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

Bem-vindo a mais uma postagem no blog onde vamos mergulhar nas capacidades dos modelos Ultralytics' YOLOv5 e YOLOv8 quando se trata de object detection e segmentation. Vamos explorar como integrar estes modelos fáceis de usar nos teus projetos com apenas algumas linhas de código. Quer sejas um principiante ou um programador experiente, vais ver como a Ultralytics suporta various models e arquiteturas, incluindo diferentes versões do YOLO e modelos baseados em transformer.

No seu video, Nicolai Nielsen guia-nos pelo processo de configuração e utilização de vários modelos dentro do framework Ultralytics. Vamos analisar isto passo a passo e ver como podes começar a utilizar estas ferramentas incríveis.

Começando com modelos Ultralytics#

A Ultralytics oferece um framework abrangente que suporta múltiplos 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 são concebidos para lidar com uma variedade de tarefas como detection em tempo real, segmentation e pose estimation.

Para começar, visita a Ultralytics documentation page. Aqui, podes encontrar informação detalhada sobre cada modelo, incluindo as suas principais características, arquiteturas e como usá-los nos teus scripts Python.

Configurando seu ambiente#

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

pip install ultralytics

Assim que isto estiver feito, podes começar a usar estes modelos nos teus projetos. Vamos começar com o modelo Ultralytics YOLOv8 como exemplo.

Principais funcionalidades do Ultralytics YOLOv8#

O Ultralytics YOLOv8 traz várias melhorias em relação aos seus antecessores. Foi concebido para ser mais rápido e preciso, tornando-se perfeito para aplicações em tempo real. Algumas características 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

Executar o Ultralytics YOLOv8 em Python#

Eis como podes começar com o Ultralytics YOLOv8 em apenas algumas linhas de código:

from ultralytics import YOLO

# Load a pretrained Ultralytics 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.

Detecção de webcam ao vivo#

Queres ver o Ultralytics YOLOv8 em ação numa transmissão de webcam ao vivo? Eis como o podes fazer:

from ultralytics import YOLO

# Load a pretrained Ultralytics 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 vai abrir a tua webcam e aplicar o modelo Ultralytics YOLOv8 para detetar objetos em tempo real.

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

Explorando outros modelos#

A Ultralytics não fica por aqui com o YOLOv8. Eles também suportam vários other models 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 uso.

Modelos 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")

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 sobre a cena.

Executando 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.

Desempenho 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.

Principais 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.

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