Como usar a seção de Referência da documentação do Ultralytics YOLO

Hoje em dia, a inteligência artificial (IA) está mais acessível do que nunca, tornando possível para qualquer pessoa mergulhar no assunto e começar rapidamente a usar diferentes modelos de IA para diversas tarefas de ponta.

Por exemplo, a computer vision é um ramo da IA que permite que computadores interpretem e compreendam informações visuais de imagens e vídeos, e modelos de visão computacional como o Ultralytics YOLO11 são fáceis de começar a usar.

O Ultralytics YOLO11 suporta tarefas como deteção de objetos, segmentação de instâncias e classificação de imagens, e pode ser utilizado para 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 Ultralytics Python package fornece ferramentas fáceis de usar para treinar, personalizar e implantar rapidamente esses modelos de IA, permitindo que utilizadores de todos os níveis de habilidade construam facilmente aplicações avançadas de visão computacional.

No entanto, se tens interesse em aprofundar o funcionamento de tudo ou criar as tuas próprias personalizações, a Reference section da documentação do Ultralytics é um excelente recurso. Ela aborda o funcionamento interno do pacote Python do Ultralytics, incluindo como os teus dados são tratados, o processo de treino do modelo e como podes visualizar previsões.

Neste artigo, veremos mais de perto a seção de Referência da documentação da Ultralytics e como usá-la ao trabalhar em projetos de visão computacional. Vamos começar!

Um olhar mais profundo sobre como trabalhar com modelos Ultralytics YOLO#

Trabalhar com o pacote Python do Ultralytics é simples e direto. Podes treinar modelos YOLO ou detect objects em imagens usando apenas algumas linhas de código.

No entanto, assim que te familiarizares com o trabalho com modelos de visão computacional, a seção de referência da documentação do Ultralytics ajuda-te a dar uma olhada mais profunda em how the code works e quais funções o pacote suporta. Ela também inclui explicações fáceis de seguir, opções configuráveis e links para código relevante disponível no repositório do GitHub do Ultralytics.

Ela explica como o pacote Python da Ultralytics é estruturado e cobre componentes principais como configuração de modelos, carregamento de dados, processo de treinamento e como as previsões são feitas e retornadas.

Tudo é organizado em categorias claras, por isso é fácil encontrar o que você procura. Por exemplo, se você estiver treinando um modelo com seu próprio conjunto de dados, pode ir para a parte da seção de Referência focada em dados, e ela lhe dará uma ideia melhor de como seus dados serão usados para o treinamento do modelo.

Como começar a usar a seção de Referência#

Se fores para a seção 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 do Ultralytics, como models, tratamento de dados ou funções de treino.

Clicar em uma categoria leva você a uma página que fornece mais detalhes.

Fig 2. À esquerda, encontrarás um menu de diferentes categorias de referência.

Da mesma forma, no lado direito da página, você encontrará o sumário que divide cada página de referência em componentes principais, como funções (blocos de código reutilizáveis), classes (modelos para criar objetos) e métodos (funções definidas dentro das classes). Isso facilita ir direto ao que você procura.

Fig 3. À direita, encontrarás uma tabela de conteúdos para a página de referência específica que estás a visualizar.

A estrutura do repositório da Ultralytics no GitHub#

O repositório do GitHub do Ultralytics está organizado em subdiretórios ou subpacotes com base em diferentes partes do pacote Ultralytics, como modelos, treino e data. A seção de referência na documentação segue essa mesma estrutura, o que facilita a compreensão de como tudo se encaixa.

Aqui estão alguns dos principais subdiretórios ou categorias que você verá tanto no repositório da Ultralytics no GitHub quanto na seção de Referência da documentação da Ultralytics:

• Models: Esta seção concentra-se em diferentes modelos e nos seus modes, como fazer previsões, validar o desempenho e exportar modelos treinados.
• Engine: Contém a lógica principal para treinar, validar, prever, exportar e avaliar modelos.
• Data: Gerencia como os conjuntos de dados são carregados, processados e aumentados. Isso inclui funções para criar carregadores de dados (ferramentas que alimentam os dados no modelo em lotes), aplicar transformações (mudanças feitas em imagens, como redimensionamento ou inversão, para ajudar o modelo a aprender melhor) e preparar dados (organizar e formatar as imagens e rótulos) para o treinamento.
• Utils: Esta seção oferece uma ampla gama de funções auxiliares usadas em toda a base de código, como ferramentas de visualização, manuseio de arquivos e cálculos de métricas.
• HUB: Conecta-se ao Ultralytics HUB, uma plataforma de visão computacional sem código, permitindo recursos de nuvem como iniciar sessão, carregar modelos e gerir conjuntos de dados através de uma API.
• Trackers: Implementa a lógica de rastreamento de objetos para aplicações que envolvem vídeo ou sequências de imagens quadro a quadro.

