Como usar Ultralytics YOLO11 para deteção de objetos

A visão computacional é um campo da inteligência artificial (AI) que ajuda as máquinas a interpretar e compreender informações visuais para realizar tarefas essenciais, como a deteção de objetos. Ao contrário da classificação de imagens, a deteção de objetos não só identifica que objetos estão presentes numa imagem, como também determina a sua localização exata. Isto torna-a uma ferramenta essencial para aplicações de AI de visão, como carros autónomos, sistemas de segurança em tempo real e automatização de armazéns.

Com o passar do tempo, a tecnologia de deteção de objetos tornou-se mais avançada e fácil de utilizar. Um grande passo em 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 dos utilizadores de modelos anteriores.

Fig. 1. Um exemplo de utilização do modelo Ultralytics YOLO11 para deteção de objetos.

Neste artigo, vamos explicar o que é a deteção de objetos, em que difere de outras tarefas de visão computacional e explorar as suas aplicações no mundo real. Também vamos mostrar-te como utilizar o modelo YOLO11 com o pacote Python da Ultralytics e a plataforma Ultralytics HUB. Vamos começar!

O que é a deteção de objetos?#

A deteção de objetos é uma tarefa fundamental da visão computacional que faz mais do que simplesmente identificar objetos numa imagem. Ao contrário da classificação de imagens, que apenas determina se um objeto específico está presente, a deteção de objetos reconhece vários objetos e determina as suas localizações exatas utilizando caixas delimitadoras.

Por exemplo, pode identificar e localizar rostos numa fotografia de grupo, carros numa rua movimentada ou produtos numa prateleira de uma loja. A combinação do reconhecimento e da localização de objetos torna-a especialmente útil para aplicações como vigilância, monitorização de multidões e gestão automatizada de inventário.

Fig. 2. Utilização do Ultralytics YOLO11 para detetar rostos.

O que distingue a deteção de objetos de outras tarefas, como a segmentação semântica ou a segmentação de instâncias, é o seu foco e eficiência.

A segmentação semântica atribui um rótulo a cada píxel de uma imagem, mas não diferencia objetos individuais do mesmo tipo (por exemplo, todos os rostos numa fotografia seriam agrupados como "rosto"). A segmentação de instâncias vai mais longe ao separar cada objeto e delinear a sua forma exata, mesmo no caso de objetos da mesma classe.

A deteção de objetos, contudo, oferece uma abordagem mais simples ao identificar e classificar objetos enquanto assinala as suas posições. Isto torna-a ideal para tarefas em tempo real, como detetar rostos em imagens de segurança ou identificar obstáculos para veículos autónomos.

Aplicações do Ultralytics YOLO11 e da deteção de objetos#

As funcionalidades avançadas de deteção de objetos do Ultralytics YOLO11 tornam-no útil em muitos setores. Vejamos alguns exemplos.

Utilização do Ultralytics YOLO11 para análise do comércio a retalho#

O Ultralytics YOLO11 e a deteção de objetos estão a redefinir a análise do comércio a 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 acompanhar os níveis de stock, organizar as prateleiras e reduzir erros nas contagens de inventário.

Por exemplo, o YOLO11 pode detetar artigos específicos, como óculos de sol, numa prateleira de uma loja. Mas por que motivo um retalhista quereria monitorizar uma prateleira? Manter as prateleiras abastecidas e organizadas é essencial para garantir que os clientes encontram aquilo de que precisam, o que tem um impacto direto nas vendas. Ao monitorizar as prateleiras em tempo real, os retalhistas podem identificar rapidamente quando os artigos estão a acabar, foram colocados no sítio errado ou estão amontoados, ajudando-os a manter uma exposição organizada e atrativa que melhora a experiência de compra.

Fig. 3. Um exemplo de utilização do Ultralytics YOLO11 para detetar produtos nas prateleiras.

Ultralytics YOLO11 em aplicações de cidades inteligentes#

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

Um caso interessante envolve a utilização da deteção de objetos para identificar matrículas em veículos em movimento. Ao fazê-lo, o Ultralytics YOLO11 pode contribuir para uma cobrança de portagens mais rápida, uma melhor gestão do trânsito e uma aplicação mais célere da regulamentação.

Fig. 4. Utilização da deteção de objetos e do Ultralytics YOLO11 para detetar matrículas.

Os dados obtidos através de sistemas de AI de visão que monitorizam as estradas podem alertar as autoridades para infrações de trânsito ou congestionamentos antes de estes se transformarem em problemas maiores. O YOLO11 também pode detetar peões e ciclistas, tornando as ruas mais seguras e eficientes para todos.

