Treine modelos YOLO mais rapidamente com a Ultralytics Platform

Na semana passada, a Ultralytics apresentou a Ultralytics Platform, um espaço de trabalho unificado criado para simplificar a forma como as equipas desenvolvem, treinam e implementam modelos de visão computacional. Em vez de alternar entre várias ferramentas, a plataforma reúne tudo num só lugar. Passar da ideia à implementação com modelos de IA de visão torna-se simples.

Isto é crucial porque a visão computacional está rapidamente a tornar-se uma parte essencial de vários setores. Ela alimenta aplicações como inspeção industrial, análise de retalho e navegação autónoma.

Transformar estas aplicações baseadas em visão em sistemas fiáveis depende da qualidade do treino dos modelos. O treino de modelos envolve aprender com dados anotados para que o modelo reconheça padrões e faça previsões precisas. Em geral, modelos bem treinados proporcionam melhor desempenho e resultados mais fiáveis em aplicações do mundo real.

No entanto, treinar um modelo de visão computacional nem sempre é simples. O processo envolve vários aspetos, como configurar ambientes, selecionar recursos computacionais adequados, ajustar hiperparâmetros e acompanhar várias experiências de treino. Quando estas etapas estão distribuídas por diferentes ferramentas e sistemas, o fluxo de trabalho de treino rapidamente se torna complexo e difícil de gerir.

A Ultralytics Platform resolve este problema ao reunir todo o processo de treino num único painel unificado. Podes configurar, executar e monitorizar tarefas de treino num só lugar, quer trabalhes na cloud, localmente ou no Google Colab.

Fig. 1. Uma visão geral do treino de modelos na Ultralytics Platform (Fonte)

Neste artigo, vamos explorar como a Ultralytics Platform simplifica o treino de modelos e porque pode dar-te uma vantagem nos teus projetos de IA de visão. Vamos começar!

Os modelos de visão computacional aprendem com dados através do treino de modelos#

Antes de vermos como funciona o treino de modelos na Ultralytics Platform, vamos recuar um pouco e analisar o que é o treino de modelos e o que envolve.

O treino de modelos é o processo através do qual um modelo de visão computacional aprende a interpretar dados visuais. O modelo analisa imagens ou vídeos e ajusta gradualmente os seus parâmetros internos para executar com precisão tarefas de visão, como deteção de objetos, classificação de imagens e segmentação de instâncias. Com o tempo, o modelo melhora ao aprender padrões diretamente a partir dos dados que observa.

A qualidade do treino depende muito dos conjuntos de dados. Podes pensar num conjunto de dados como um conjunto de cartões didáticos que um professor usaria para ensinar um aluno, em que cada exemplo ajuda o modelo a aprender o que deve procurar.

Um conjunto de dados típico de visão computacional inclui imagens, geralmente em formatos como JPG ou PNG, e anotações que descrevem o que existe em cada imagem. Estas anotações, frequentemente armazenadas como ficheiros JSON ou TXT, fornecem os rótulos e o contexto de que o modelo precisa para aprender de forma eficaz.

Mas o treino não consiste apenas em fornecer dados a um modelo. Envolve várias etapas importantes, desde preparar o conjunto de dados até selecionar o modelo adequado e configurar o processo de treino. Em seguida, vamos analisar mais detalhadamente algumas destas etapas.

Como são preparados os conjuntos de dados#

Pode parecer que, depois de teres um conjunto de dados, podes começar imediatamente a treinar um modelo, mas primeiro há algumas etapas a cumprir, como dividir o conjunto de dados.

Geralmente, um conjunto de dados é dividido em três partes: conjunto de treino, conjunto de validação e conjunto de teste. As imagens de treino são utilizadas para ensinar ao modelo os padrões presentes nos dados, enquanto o conjunto de validação ajuda a monitorizar e a ajustar o desempenho durante o treino.

O conjunto de teste é utilizado no final para avaliar o desempenho do modelo com dados completamente novos e não vistos. Esta configuração ajuda a garantir que o modelo não memoriza apenas os dados, mas consegue generalizar para cenários do mundo real.

Selecionar o modelo adequado para o treino#

Outro passo importante antes do treino é escolher o modelo que queres utilizar. Em muitos casos, isto significa selecionar um modelo pré-treinado. Modelos como os modelos Ultralytics YOLO já foram treinados com grandes conjuntos de dados e aprenderam padrões visuais gerais, sendo um excelente ponto de partida.

A utilização destes modelos é um exemplo de aprendizagem por transferência, em que aproveitas conhecimento existente e adaptas o modelo à tua tarefa específica. Esta abordagem ajuda a acelerar o treino e a melhorar os resultados, especialmente quando trabalhas com poucos dados.

Estes modelos também existem em diferentes tamanhos, cada um oferecendo um compromisso entre velocidade e precisão. Os modelos mais pequenos são mais rápidos e eficientes, enquanto os modelos maiores tendem a proporcionar maior precisão, mas exigem mais capacidade computacional.

