Como treinar, validar, prever, exportar e avaliar com modelos Ultralytics YOLO

Vamos mergulhar no mundo da Ultralytics e explorar os diferentes modos disponíveis para os modelos YOLO. Estejas tu a treinar modelos de detecção de objetos personalizados ou a trabalhar em segmentação, compreender estes modos é um passo crucial. Vamos começar!

Através da documentação da Ultralytics, encontrarás vários modos que podes utilizar nos teus modelos, quer seja para treinar, validar, prever, exportar, realizar benchmarks ou rastrear. Cada um destes modos serve um propósito único e ajuda-te a otimizar o desempenho e a implementação do teu modelo.

Link to this sectionModo de treino#

Primeiro, vamos dar uma vista de olhos no modo de treino. É aqui que constróis e refinas o teu modelo. Podes encontrar instruções detalhadas e guias em vídeo na documentação, tornando fácil começar a treinar os teus modelos personalizados.

O treino de modelos envolve fornecer ao modelo um novo conjunto de dados, permitindo que este aprenda vários padrões. Uma vez treinado, o modelo pode ser usado em tempo real para detetar novos objetos nos quais foi treinado. Antes de iniciar o processo de treino, é essencial anotar o teu conjunto de dados no formato YOLO.

Link to this sectionModo de validação#

A seguir, vamos mergulhar no modo de validação. A validação é essencial para ajustar hiperparâmetros e garantir que o teu modelo tem um bom desempenho. A Ultralytics oferece uma variedade de opções de validação, incluindo definições automatizadas, suporte para múltiplas métricas e compatibilidade com a API Python. Podes até executar a validação diretamente através da interface de linha de comandos (CLI) com o comando abaixo.

Link to this sectionPorquê validar?#

A validação é crítica para:

• Precisão: Garantir que o teu modelo deteta objetos com precisão.
• Conveniência: Simplificar o processo de validação.
• Flexibilidade: Oferecer múltiplos métodos de validação.
• Ajuste de Hiperparâmetros: Otimizar o teu modelo para um melhor desempenho.

A Ultralytics também fornece exemplos de utilizador que podes copiar e colar nos teus scripts Python. Estes exemplos incluem parâmetros como tamanho da imagem, tamanho do lote (batch size), dispositivo (CPU ou GPU) e IoU (intersection over union).

Link to this sectionModo de predição#

Assim que o teu modelo estiver treinado e validado, é hora de fazer previsões. O modo Predict permite-te executar inferência em novos dados e ver o teu modelo em ação. Este modo é perfeito para testar o desempenho do teu modelo em dados do mundo real. Com o trecho de código Python abaixo, serás capaz de executar previsões nas tuas imagens!

Link to this sectionModo de exportação#

Após validar e prever, podes querer implementar o teu modelo. O modo de exportação permite-te converter o teu modelo em vários formatos, como ONNX ou TensorRT, facilitando a implementação em diferentes plataformas.

Link to this sectionModo de benchmark#

Finalmente, temos o modo de benchmark. O benchmarking é essencial para avaliar o desempenho do teu modelo em vários cenários. Este modo ajuda-te a tomar decisões informadas sobre a alocação de recursos, otimização e eficiência de custos.

Link to this sectionComo fazer um benchmark#

Para executar um benchmark, podes usar os exemplos de utilizador fornecidos na documentação. Estes exemplos cobrem métricas-chave e formatos de exportação, incluindo ONNX e TensorRT. Também podes especificar parâmetros como quantização de inteiros (INT8) ou quantização de ponto flutuante (FP16) para ver como diferentes definições impactam o desempenho.

Link to this sectionExemplo de benchmarking no mundo real#

Vamos analisar um exemplo real de benchmarking. Ao testarmos o nosso modelo PyTorch, notamos uma velocidade de inferência de 68 milissegundos numa GPU RTX 3070. Após exportar para TorchScript, a velocidade de inferência cai para 4 milissegundos, demonstrando uma melhoria significativa.

Para modelos ONNX, alcançamos uma velocidade de inferência de 21 milissegundos. Testando estes modelos num CPU (um Intel i9 de 13ª geração), vemos resultados variados. O TorchScript corre a 115 milissegundos, enquanto o ONNX tem um desempenho melhor a 84 milissegundos. Finalmente, o OpenVINO otimizado para hardware Intel alcança uns impressionantes 23 milissegundos.

Fig 1. Nicolai Nielsen demonstrando como executar benchmarking com modelos Ultralytics YOLO.

Link to this sectionA importância do benchmarking#

O benchmarking demonstra como diferentes hardwares e formatos de exportação podem impactar o desempenho do teu modelo. É crucial realizar benchmarks aos teus modelos, especialmente se planeias implementá-los em hardware personalizado ou dispositivos de ponta (edge devices). Este processo garante que o teu modelo esteja otimizado para o ambiente de destino, proporcionando o melhor desempenho possível.

Link to this sectionConclusão#

Em resumo, os modos na documentação da Ultralytics são ferramentas poderosas para treinar, validar, prever, exportar e realizar benchmarks nos teus modelos YOLO. Cada modo desempenha um papel vital na otimização do teu modelo e na sua preparação para a implementação.

Não te esqueças de explorar e juntar-te à nossa comunidade e experimentar os trechos de código fornecidos nos teus projetos. Com estas ferramentas, podes criar modelos de alto desempenho e garantir que correm de forma eficiente em qualquer ambiente.