), revocação (quantos objetos reais são encontrados) 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 fica pronto para implementação.

Outras integrações dedicadas ao desenvolvimento de visão computacional#

Ao explorares a integração com Roboflow, vais encontrar outras integrações mencionadas na documentação da Ultralytics. Suportamos várias integrações relacionadas com diferentes etapas do desenvolvimento de visão computacional.

O objetivo é oferecer à nossa comunidade várias opções, para que possas escolher a que melhor se adapta ao teu fluxo de trabalho.

Fig. 3. Visão geral das integrações suportadas pela Ultralytics.

Além dos conjuntos de dados, outras integrações suportadas pela Ultralytics abrangem várias etapas do processo de visão por computador, 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 oferecer plataformas na nuvem para o desenvolvimento e teste eficientes de modelos.
• Integrações para fluxos 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 aprendizagem automática.
• 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 modelos.

Aplicações do Ultralytics YOLO11 e o papel das integrações#

As integrações que dão suporte ao desenvolvimento de visão computacional, combinadas com os recursos confiáveis do Ultralytics YOLO11, facilitam a resolução de desafios do mundo real. Considere inovações como visão computacional na indústria, em que a IA visual é usada para detectar defeitos numa linha de produção — como riscos em peças metálicas ou componentes em falta. A recolha dos dados certos para essas tarefas pode ser lenta e desafiadora, muitas vezes exigindo acesso a ambientes especializados.

Normalmente, isso envolve instalar câmaras ou sensores ao longo das linhas de produção para capturar imagens dos produtos. É preciso tirar muitas imagens, geralmente com iluminação e ângulos consistentes, para garantir clareza e uniformidade.

Depois de capturadas, as imagens têm de ser anotadas meticulosamente com rótulos precisos para cada tipo de defeito, como riscos, amolgadelas ou componentes em falta. Esse processo exige bastante tempo e recursos, além de conhecimentos especializados, para garantir que o conjunto de dados represente com precisão a variabilidade do mundo real. É preciso ter em conta fatores como os diferentes tamanhos, formatos e materiais dos defeitos para criar um conjunto de dados robusto e fiável.

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

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

Além da indústria, as integrações relacionadas com conjuntos de dados podem ser usadas 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. Do mesmo modo, na condução autónoma, essas integrações podem ajudar a identificar veículos, peões e sinais de trânsito para aumentar a segurança.

Principais conclusões#

Encontrar o conjunto de dados certo é muitas vezes uma das etapas mais demoradas na criação de um modelo de visão computacional. No entanto, a integração com a Roboflow facilita a procura do melhor conjunto de dados para treinar os teus modelos Ultralytics YOLO personalizados, mesmo que estejas a começar na área da visão computacional.

Com acesso a uma vasta coleção de conjuntos de dados para tarefas de visão por computador, como deteção de objetos, classificação de imagens ou segmentação de instâncias, o Roboflow Universe simplifica a descoberta de dados. Ajuda-te a começar rapidamente e a concentrar-te na criação do modelo, em vez de perderes tempo a recolher e organizar dados. Esta abordagem simplificada ajuda os programadores a criar protótipos, iterar e desenvolver soluções de visão por computador com mais eficiência.

Para saberes mais, visita o nosso repositório do GitHub e participa na nossa comunidade. Explora inovações em áreas como a IA em automóveis autónomos e a visão por computador na agricultura nas nossas páginas de soluções.