Como utilizar a secção Reference da documentação do Ultralytics YOLO

Atualmente, a inteligência artificial (IA) está mais acessível do que nunca, permitindo que qualquer pessoa explore rapidamente diferentes modelos de IA para várias tarefas de vanguarda.

Por exemplo, a visão computacional é um ramo da IA que permite aos computadores interpretar e compreender informações visuais provenientes de imagens e vídeos, e é fácil começar a utilizar modelos de visão computacional como o Ultralytics YOLO11.

O Ultralytics YOLO11 suporta tarefas como deteção de objetos, segmentação de instâncias e classificação de imagens, e pode ser utilizado em aplicações como condução autónoma, monitorização de segurança e análise de retalho.

Fig. 1. O Ultralytics YOLO11 pode ser utilizado para detetar vários objetos.

Especificamente, o pacote Python da Ultralytics fornece ferramentas fáceis de utilizar para treinar, personalizar e implementar rapidamente estes modelos de IA, permitindo que utilizadores de todos os níveis de experiência criem facilmente aplicações avançadas de visão computacional.

No entanto, se quiseres compreender mais profundamente como tudo funciona ou criar as tuas próprias personalizações, a secção de referência da documentação da Ultralytics é um excelente recurso. Esta secção aborda o funcionamento interno do pacote Python da Ultralytics, incluindo a forma como os teus dados são processados, o processo de treino dos modelos e a visualização de previsões.

Neste artigo, vamos analisar mais detalhadamente a secção de referência da documentação da Ultralytics e a forma de a utilizar ao trabalhar em projetos de visão computacional. Vamos começar!

Uma análise mais aprofundada do trabalho com modelos Ultralytics YOLO#

Trabalhar com o pacote Python da Ultralytics é simples e direto. Podes treinar modelos YOLO ou detetar objetos em imagens utilizando apenas algumas linhas de código.

No entanto, depois de te familiarizares com o trabalho com modelos de visão computacional, a secção de referência da documentação da Ultralytics ajuda-te a compreender melhor como o código funciona e que funções o pacote suporta. Também inclui explicações fáceis de seguir, opções configuráveis e ligações para código relevante disponível no repositório GitHub da Ultralytics.

Esta secção explica como o pacote Python da Ultralytics está estruturado e aborda componentes essenciais, como a configuração dos modelos, o carregamento de dados, o processo de treino e a forma como as previsões são efetuadas e devolvidas.

Tudo está organizado em categorias claras, por isso é fácil encontrar o que procuras. Por exemplo, se estiveres a treinar um modelo com o teu próprio conjunto de dados, podes aceder à parte da secção de referência dedicada aos dados, que te dará uma ideia mais clara de como os teus dados serão utilizados no treino do modelo.

Como começar a utilizar a secção de referência#

Se acederes à secção de referência na documentação do Ultralytics YOLO, encontrarás um menu no lado esquerdo da página com diferentes categorias de referência. Cada categoria representa uma parte específica da base de código da Ultralytics, como modelos, processamento de dados ou funções de treino.

Ao clicares numa categoria, serás encaminhado para uma página com mais detalhes.

Fig. 2. No lado esquerdo, encontrarás um menu com diferentes categorias de referência.

Do mesmo modo, no lado direito da página, encontrarás o índice, que divide cada página de referência em componentes essenciais, como funções (blocos de código reutilizáveis), classes (modelos para criar objetos) e métodos (funções definidas dentro de classes). Isto facilita o acesso direto ao que procuras.

Fig. 3. No lado direito, encontrarás um índice da página de referência específica que estás a consultar.

A estrutura do repositório GitHub da Ultralytics#

O repositório GitHub da Ultralytics está organizado em subdiretórios ou subpacotes com base em diferentes partes do pacote da Ultralytics, como modelos, treino e dados. A secção de referência da documentação segue esta mesma estrutura, o que facilita a compreensão de como tudo se articula.

Eis alguns dos principais subdiretórios ou categorias que encontrarás tanto no repositório GitHub da Ultralytics como na secção de referência da documentação da Ultralytics:

• Modelos: esta secção centra-se em diferentes modelos e nos seus modos, como efetuar previsões, validar o desempenho e exportar modelos treinados.
• Motor: contém a lógica principal para treinar, validar, efetuar previsões, exportar e avaliar modelos.
• Dados: gere a forma como os conjuntos de dados são carregados, processados e aumentados. Isto inclui funções para criar carregadores de dados (ferramentas que fornecem dados ao modelo em lotes), aplicar transformações (alterações efetuadas às imagens, como redimensionamento ou inversão, para ajudar o modelo a aprender melhor) e preparar dados (organizar e formatar as imagens e etiquetas) para o treino.
• Utilitários: esta secção fornece uma vasta gama de funções auxiliares utilizadas em toda a base de código, como ferramentas de visualização, gestão de ficheiros e cálculo de métricas.
• HUB: estabelece ligação ao Ultralytics HUB, uma plataforma de visão computacional sem código, permitindo utilizar funcionalidades na nuvem, como iniciar sessão, carregar modelos e gerir conjuntos de dados através de uma API.
• Rastreadores: implementa lógica de rastreamento de objetos para aplicações que envolvem vídeo ou sequências de imagens fotograma a fotograma.

