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

Nesta publicação, vamos analisar 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 programador experiente, vais ver como a Ultralytics suporta vários modelos e arquiteturas, incluindo diferentes versões do YOLO e modelos baseados em Transformer.

No seu vídeo, Nicolai Nielsen explica o processo de configuração e utilização de vários modelos na framework Ultralytics. Vamos analisar o processo passo a passo e ver como podes começar a utilizar estas ferramentas.

Introdução aos modelos da Ultralytics#

A Ultralytics oferece uma framework abrangente que suporta vários modelos de deteção de objetos e segmentação. Inclui os populares modelos YOLO, do YOLOv3 ao YOLOv8 (entretanto sucedido pelo YOLO26), bem como os modelos YOLO-NAS e SAM. Estes modelos foram concebidos para realizar várias tarefas, como deteção em tempo real, segmentação e estimativa de pose.

Para começar, acesse a página da documentação da Ultralytics. Nela, você encontra informações detalhadas sobre cada modelo, incluindo os principais recursos, as arquiteturas e como usá-los nos seus scripts Python.

Configurando seu ambiente#

Primeiro, verifique se você instalou a Ultralytics. Para isso, execute:

pip install ultralytics

Feito isso, você pode começar a usar esses modelos nos seus projetos. Vamos começar usando o modelo YOLOv8 da Ultralytics como exemplo.

Principais funcionalidades do Ultralytics YOLOv8#

O Ultralytics YOLOv8 inclui várias melhorias em relação aos antecessores. Foi concebido para ser mais rápido e preciso, sendo adequado a aplicações em tempo real. Algumas das principais funcionalidades incluem:

• Maior velocidade e precisão
• Pesos pré-treinados para várias tarefas
• Suporte à detecção de objetos, segmentação e classificação
• Arquitetura de modelo aprimorada para melhor desempenho

Executando o YOLOv8 da Ultralytics em Python#

Veja como começar a usar o YOLOv8 da Ultralytics com apenas algumas linhas de código:

from ultralytics import YOLO

# Carrega um modelo YOLOv8 pré-treinado
model = YOLO("yolov8n.pt")

# Executa a inferência em uma imagem
results = model("path/to/image.jpg")

E pronto! Acabaste de executar inferência com um modelo YOLOv8 numa imagem. Esta simplicidade torna os modelos Ultralytics tão fáceis de utilizar.

Detecção ao vivo pela webcam#

Quer ver o YOLOv8 da Ultralytics em ação com a transmissão ao vivo da webcam? Veja como:

from ultralytics import YOLO

# Carrega um modelo YOLOv8 pré-treinado
model = YOLO("yolov8n.pt")

# Executa a inferência na transmissão da webcam (source=0) e exibe os resultados
results = model.predict(source=0, show=True)

Este script abre a tua webcam e aplica o modelo Ultralytics YOLOv8 para detetar objetos em tempo real.

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

Explorando outros modelos#

A Ultralytics não se limita ao YOLOv8. Também suporta vários outros modelos, como o YOLOv5, o YOLO-NAS e modelos baseados em transformers 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 suportado pela Ultralytics, é um detetor de objetos de ponta, de ponta a ponta, que oferece desempenho em tempo real e elevada precisão. Utiliza uma base convolucional e um codificador híbrido eficiente para alcançar velocidade em tempo real, destaca-se em CUDA com TensorRT e permite ajustar a velocidade de inferência de forma flexível.

Eis como podes executar um modelo RT-DETR:

from ultralytics import RTDETR

# Carrega um modelo RT-DETR-l pré-treinado no COCO
model = RTDETR("rtdetr-l.pt")

# Executa a inferência em uma imagem
results = model("path/to/image.jpg")

Modelos Segment Anything#

A Ultralytics também oferece modelos para tarefas de segmentação, como o MobileSAM e o FastSAM. Estes modelos foram concebidos para segmentar todos os elementos de uma imagem e fornecer informações detalhadas sobre a cena.

Executando o FastSAM#

O FastSAM é otimizado para segmentação em tempo real. Veja como executá-lo:

from ultralytics import FastSAM

# Cria um modelo FastSAM
model = FastSAM("FastSAM-s.pt")  # ou FastSAM-x.pt

# Executa a inferência em uma imagem
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

Este modelo é adequado a aplicações que exigem uma segmentação rápida e precisa.

Desempenho e comparações#

Uma funcionalidade útil do ecossistema Ultralytics é a possibilidade de comparar diferentes modelos lado a lado. Podes determinar qual funciona melhor para a tua aplicação específica, analisando métricas de desempenho como a velocidade de inferência e a precisão média média (mAP).

Principais conclusões#

A Ultralytics facilita a execução de 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 te esqueças de ver o tutorial completo de Nicolai Nielsen no canal da Ultralytics no YouTube para obteres informações mais detalhadas e exemplos.

Fique por dentro dos próximos tutoriais e novidades da comunidade Ultralytics!