Como usar o Ultralytics YOLO11 para detecção de objetos

Visão computacional é uma área da inteligência artificial (IA) que ajuda máquinas a interpretar e entender informações visuais para viabilizar tarefas essenciais, como a detecção de objetos. Diferente da classificação de imagens, a detecção de objetos não apenas identifica quais objetos estão em uma imagem, mas também aponta suas localizações exatas. Isso a torna uma ferramenta crítica para aplicações de visão IA, como carros autônomos, sistemas de segurança em tempo real e automação de armazéns.

Com o tempo, a tecnologia de detecção de objetos tornou-se mais avançada e fácil de usar. Um grande passo à frente foi anunciado no evento híbrido anual da Ultralytics, YOLO Vision 2024 (YV24), com o lançamento do modelo Ultralytics YOLO11. O YOLO11 melhora a precisão e o desempenho, ao mesmo tempo que suporta as mesmas tarefas que o YOLOv8, facilitando a transição para usuários de modelos anteriores.

Fig 1. Um exemplo de uso do modelo Ultralytics YOLO11 para detecção de objetos.

Neste artigo, vamos detalhar o que é detecção de objetos, como ela difere de outras tarefas de visão computacional e explorar suas aplicações no mundo real. Também mostraremos como usar o modelo YOLO11 com o pacote Python da Ultralytics e a plataforma Ultralytics HUB. Vamos começar!

Link to this sectionO que é detecção de objetos?#

Detecção de objetos é uma tarefa central na visão computacional que faz mais do que apenas identificar objetos em uma imagem. Diferente da classificação de imagens, que apenas determina se um objeto específico está presente, a detecção de objetos reconhece múltiplos objetos e aponta suas localizações exatas usando caixas delimitadoras (bounding boxes).

Por exemplo, ela pode identificar e localizar rostos em uma foto de grupo, carros em uma rua movimentada ou produtos em uma prateleira de loja. Combinar o reconhecimento e a localização de objetos torna-a especialmente útil para aplicações como vigilância, monitoramento de multidões e gestão automatizada de inventário.

Fig 2. Usando YOLO11 para detectar rostos.

O que diferencia a detecção de objetos de outras tarefas, como segmentação semântica ou de instância, é o seu foco e eficiência.

A segmentação semântica rotula cada pixel em uma imagem, mas não diferencia objetos individuais do mesmo tipo (por exemplo, todos os rostos em uma foto seriam agrupados como "rosto"). A segmentação de instância vai além ao separar cada objeto e contornar sua forma exata, mesmo para objetos da mesma classe.

A detecção de objetos, no entanto, oferece uma abordagem mais simplificada ao identificar e classificar objetos enquanto marca suas posições. Isso a torna ideal para tarefas em tempo real, como detectar rostos em imagens de segurança ou identificar obstáculos para veículos autônomos.

Link to this sectionAplicações do YOLO11 e detecção de objetos#

Os recursos avançados de detecção de objetos do YOLO11 tornam-no útil em muitos setores. Vamos dar uma olhada em alguns exemplos.

Link to this sectionUsando o YOLO11 para análise de varejo#

O YOLO11 e a detecção de objetos estão redefinindo a análise de varejo ao tornar a gestão de inventário e o monitoramento de prateleiras mais eficientes e precisos. A capacidade do modelo de detectar objetos de forma rápida e confiável ajuda os varejistas a rastrear níveis de estoque, organizar prateleiras e reduzir erros nas contagens de inventário.

Por exemplo, o YOLO11 pode detectar itens específicos como óculos de sol em uma prateleira de loja. Mas por que um varejista iria querer monitorar uma prateleira? Manter as prateleiras abastecidas e organizadas é vital para garantir que os clientes encontrem o que precisam, o que impacta diretamente as vendas. Ao monitorar prateleiras em tempo real, os varejistas podem identificar rapidamente quando os itens estão acabando, fora do lugar ou amontoados, ajudando-os a manter uma exibição organizada e atraente que melhora a experiência de compra.

Fig 3. Um exemplo de uso do YOLO11 para detectar produtos em prateleiras.

Link to this sectionYOLO11 em aplicações de cidades inteligentes#

Uma cidade movimentada depende de um fluxo de tráfego suave e ruas seguras para funcionar de forma eficiente, e o YOLO11 pode ajudar a tornar isso possível. Na verdade, muitas aplicações de cidades inteligentes podem ser integradas com o YOLO11.

Um caso interessante envolve o uso de detecção de objetos para identificar placas de licenciamento em veículos em movimento. Ao fazer isso, o YOLO11 pode apoiar a cobrança de pedágio mais rápida, melhor gestão de tráfego e aplicação mais rápida de regulamentações.

Fig 4. Usando detecção de objetos e YOLO11 para detectar placas de veículos.

Insights de sistemas de visão IA monitorando estradas podem alertar as autoridades sobre violações de tráfego ou congestionamentos antes que se transformem em problemas maiores. O YOLO11 também pode detectar pedestres e ciclistas, tornando as ruas mais seguras e eficientes para todos.

Na verdade, a capacidade do YOLO11 de processar dados visuais torna-o uma ferramenta poderosa para melhorar a infraestrutura da cidade. Por exemplo, ele pode ajudar a otimizar o tempo dos semáforos ao analisar o movimento de veículos e pedestres. Ele também pode aumentar a segurança em zonas escolares ao detectar crianças e alertar os motoristas para reduzirem a velocidade. Com o YOLO11, as cidades podem tomar medidas proativas para enfrentar desafios e criar um ambiente mais eficiente para todos.

