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

Bem-vindo a outro artigo do blogue, no qual vamos explorar as capacidades dos modelos YOLOv5 da Ultralytics e YOLOv8 no que diz respeito à deteção de objetos e à segmentação. Vamos explorar como integrar estes modelos fáceis de utilizar nos teus projetos com apenas algumas linhas de código. Quer sejas principiante ou um programador experiente, verás como a Ultralytics oferece suporte a vários modelos e arquiteturas, incluindo diferentes versões do YOLO e modelos baseados em Transformer.

No seu vídeo, Nicolai Nielsen mostra-nos o processo de configuração e utilização de vários modelos no framework da Ultralytics. Vamos detalhar o processo passo a passo e ver como podes começar a utilizar estas ferramentas incríveis.

Primeiros passos com os modelos da Ultralytics#

A Ultralytics oferece um framework abrangente compatível com vários modelos de deteção de objetos e segmentação. Isto inclui os populares modelos YOLO, desde o YOLOv3 até ao mais recente YOLOv8, bem como os modelos YOLO-NAS e SAM. Estes modelos foram concebidos para lidar com várias tarefas, como deteção, segmentação e estimativa de pose em tempo real.

Para começar, visita a página da documentação da Ultralytics. Aqui, encontrarás informações detalhadas sobre cada modelo, incluindo as suas principais funcionalidades, arquiteturas e como utilizá-los nos teus scripts Python.

Configurar o ambiente#

Primeiro, certifica-te de que tens a Ultralytics instalada. Podes fazê-lo executando:

pip install ultralytics

Depois de concluíres este passo, podes começar a utilizar estes modelos nos teus projetos. Vamos começar pelo modelo YOLOv8 da Ultralytics como exemplo.

Principais funcionalidades do Ultralytics YOLOv8#

O YOLOv8 da Ultralytics inclui várias melhorias em relação aos seus antecessores. Foi concebido para ser mais rápido e preciso, o que o torna ideal para aplicações em tempo real. Algumas das principais funcionalidades incluem:

• Maior velocidade e precisão
• Pesos pré-treinados para várias tarefas
• Suporte para deteção de objetos, segmentação e classificação
• Arquitetura de modelo melhorada para um desempenho superior

Executar o YOLOv8 da Ultralytics em Python#

Eis como podes começar a utilizar o YOLOv8 da Ultralytics com 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 tudo! Acabaste de executar um modelo YOLOv8 numa imagem. Esta simplicidade é o que torna os modelos da Ultralytics tão poderosos e fáceis de utilizar.

Deteção através de uma webcam em direto#

Queres ver o YOLOv8 da Ultralytics em ação numa transmissão de webcam em direto? Eis como podes fazê-lo:

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 a tua webcam e aplicará o modelo YOLOv8 da Ultralytics para detetar objetos em tempo real.

Fig. 1. Nicolai Nielsen a explicar como executar modelos Ultralytics de deteção de objetos e segmentação.

Explorar outros modelos#

A Ultralytics não se limita ao YOLOv8. Também oferece suporte a outros modelos, como YOLOv5, YOLO-NAS e modelos baseados em Transformer para deteção em tempo real. Cada modelo tem os seus próprios pontos fortes e casos de utilização.

Modelos Transformer e como executá-los#

O modelo RT-DETR, desenvolvido pela Baidu e compatível com a Ultralytics, é um detetor de objetos de última geração, ponta a ponta, que oferece desempenho em tempo real e elevada precisão. Utiliza um backbone baseado em convoluções e um codificador híbrido eficiente para obter velocidade em tempo real, destacando-se com CUDA e TensorRT, e permite ajustar de forma flexível a velocidade de inferência.

Eis como podes 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")

Modelos Segment Anything#

A Ultralytics também oferece modelos para tarefas de segmentação, como MobileSAM e FastSAM. Estes modelos foram concebidos para segmentar tudo numa imagem, fornecendo informações detalhadas sobre a cena.

Executar o FastSAM#

O FastSAM está otimizado para segmentação em tempo real. Eis como podes 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 ideal para aplicações que exigem uma segmentação rápida e precisa.

Desempenho e comparações#

Uma das grandes funcionalidades do framework da Ultralytics é a capacidade de comparar diferentes modelos lado a lado. Podes determinar facilmente qual o modelo que funciona melhor para a tua aplicação específica, analisando métricas de desempenho como a velocidade de inferência e a precisão média (mAP).

Principais conclusões#

A Ultralytics torna extremamente fácil executar modelos de deteção de objetos e segmentação com apenas algumas linhas de código. Quer estejas a trabalhar em aplicações em tempo real ou precises de modelos de elevada precisão, a Ultralytics tem uma solução para ti. Não deixes de consultar o tutorial completo de Nicolai Nielsen no canal da Ultralytics no YouTube para obteres informações e exemplos mais aprofundados.

Fica atento a mais tutoriais e atualizações da comunidade da Ultralytics!