Na verdade, a capacidade do Ultralytics YOLO11 para processar dados visuais torna-o uma ferramenta poderosa para melhorar as infraestruturas urbanas. Por exemplo, pode ajudar a otimizar a temporização dos semáforos através da análise do movimento de veículos e peões. Também pode aumentar a segurança nas zonas escolares ao detetar crianças e alertar os condutores para reduzirem a velocidade. Com o YOLO11, as cidades podem adotar 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 para identificar e classificar objetos num fluxo de vídeo ao vivo à medida que estes aparecem. O Ultralytics YOLO11 foi concebido para oferecer um desempenho superior em tempo real e destaca-se no suporte desta capacidade. As suas aplicações vão além da simples otimização de processos: também podem ajudar a criar um mundo mais inclusivo e acessível.

Por exemplo, o YOLO11 pode ajudar pessoas com deficiência visual ao identificar objetos em tempo real. Com base nas deteções, podem ser fornecidas descrições áudio, ajudando os utilizadores a orientarem-se no ambiente que os rodeia com maior independência.

Imagina uma pessoa com deficiência visual a fazer compras. Escolher os artigos certos pode ser difícil, mas o Ultralytics YOLO11 pode ajudar. À medida que coloca os artigos no carrinho, um sistema integrado com o YOLO11 pode ser utilizado para identificar cada artigo — como bananas, abacates ou um pacote de leite — e fornecer descrições áudio em tempo real. Isto permite-lhe confirmar as suas escolhas e garantir que tem tudo aquilo de que precisa. Ao reconhecer artigos do dia a dia, o YOLO11 pode tornar as compras mais simples.

Fig. 5. A deteção de objetos pode ajudar a tornar o mundo mais acessível para pessoas com deficiência visual.

Guia passo a passo para a deteção de objetos com o Ultralytics YOLO11#

Agora que abordámos os conceitos básicos da deteção de objetos e as suas diversas aplicações, vamos ver como podes começar a utilizar o modelo Ultralytics YOLO11 em tarefas como a deteção de objetos.

Existem duas formas simples de utilizar 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#

A inferência ocorre quando um modelo de AI analisa dados novos e não vistos para fazer previsões, classificar informações ou fornecer dados com base no que aprendeu durante o treino. No contexto da deteção de objetos, isto significa identificar e localizar objetos específicos numa imagem ou vídeo, desenhar caixas delimitadoras à sua volta e atribuir-lhes rótulos com base no treino do modelo.

Para fazer inferência com o modelo de deteção de objetos YOLO11, primeiro tens de instalar o pacote Python da Ultralytics através de pip, conda ou Docker. Se encontrares problemas durante a instalação, consulta o guia de resolução de problemas para obteres dicas que te ajudem a resolvê-los. Depois de instalado, podes utilizar o código seguinte para carregar o modelo de deteção de objetos YOLO11 e fazer previsões numa imagem.

Fig. 6. Execução de uma inferência numa imagem utilizando o YOLO11n.

Treino de um modelo Ultralytics YOLO11 personalizado#

O Ultralytics YOLO11 também suporta treino personalizado para se adaptar melhor aos teus casos de utilização específicos. Ao ajustares o modelo, podes configurá-lo para detetar objetos relevantes para o teu projeto. Por exemplo, ao utilizar visão computacional na área da saúde, um modelo YOLO11 treinado de forma personalizada pode ser utilizado para detetar anomalias específicas em imagens médicas, como tumores em exames de MRI ou fraturas em radiografias, 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 com um ficheiro de configuração YAML ou com um modelo pré-treinado, transferir pesos e treinar em conjuntos de dados como o COCO para obter 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 treinares um modelo, também podes exportá-lo em vários formatos para o implementares em diferentes ambientes.

Deteção de objetos YOLO11 no Ultralytics HUB#

Para quem procura uma alternativa sem código, o Ultralytics HUB disponibiliza uma plataforma de AI de visão fácil de utilizar para treinar e implementar modelos YOLO, incluindo o YOLO11.

Para executar a deteção de objetos em imagens, basta criares uma conta, acederes à secção «Models» e selecionares 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. Execução de inferências no Ultralytics HUB.

Ao combinar a flexibilidade do pacote Python com a facilidade de utilização do HUB, o Ultralytics YOLO11 simplifica, tanto para programadores como para empresas, o aproveitamento do potencial da tecnologia avançada de deteção de objetos.

Principais conclusões#

O Ultralytics YOLO11 estabelece um novo padrão na deteção de objetos, combinando elevada precisão com versatilidade para responder às necessidades de vários setores. Desde o reforço da análise do comércio a retalho até à gestão de infraestruturas de cidades inteligentes, o YOLO11 foi concebido para oferecer um desempenho fiável em tempo real numa vasta gama de aplicações.

Com opções de treino personalizado e uma interface fácil de utilizar através do Ultralytics HUB, nunca foi tão simples integrar o YOLO11 nos teus fluxos de trabalho. Quer sejas um programador a explorar a visão computacional ou uma empresa à procura de inovar com AI, o YOLO11 oferece as ferramentas de que precisas para ter sucesso.

Para saberes mais, consulta o nosso repositório no GitHub e participa na nossa comunidade. Explora aplicações de AI em carros autónomos e visão computacional para a agricultura nas nossas páginas de soluções. 🚀