Executar modelos de deteção de objetos e segmentação Ultralytics em poucas linhas de código

Bem-vindo a mais um post de blog, onde vamos explorar as capacidades dos modelos Ultralytics' YOLOv5 e YOLOv8 no que diz respeito à detecção de objetos e segmentação. Vamos explorar como integrar esses modelos fáceis de usar em seus projetos com apenas algumas linhas de código. Seja você um iniciante ou um desenvolvedor experiente, verá como a Ultralytics suporta vários modelos e arquiteturas, incluindo diferentes versões do YOLO e modelos baseados em Transformer.

No seu vídeo, Nicolai Nielsen nos guia pelo processo de configuração e uso de vários modelos dentro da estrutura Ultralytics. Vamos analisar passo a passo e ver como você pode começar a usar essas ferramentas incríveis.

Link to this sectionComeçando com modelos Ultralytics#

A Ultralytics oferece uma estrutura abrangente que suporta múltiplos modelos de detecção de objetos e segmentação. Isso inclui os populares modelos YOLO, desde o YOLOv3 até o mais recente YOLOv8, bem como modelos YOLO-NAS e SAM. Esses modelos são projetados para lidar com uma variedade de tarefas, 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.

Link to this sectionConfigurando seu ambiente#

Primeiro, certifique-se de ter o Ultralytics instalado. Você pode fazer isso executando:

pip install ultralytics

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

Link to this sectionPrincipais 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

Link to this sectionExecutando o YOLOv8 em Python#

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

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

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.

Link to this sectionDetecção de webcam ao vivo#

Quer ver o YOLOv8 em ação em uma transmissão de webcam ao vivo? Veja como você pode fazer:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on the webcam feed (source=0) and display the results
results = model.predict(source=0, show=True)

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

Fig 1. Nicolai Nielsen descrevendo como executar modelos de detecção de objetos e segmentação Ultralytics.

Link to this sectionExplorando outros modelos#

A Ultralytics não para no YOLOv8. Eles também suportam vários outros modelos como YOLOv5, YOLO-NAS e modelos baseados em Transformer para detecção em tempo real. Cada modelo tem seus próprios pontos fortes e casos de uso.

Link to this sectionModelos Transformer e como executá-los#

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

Veja como você pode executar um modelo RT-DETR:

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Link to this sectionModelos 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 sobre a cena.

Link to this sectionExecutando o FastSAM#

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

from ultralytics import FastSAM

# Create a FastSAM model
model = FastSAM("FastSAM-s.pt")  # or FastSAM-x.pt

# Run inference on an image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

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

Link to this sectionDesempenho e comparações#

Um dos grandes recursos da estrutura 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 mAP.

Link to this sectionPrincipais conclusões#

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

Fique ligado para mais tutoriais e atualizações da comunidade Ultralytics!