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

Na verdade, em muitas das páginas de Referência, o código-fonte real também é exibido, para que você possa 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.

Entendendo os componentes de modelos, engine e dados#

Agora que vimos como a seção de Referência é organizada, vamos examinar mais de perto três partes principais do pacote Ultralytics: modelos, engine e dados.

O subdiretório de modelos contém o código que define como cada tipo de modelo funciona. Ele está organizado tanto por tipos de modelo (como YOLO, FastSAM ou RT-DETR) quanto por tarefas como deteção, segmentação ou classificação. Dentro de cada um destes, encontrarás ficheiros ou módulos que lidam com ações específicas - por exemplo, como o modelo faz previsões, como é treinado ou como o seu performance é avaliado.

Enquanto isso, o subdiretório engine trabalha nos bastidores para gerenciar todo o processo. Embora o subdiretório de modelos foque no que cada modelo deve fazer, o subdiretório engine foca em como executar essas tarefas de forma consistente e eficiente.

Além disso, o subdiretório de dados é responsável pelo carregamento e preparação dos conjuntos de dados. Essa parte da base de código garante que seus dados de treinamento estejam limpos, estruturados e variados, ajudando o modelo a aprender melhor e generalizar com mais eficácia.

Essa separação clara torna o código mais fácil de manter e oferece aos usuários a flexibilidade para personalizá-lo.

Exemplos de uso da seção de Referência#

Você pode estar se perguntando: por que é importante entender as diferentes partes da base de código da Ultralytics? Se você souber qual parte do código lida com o quê, torna-se muito mais fácil encontrar as informações necessárias, fazer alterações ou solucionar problemas.

Aqui estão alguns exemplos de como você pode usar a seção de Referência da documentação:

• Se você estiver perguntando “Como o modelo faz previsões?”, pode ir para a categoria Models na seção de Referência, selecionar um tipo de modelo (como YOLO), escolher uma tarefa (como detecção) e, em seguida, abrir a página Predict para obter detalhes.
• Se quiseres saber como data augmentations estão a ser aplicadas, podes explorar a página Augment sob a categoria Data. Ela lista as técnicas de aumento integradas usadas para melhorar o desempenho do modelo e a variedade nos dados de treino.

Explorando resultados através da seção de Referência#

A seção Reference também é útil quando estás a tentar compreender as saídas devolvidas pelo teu modelo. Depois de um modelo como o Ultralytics YOLO11 ser utilizado para executar uma inferência numa imagem, este devolve um conjunto de resultados que descrevem o que foi detetado.

Por exemplo, num feed de câmara, ele pode detetar uma pessoa e destacar a sua localização usando uma bounding box, juntamente com uma pontuação de confiança - um valor entre 0 e 1 que indica quão certo o modelo está sobre a deteção.

Se estás a tentar entender como usar essa saída no teu projeto, a seção de referência pode guiar-te. Ela inclui uma página para o Results module que detalha o que está incluído e como acedê-lo no teu código. Há detalhes sobre como ver caixas de deteção, verificar pontuações de confiança, exibir resultados ou guardá-los.

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

Principais pontos#

A documentação da Ultralytics ajuda você a entender como usar modelos YOLO com eficácia. Ela explica processos fundamentais, como treinar modelos, preparar dados e trabalhar com resultados. Cada página possui explicações claras e exemplos de trechos de código para ajudar você a começar rapidamente.

Se você estiver curioso sobre o que acontece nos bastidores, a seção de Referência da documentação também explica passo a passo. Ela mostra como o código é estruturado, o que cada parte faz e como tudo funciona em conjunto. Isso torna mais fácil aprender, personalizar e construir com confiança seus próprios projetos de visão computacional.

Faz parte da our active community e explora o GitHub repository para saberes mais sobre como construir com IA. Estás pronto para lançar as tuas próprias ideias de visão computacional? Visita our licensing options para começar. Vê como vision AI in automotive e AI in healthcare estão a causar impacto visitando as nossas páginas de soluções.