Link to this sectionDetecção de vídeo em tempo real com YOLO11: Aumentando a acessibilidade#

A detecção de objetos em tempo real refere-se à capacidade de um sistema identificar e classificar objetos em um feed de vídeo ao vivo conforme eles aparecem. O YOLO11 foi projetado para um desempenho superior em tempo real e destaca-se ao suportar essa capacidade. Suas aplicações vão além de apenas otimizar processos - ele também pode ajudar a criar um mundo mais inclusivo e acessível.

Por exemplo, o YOLO11 pode ajudar indivíduos com deficiência visual ao identificar objetos em tempo real. Com base nas detecções, descrições em áudio podem ser fornecidas, o que ajuda os usuários a navegar pelo seu entorno com maior independência.

Considere uma pessoa com deficiência visual fazendo compras no supermercado. Escolher os itens certos pode ser um desafio, mas o YOLO11 pode ajudar. À medida que colocam itens no carrinho, um sistema integrado com o YOLO11 poderia ser usado para identificar cada item - como bananas, abacates ou uma caixa de leite - e fornecer descrições em áudio em tempo real. Isso permite que eles confirmem suas escolhas e garantam que pegaram tudo o que precisam. Ao reconhecer itens do cotidiano, o YOLO11 pode tornar as compras mais simples.

Fig 5. A detecção de objetos pode ajudar a tornar o mundo mais acessível para deficientes visuais.

Link to this sectionGuia passo a passo para detecção de objetos com YOLO11#

Agora que cobrimos os fundamentos da detecção de objetos e suas diversas aplicações, vamos mergulhar em como você pode começar a usar o modelo Ultralytics YOLO11 para tarefas como a detecção de objetos.

Existem duas maneiras simples de usar o YOLO11: através do pacote Python da Ultralytics ou do Ultralytics HUB. Vamos explorar ambos os métodos, começando pelo pacote Python.

Link to this sectionExecutando inferências usando YOLO11#

Inferência é quando um modelo de IA analisa dados novos e não vistos para fazer previsões, classificar informações ou fornecer insights com base no que aprendeu durante o treinamento. Com relação à detecção de objetos, isso significa identificar e localizar objetos específicos dentro de uma imagem ou vídeo, desenhando caixas delimitadoras ao redor deles e rotulando-os com base no treinamento do modelo.

Para realizar a inferência usando o modelo de detecção de objetos YOLO11, você primeiro precisará instalar o pacote Python da Ultralytics via pip, conda ou Docker. Se você encontrar algum problema de instalação, verifique o guia de solução de problemas para dicas e truques que ajudarão você a resolvê-los. Uma vez instalado, você pode usar o código a seguir para carregar o modelo de detecção de objetos YOLO11 e fazer previsões em uma imagem.

Fig 6. Executando uma inferência em uma imagem usando YOLO11n.

Link to this sectionTreinando um modelo YOLO11 personalizado#

O YOLO11 também suporta treinamento personalizado para melhor se adequar aos seus casos de uso específicos. Ao ajustar o modelo, você pode adaptá-lo para detectar objetos relevantes para o seu projeto. Por exemplo, ao usar visão computacional na saúde, um modelo YOLO11 treinado sob medida poderia ser usado para detectar anormalidades específicas em imagens médicas, como tumores em exames de ressonância magnética ou fraturas em raios-X, ajudando os médicos a fazer diagnósticos mais rápidos e precisos.

O trecho de código abaixo mostra como carregar e treinar um modelo YOLO11 para detecção de objetos. Você pode começar a partir de um arquivo de configuração YAML ou de um modelo pré-treinado, transferir pesos e treinar em conjuntos de dados como COCO para obter capacidades de detecção de objetos mais refinadas.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Depois de treinar um modelo, você também pode exportar o modelo treinado em vários formatos para implantação em diferentes ambientes.

Link to this sectionDetecção de objetos YOLO11 no Ultralytics HUB#

Para aqueles que procuram uma alternativa sem código (no-code), o Ultralytics HUB fornece uma plataforma de visão IA fácil de usar para treinar e implantar modelos YOLO, incluindo o YOLO11.

Para executar a detecção de objetos em imagens, basta criar uma conta, navegar até a seção 'Modelos' e selecionar a variante de modelo de detecção de objetos YOLO11. Faça o upload da sua imagem, e a plataforma exibirá os objetos detectados em uma seção de visualização.

Fig 7. Executando inferências no Ultralytics HUB.

Ao combinar a flexibilidade do pacote Python com a facilidade do HUB, o YOLO11 torna simples para desenvolvedores e empresas aproveitarem o poder da tecnologia avançada de detecção de objetos.

Link to this sectionPrincipais pontos#

O YOLO11 estabelece um novo padrão em detecção de objetos, combinando alta precisão com versatilidade para atender às necessidades de vários setores. Desde o aprimoramento da análise de varejo até o gerenciamento da infraestrutura de cidades inteligentes, o YOLO11 é construído para um desempenho confiável em tempo real em inúmeras aplicações.

Com opções para treinamento personalizado e uma interface fácil de usar através do Ultralytics HUB, integrar o YOLO11 aos seus fluxos de trabalho nunca foi tão simples. Se você é um desenvolvedor explorando visão computacional ou uma empresa buscando inovar com IA, o YOLO11 oferece as ferramentas de que você precisa para ter sucesso.

Para saber mais, confira nosso repositório no GitHub e interaja com nossa comunidade. Explore aplicações de IA em carros autônomos e visão computacional para agricultura em nossas páginas de soluções. 🚀