Como usar a seção Reference da documentação do Ultralytics YOLO

Hoje em dia, a inteligência artificial (AI) está mais acessível do que nunca, permitindo que qualquer pessoa se aprofunde no tema e comece rapidamente a usar diferentes modelos de IA para várias tarefas de ponta.

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

O Ultralytics YOLO11 oferece suporte a tarefas como detecção de objetos, segmentação de instâncias e classificação de imagens, e pode ser usado em aplicações como direção autônoma, monitoramento de segurança e análise de varejo.

Fig. 1. O Ultralytics YOLO11 pode ser usado para detectar vários objetos.

Especificamente, o pacote Python Ultralytics oferece ferramentas fáceis de usar para treinar, personalizar e implantar rapidamente esses modelos de IA, permitindo que usuários de todos os níveis desenvolvam facilmente aplicações avançadas de visão computacional.

No entanto, se você tiver interesse em entender melhor como tudo funciona ou criar as suas próprias personalizações, a seção de referência da documentação da Ultralytics é um excelente recurso. Ela explica o funcionamento interno do pacote Python Ultralytics, incluindo como os seus dados são tratados, o processo de treinamento do modelo e como você pode visualizar as previsões.

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

Uma análise mais aprofundada do trabalho com modelos Ultralytics YOLO#

Trabalhar com o pacote Python Ultralytics é simples e direto. Você pode treinar modelos YOLO ou detectar objetos em imagens com apenas algumas linhas de código.

No entanto, quando você se familiarizar com o trabalho com modelos de visão computacional, a seção de referência da documentação da Ultralytics ajudará você a entender melhor como o código funciona e quais funções o pacote oferece. Ela também inclui explicações fáceis de acompanhar, opções configuráveis e links para código relevante disponível no repositório da Ultralytics no GitHub.

A seção explica como o pacote Python Ultralytics está estruturado e aborda componentes importantes, como a configuração do modelo, o carregamento de dados, o processo de treinamento e como as previsões são feitas e retornadas.

Tudo está organizado em categorias claras, por isso é fácil encontrar o que você procura. Por exemplo, se você estiver treinando um modelo com o seu próprio conjunto de dados, pode acessar a parte da seção de referência dedicada a dados, que ajudará você a entender melhor como os seus dados serão usados no treinamento do modelo.

Como começar a usar a seção de referência#

Ao acessar a seção de referência da documentação do Ultralytics YOLO, você encontrará, no lado esquerdo da página, um menu com diferentes categorias de referência. Cada categoria representa uma parte específica da base de código da Ultralytics, como modelos, tratamento de dados ou funções de treinamento.

Ao clicar em uma categoria, você acessa uma página com mais detalhes.

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

Da mesma forma, no lado direito da página, você encontrará o índice, que divide cada página de referência em componentes importantes, como funções (blocos de código reutilizáveis), classes (modelos para criar objetos) e métodos (funções definidas dentro de classes). Assim, é fácil ir diretamente ao conteúdo que você procura.

Fig. 3. No lado direito, você encontrará o índice da página de referência específica que está consultando.

A estrutura do repositório da Ultralytics no GitHub#

O repositório da Ultralytics no GitHub está organizado em subdiretórios ou subpacotes com base nas diferentes partes do pacote Ultralytics, como modelos, treinamento e dados. A seção de referência da documentação segue essa mesma estrutura, o que facilita entender como tudo se encaixa.

Veja algumas das principais categorias ou subdiretórios que você encontrará tanto no repositório da Ultralytics no GitHub quanto na seção de referência da documentação da Ultralytics:

• Modelos: esta seção aborda diferentes modelos e seus modos, como fazer previsões, validar o desempenho e exportar modelos treinados.
• Mecanismo: contém a lógica central para treinar, validar, fazer previsões, exportar e avaliar modelos.
• Dados: gerencia o carregamento, o processamento e o aumento de dados dos conjuntos de dados. Isso inclui funções para criar carregadores de dados (ferramentas que fornecem dados ao modelo em lotes), aplicar transformações (alterações feitas nas imagens, como redimensionamento ou inversão, para ajudar o modelo a aprender melhor) e preparar dados (organizar e formatar imagens e rótulos) para o treinamento.
• Utilitários: esta seção oferece uma ampla variedade de funções auxiliares usadas em toda a base de código, como ferramentas de visualização, manipulação de arquivos e cálculos de métricas.
• HUB: conecta-se ao Ultralytics HUB, uma plataforma de visão computacional sem código, habilitando funcionalidades na nuvem, como fazer login, enviar modelos e gerenciar conjuntos de dados por meio de uma API.
• Rastreadores: implementa a lógica de rastreamento de objetos para aplicações que envolvem vídeo ou sequências de imagens quadro a quadro.