Cada um destes subdiretórios no repositório GitHub tem uma secção correspondente na documentação. Esta estrutura é espelhada intencionalmente, facilitando a alternância entre a leitura da documentação e a exploração do código-fonte.

De facto, em muitas páginas de referência, o próprio código-fonte também é apresentado, para que possas ver exatamente como as funções e classes são implementadas sem sair da documentação.

Fig. 4. O código-fonte também está incluído nas páginas de referência.

Compreender os componentes de modelos, motor e dados#

Agora que vimos como a secção de referência está organizada, vamos analisar mais detalhadamente três partes essenciais do pacote da Ultralytics: modelos, motor e dados.

O subdiretório de modelos contém o código que define o funcionamento de cada tipo de modelo. Está organizado tanto por tipos de modelo (como YOLO, FastSAM ou RT-DETR) como por tarefas, como deteção, segmentação ou classificação. Dentro de cada um destes elementos, encontrarás ficheiros ou módulos que processam ações específicas — por exemplo, a forma como o modelo efetua previsões, como é treinado ou como o seu desempenho é avaliado.

Entretanto, o subdiretório do motor funciona nos bastidores para gerir todo o processo. Enquanto o subdiretório de modelos se concentra no que cada modelo deve fazer, o subdiretório do motor concentra-se na forma de executar efetivamente essas tarefas de modo consistente e eficiente.

Além disso, o subdiretório de dados é responsável por carregar e preparar conjuntos de dados. Esta parte da base de código garante que os teus dados de treino estão limpos, estruturados e diversificados, ajudando o modelo a aprender melhor e a generalizar de forma mais eficaz.

Esta separação clara facilita a manutenção do código e dá aos utilizadores flexibilidade para o personalizar.

Exemplos de utilização da secção de referência#

Podes estar a perguntar-te por que motivo é importante compreender as diferentes partes da base de código da Ultralytics. Se souberes que parte do código processa cada tarefa, será muito mais fácil encontrar as informações de que precisas, efetuar alterações ou resolver problemas.

Eis alguns exemplos de como podes utilizar a secção de referência da documentação:

• Se estiveres a perguntar “Como é que o modelo efetua previsões?”, podes aceder à categoria Modelos na secção de referência, selecionar um tipo de modelo (como YOLO), escolher uma tarefa (como detect) e abrir a página Predict para obteres mais informações.
• Se quiseres saber como estão a ser aplicados os aumentos de dados, podes explorar a página Augment na categoria Dados. Esta página apresenta as técnicas de aumento integradas utilizadas para melhorar o desempenho do modelo e a variedade dos dados de treino.

Explorar resultados através da secção de referência#

A secção de referência também é útil quando tentas compreender os resultados devolvidos pelo teu modelo. Depois de um modelo como o Ultralytics YOLO11 ser utilizado para executar uma inferência numa imagem, devolve um conjunto de resultados que descreve o que foi detetado.

Por exemplo, num fluxo de vídeo de uma câmara, o modelo pode detetar uma pessoa e destacar a sua localização utilizando uma caixa delimitadora, juntamente com uma pontuação de confiança — um valor entre 0 e 1 que indica o grau de certeza do modelo relativamente à deteção.

Se estiveres a tentar compreender como utilizar esse resultado no teu projeto, a secção de referência pode orientar-te. Inclui uma página para o módulo Results, que detalha o que está incluído e como lhe aceder no teu código. Encontrarás informações sobre como visualizar caixas de deteção, verificar pontuações de confiança, apresentar resultados ou guardá-los.

Fig. 5. Um exemplo de como os resultados devolvidos pelo YOLO11 podem ser visualizados.

Principais conclusões#

A documentação da Ultralytics ajuda-te a compreender como utilizar modelos YOLO de forma eficaz. Explica processos essenciais, como treinar modelos, preparar dados e trabalhar com resultados. Cada página inclui explicações claras e excertos de código de exemplo para te ajudar a começar rapidamente.

Se tiveres curiosidade sobre o que acontece nos bastidores, a secção de referência da documentação também explica tudo passo a passo. Mostra como o código está estruturado, o que cada parte faz e como tudo funciona em conjunto. Isto facilita a aprendizagem, a personalização e a criação confiante dos teus próprios projetos de visão computacional.

Faz parte da nossa comunidade ativa e explora o repositório GitHub para saberes mais sobre a criação de soluções com IA. Pronto para lançar as tuas próprias ideias de visão computacional? Visita as nossas opções de licenciamento para começar. Descobre como a IA de visão no setor automóvel e a IA na área da saúde estão a causar impacto, visitando as nossas páginas de soluções.