Executando modelos de detecção de objetos e segmentação da Ultralytics em poucas linhas de código

Bem-vindo a outro post do blog onde vamos mergulhar nas capacidades dos modelos YOLOv5 da Ultralytics e YOLOv8 quando se trata de detecção de objetos e segmentação. Vamos explorar como integrar estes modelos fáceis de usar em seus projetos com apenas algumas linhas de código. Seja você um iniciante ou um desenvolvedor experiente, você verá como a Ultralytics suporta vários modelos e arquiteturas, incluindo diferentes versões do YOLO e modelos baseados em transformadores. 

Em seu vídeo, Nicolai Nielsen nos guia através do processo de configuração e utilização de vários modelos dentro do framework Ultralytics. Vamos detalhar passo a passo e ver como você pode começar com estas ferramentas incríveis.

Começando com os modelos Ultralytics

A Ultralytics oferece um framework abrangente que suporta múltiplos modelos de detecção de objetos e segmentação. Isto inclui os populares modelos YOLO, desde o YOLOv3 até o mais recente YOLOv8, bem como os modelos YOLO-NAS e SAM. Estes modelos são projetados para lidar com uma variedade de tarefas, tais como detecção em tempo real, segmentação e estimativa de pose.

Para começar, visite a página de documentação da Ultralytics. Aqui, você pode encontrar informações detalhadas sobre cada modelo, incluindo seus principais recursos, arquiteturas e como usá-los em seus scripts Python.

Configurando Seu Ambiente

Primeiro, certifique-se de que a Ultralytics esteja instalada. Você pode fazer isso executando:

bash

Copiar código

Uma vez feito isso, você pode começar a usar esses modelos em seus projetos. Vamos começar com o modelo YOLOv8 como exemplo.

Principais recursos do YOLOv8

O YOLOv8 vem com várias melhorias em relação aos seus antecessores. Ele foi projetado para ser mais rápido e preciso, tornando-o perfeito para aplicações em tempo real. Alguns recursos principais incluem: 

• Velocidade e precisão aprimoradas
• Pesos pré-treinados para múltiplas tarefas
• Suporte para detecção de objetos, segmentação e classificação
• Arquitetura de modelo aprimorada para melhor desempenho

Executando o YOLOv8 em Python

Veja como você pode começar com o YOLOv8 em apenas algumas linhas de código:

Copiar código

É isso! Você acabou de executar um modelo YOLOv8 em uma imagem. Essa simplicidade é o que torna os modelos Ultralytics tão poderosos e fáceis de usar.

Detecção ao vivo por webcam

Quer ver o YOLOv8 em ação em um feed de webcam ao vivo? Veja como você pode fazer isso:

python

Copiar código

Este script abrirá sua webcam e aplicará o modelo YOLOv8 para detectar objetos em tempo real.

Explorando outros modelos

A Ultralytics não se limita apenas ao YOLOv8. Eles também oferecem suporte a vários outros modelos, como YOLOv5, YOLO-NAS e modelos baseados em transformadores para detecção em tempo real. Cada modelo tem seus próprios pontos fortes e casos de uso.

Modelos Transformer e como executá-los

O modelo RT-DETR desenvolvido pela Baidu e suportado pela Ultralytics, é um detector de objetos de última geração, end-to-end, que oferece desempenho em tempo real e alta precisão. Ele usa um backbone baseado em conv e um codificador híbrido eficiente para velocidade em tempo real, destacando-se em CUDA com TensorRT e suporta ajuste flexível da velocidade de inferência.

Veja como você pode executar um modelo RT-DETR:

Copiar código

Modelos Segment Anything

A Ultralytics também oferece modelos para tarefas de segmentação, como MobileSAM e FastSAM. Esses modelos são projetados para segmentar tudo em uma imagem, fornecendo insights detalhados da cena.

Executando o FastSAM

O FastSAM é otimizado para segmentação em tempo real, e aqui está como você pode executá-lo:

Copiar código

Este modelo é perfeito para aplicações que exigem segmentação rápida e precisa.

Desempenho e comparações

Uma das grandes características do framework Ultralytics é a capacidade de comparar diferentes modelos lado a lado. Você pode determinar facilmente qual modelo funciona melhor para sua aplicação específica, observando métricas de desempenho como velocidade de inferência e precisão média (mAP).

Principais conclusões

A Ultralytics torna incrivelmente fácil executar modelos de detecção de objetos e segmentação com apenas algumas linhas de código. Se você está trabalhando em aplicações em tempo real ou precisa de modelos de alta precisão, a Ultralytics tem uma solução para você. Não deixe de conferir o tutorial completo de Nicolai Nielsen no canal da Ultralytics no YouTube para obter informações e exemplos mais detalhados.

Fique ligado para mais tutoriais e atualizações da comunidade Ultralytics!