Como usar o Ultralytics YOLO11 para detecção de objetos
Explora como o novo modelo Ultralytics YOLO11 pode ser usado para detecção de objetos para alcançar maior precisão em várias aplicações em diversos setores.
Computer vision é um campo da inteligência artificial (IA) que ajuda as máquinas a interpretar e entender informações visuais para habilitar tarefas essenciais como object detection. Ao contrário da image classification, a detecção de objetos não apenas identifica quais objetos estão em uma imagem, mas também localiza suas posições exatas. Isso a torna uma ferramenta crítica para aplicações de IA de visão, 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 adiante foi anunciado no evento híbrido anual da Ultralytics, YOLO Vision 2024 (YV24), com o lançamento do Ultralytics YOLO11 model. O YOLO11 melhora a precisão e o desempenho enquanto suporta as mesmas tarefas que o YOLOv8, facilitando a transição sem problemas 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 a object detection, 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 Ultralytics Python package e a Ultralytics HUB platform. Vamos começar!
O que é detecção de objetos?#
Object detection é uma tarefa central na visão computacional que faz mais do que apenas identificar objetos em uma imagem. Ao contrário da classificação de imagens, que apenas determina se um objeto específico está presente, a detecção de objetos reconhece vários objetos e localiza suas posições exatas usando caixas delimitadoras.
Por exemplo, ela pode identificar e localizar rostos em uma foto em grupo, carros em uma rua movimentada ou produtos na prateleira de uma loja. Combinar o reconhecimento e a localização de objetos a torna especialmente útil para aplicações como vigilância, monitoramento de multidões e gerenciamento automatizado de inventário.
Fig 2. Usando o Ultralytics YOLO11 para detectar rostos.
O que diferencia a detecção de objetos de outras tarefas como segmentação semântica ou instance segmentation é o seu foco e eficiência.
A segmentação semântica rotula cada pixel em uma imagem, mas não diferencia entre objetos individuais do mesmo tipo (por exemplo, todos os rostos em uma foto seriam agrupados como "rosto"). A instance segmentation vai além, separando cada objeto e delineando 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 autonomous vehicles.
Aplicações do Ultralytics YOLO11 e detecção de objetos#
As avançadas funcionalidades de deteção de objetos do Ultralytics YOLO11 tornam-no útil em várias indústrias. Vamos ver alguns exemplos.
Usando o Ultralytics YOLO11 para análise de varejo#
O Ultralytics YOLO11 e a deteção de objetos estão a redefinir a análise de retalho, tornando a gestão de inventário e a monitorização de prateleiras mais eficientes e precisas. A capacidade do modelo para detetar objetos de forma rápida e fiável ajuda os retalhistas a monitorizar os níveis de stock, organizar prateleiras e reduzir erros nas contagens de inventário.
Por exemplo, o YOLO11 pode detectar itens específicos, como óculos de sol na prateleira de uma 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, mal posicionados ou superlotados, ajudando a manter uma exibição organizada e atraente que melhora a experiência de compra.
Fig 3. Um exemplo de uso do Ultralytics YOLO11 para detectar produtos nas prateleiras.
Ultralytics YOLO11 em aplicações de cidades inteligentes#
Uma cidade movimentada depende de um fluxo de tráfego fluido e ruas seguras para funcionar eficientemente, e o Ultralytics YOLO11 pode ajudar a tornar isso possível. De fato, muitas aplicações de cidades inteligentes podem ser integradas com o YOLO11.
Um caso interessante envolve a utilização de deteção de objetos para identificar chapas de matrícula em veículos em movimento. Ao fazê-lo, o Ultralytics YOLO11 pode apoiar uma cobrança de portagens mais rápida, uma melhor gestão de tráfego e uma aplicação mais rápida dos regulamentos.
Fig. 4. Utilização de deteção de objetos e Ultralytics YOLO11 para detetar chapas de matrícula.