Cada um desses subdiretórios do repositório do GitHub tem uma seção correspondente na documentação. Essa estrutura é espelhada intencionalmente, facilitando alternar entre a leitura da documentação e a exploração do código-fonte.

Além disso, em muitas páginas de referência, o próprio código-fonte 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, mecanismo e dados#

Agora que vimos como a seção de referência está organizada, vamos examinar mais de perto três partes importantes do pacote Ultralytics: modelos, mecanismo 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 detecção, segmentação ou classificação. Dentro de cada um deles, você encontrará arquivos ou módulos que lidam com ações específicas — por exemplo, como o modelo faz previsões, como é treinado ou como o seu desempenho é avaliado.

Enquanto isso, o subdiretório do mecanismo trabalha nos bastidores para gerenciar todo o processo. O subdiretório de modelos se concentra no que cada modelo deve fazer; já o subdiretório do mecanismo se concentra em como executar essas tarefas de maneira consistente e eficiente.

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

Essa separação clara facilita a manutenção do código e dá aos usuários flexibilidade para personalizá-lo.

Exemplos de uso da seção de referência#

Você talvez esteja se perguntando: por que é importante entender as diferentes partes da base de código da Ultralytics? Se você souber qual parte do código faz o quê, será muito mais fácil encontrar as informações necessárias, fazer alterações ou solucionar problemas.

Veja alguns exemplos de como você pode usar a seção de referência da documentação:

• Se a sua dúvida for “Como o modelo faz previsões?”, você pode acessar a categoria Modelos na seção de referência, selecionar um tipo de modelo (como YOLO), escolher uma tarefa (como detect) e, em seguida, abrir a página Predict para ver os detalhes.
• Se você quiser saber como os aumentos de dados são aplicados, pode explorar a página Augment na categoria Data. Ela lista as técnicas de aumento integradas usadas para melhorar o desempenho do modelo e aumentar a variedade dos dados de treinamento.

Explorando os resultados pela seção de referência#

A seção de referência também é útil quando você está tentando entender as saídas retornadas pelo seu modelo. Depois que um modelo como o Ultralytics YOLO11 é usado para executar uma inferência em uma imagem, ele retorna um conjunto de resultados que descreve o que foi detectado.

Por exemplo, em uma transmissão de câmera, o modelo pode detectar uma pessoa e destacar a localização dela usando uma caixa delimitadora, junto com uma pontuação de confiança — um valor entre 0 e 1 que indica o grau de certeza do modelo sobre a detecção.

Se você estiver tentando entender como usar essa saída no seu projeto, a seção de referência pode orientar você. Ela inclui uma página do módulo Results que detalha o que está incluído e como acessar os dados no seu código. A página explica como visualizar caixas de detecção, verificar pontuações de confiança, exibir resultados ou salvá-los.

Fig. 5. Exemplo de visualização dos resultados retornados pelo YOLO11.

Principais conclusões#

A documentação da Ultralytics ajuda você a entender como usar os modelos YOLO de forma eficaz. Ela explica processos importantes, como treinar modelos, preparar dados e trabalhar com resultados. Cada página traz explicações claras e trechos de código de exemplo para ajudar você a começar rapidamente.

Se você tiver curiosidade sobre o que acontece nos bastidores, a seção de referência da documentação também explica tudo passo a passo. Ela mostra como o código está estruturado, o que cada parte faz e como tudo funciona em conjunto. Assim, fica mais fácil aprender, personalizar e desenvolver os seus próprios projetos de visão computacional com confiança.

Faça parte da nossa comunidade ativa e explore o repositório do GitHub para saber mais sobre como desenvolver com IA. Pronto para lançar as suas próprias ideias de visão computacional? Visite as nossas opções de licenciamento para começar. Veja como a IA visual no setor automotivo e a IA na área da saúde estão causando impacto visitando as nossas páginas de soluções.