Insights de sistemas de IA de visão que monitoram estradas podem alertar as autoridades sobre infrações de trânsito ou congestionamentos antes que eles 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 Ultralytics YOLO11 de processar dados visuais o torna uma ferramenta poderosa para melhorar a infraestrutura urbana. Por exemplo, ele pode ajudar a otimizar o tempo dos semáforos analisando 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.
Deteção de vídeo em tempo real com o Ultralytics YOLO11: Aumentar a acessibilidade#
A deteção de objetos em tempo real refere-se à capacidade de um sistema identificar e classificar objetos num feed de vídeo em direto à medida que aparecem. O Ultralytics YOLO11 foi concebido para um desempenho superior em tempo real e destaca-se no apoio a esta capacidade. As suas aplicações vão para além da simples otimização de processos - também podem ajudar a criar um mundo mais inclusivo e acessível.
Por exemplo, o YOLO11 pode ajudar indivíduos com deficiência visual identificando objetos em tempo real. Com base nas detecções, descrições em áudio podem ser fornecidas, o que ajuda os usuários a navegar em seus arredores com maior independência.
Considera uma pessoa com deficiência visual a fazer compras no supermercado. Escolher os itens certos pode ser difícil, mas o Ultralytics YOLO11 pode ajudar. À medida que colocam os itens no carrinho, um sistema integrado com o YOLO11 pode ser usado para identificar cada item — como bananas, abacates ou um pacote de leite — e fornecer descrições de áudio em tempo real. Isto permite-lhes confirmar as suas escolhas e garantir que têm tudo o que precisam. Ao reconhecer itens do dia a dia, 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.
Guia passo a passo para a deteção de objetos com o Ultralytics 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.
Execução de inferências com o Ultralytics YOLO11#
Inferência é quando um modelo de IA analisa dados novos e não vistos para fazer predictions, classificar informações ou fornecer insights com base no que aprendeu durante o treinamento. No que diz respeito 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 fazer inferências usando o modelo de detecção de objetos YOLO11, você primeiro precisará install the Ultralytics Python package via pip, conda ou Docker. Se encontrar algum problema de instalação, consulte o troubleshooting guide para dicas e truques que ajudarão a resolvê-lo. 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.
Treino de um modelo Ultralytics YOLO11 personalizado#
O Ultralytics YOLO11 também suporta custom training para se adaptar melhor aos teus casos de uso específicos. Ao fazer o fine-tuning do modelo, podes personalizá-lo para detetar objetos relevantes para o teu projeto. Por exemplo, ao using computer vision in healthcare, um modelo YOLO11 treinado de forma personalizada pode ser usado para detetar 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 Ultralytics YOLO11 para deteção de objetos. Podes começar a partir de um ficheiro de configuração YAML ou de um modelo pré-treinado, transferir pesos e treinar em conjuntos de dados como o COCO para capacidades de deteção 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.
Detecção de objetos YOLO11 no Ultralytics HUB#
Para aqueles que procuram uma alternativa sem código, o Ultralytics HUB fornece uma plataforma de IA de visão fácil de usar para treinar e implantar modelos YOLO, incluindo o YOLO11.
Para executar a deteção de objetos em imagens, basta criar uma conta, navegar até à secção 'Modelos' e selecionar a variante do modelo de deteção de objetos Ultralytics YOLO11. Carrega a tua imagem e a plataforma apresentará os objetos detetados numa secção de pré-visualização.
Fig 7. Executando inferências no Ultralytics HUB.
Ao combinar a flexibilidade do pacote Python com a facilidade do HUB, o Ultralytics YOLO11 torna simples para programadores e empresas aproveitarem o poder da tecnologia avançada de deteção de objetos.
Principais pontos#
O Ultralytics YOLO11 define um novo padrão em deteção de objetos, combinando alta precisão com versatilidade para atender às necessidades de várias indústrias. Desde melhorar a análise de retalho até gerir a infraestrutura de cidades inteligentes, o YOLO11 foi concebido para um desempenho em tempo real e fiável 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 GitHub repository e participe da nossa comunidade. Explore aplicações de IA em self-driving cars e computer vision for agriculture em nossas páginas de soluções. 🚀