Configurar parâmetros de treino para modelos de visão#

Depois de preparares o conjunto de dados e selecionares um modelo, o passo seguinte é configurar a forma como o modelo aprende.

Um modelo de visão computacional é treinado utilizando um conjunto de parâmetros que determina como processa os dados, atualiza os pesos e melhora ao longo do tempo. Estas definições afetam diretamente tanto a velocidade do treino como a precisão final, sendo essenciais para obter bons resultados.

Eis alguns dos parâmetros de treino mais utilizados:

• Épocas: Representa o número de vezes que o modelo percorre todo o conjunto de dados durante o treino. Aumentar o número de épocas dá ao modelo mais oportunidades para aprender padrões a partir dos dados.
• Tamanho do lote: É o número de imagens processadas em conjunto numa única etapa de treino. Lotes maiores podem acelerar o treino, mas exigem mais memória.
• Tamanho da imagem: Especifica a resolução das imagens de entrada utilizadas durante o treino. Resoluções mais elevadas podem melhorar a precisão da deteção, mas aumentam o custo computacional.
• Taxa de aprendizagem: É a velocidade a que o modelo atualiza os seus parâmetros internos durante o treino. Valores demasiado altos ou baixos podem tornar o treino instável.
• Otimizador: É o algoritmo responsável por atualizar os parâmetros do modelo com base no erro calculado durante cada iteração de treino.

Nos fluxos de trabalho baseados em Ultralytics YOLO, estas configurações são normalmente definidas num ficheiro YAML. Este ficheiro especifica os caminhos dos conjuntos de dados, os nomes das classes e a forma como os dados são divididos. Funciona como uma configuração central que indica ao modelo como interpretar o conjunto de dados.

De fluxos de trabalho fragmentados a uma experiência unificada com a Ultralytics Platform#

Acabámos de abordar algumas das etapas essenciais do treino de um modelo de visão computacional, desde a preparação dos conjuntos de dados até à seleção de um modelo e à configuração dos parâmetros de treino. Na prática, o processo costuma incluir também o acompanhamento de experiências, a comparação de várias execuções de treino e o aperfeiçoamento contínuo dos modelos ao longo do tempo.

Estas etapas raramente são geridas num único lugar. Os conjuntos de dados podem ser preparados numa ferramenta, as execuções de treino realizadas noutro ambiente e o acompanhamento das experiências gerido separadamente. À medida que os projetos crescem, esta fragmentação aumenta a complexidade, abranda a iteração e dificulta a organização de tudo.

A Ultralytics Platform elimina esta complexidade ao reunir todo o fluxo de trabalho de treino num único ambiente. Em vez de alternar entre ferramentas, podes gerir conjuntos de dados, configurar o treino, executar experiências e monitorizar resultados num só lugar.

Em seguida, vamos ver como a Ultralytics Platform torna o treino de modelos mais inteligente.

Opções de treino compatíveis com a Ultralytics Platform#

Em aplicações do mundo real, treinar um modelo de visão computacional exige frequentemente ambientes flexíveis. Dependendo do tamanho do teu conjunto de dados, da complexidade do modelo e do hardware disponível, podes optar por executar o treino na cloud, numa máquina local ou através de ambientes de notebooks externos.

A Ultralytics Platform suporta as seguintes opções de treino para responder a estas necessidades:

• Treino na cloud: O treino é executado em unidades de processamento gráfico (GPUs) na cloud gerida pela Ultralytics. Esta opção é ideal para conjuntos de dados maiores ou modelos mais complexos que exigem recursos computacionais significativos.
• Treino local: Esta opção utiliza o hardware disponível na tua máquina e é excelente para experiências rápidas, testar configurações ou trabalhar com conjuntos de dados mais pequenos. Para cargas de trabalho mais escaláveis, o treino também pode ser executado no teu próprio ambiente cloud, como AWS ou GCP.
• Google Colab: Com a Ultralytics Platform, podes executar o treino no ambiente de notebook alojado do Google Colab, permitindo um fluxo de trabalho flexível e baseado no navegador sem configurares uma máquina local.

Explorar o treino na cloud na Ultralytics Platform#

No caso de projetos de visão computacional, treinar modelos localmente ou através de ambientes de notebooks nem sempre é fácil.

Por exemplo, no treino local, o desempenho depende totalmente do teu hardware, o que pode limitar a capacidade computacional e tornar as experiências mais lentas. As GPUs são essenciais para um treino eficiente, mas nem todas as configurações têm acesso fiável a elas.

Embora ambientes de notebooks como o Google Colab ofereçam uma alternativa ao disponibilizarem GPUs baseadas na cloud, as sessões são frequentemente temporárias e podem interromper execuções de treino mais longas. À medida que os conjuntos de dados crescem e os fluxos de trabalho se tornam mais complexos, estas limitações podem rapidamente transformar-se em gargalos, tornando o treino mais lento e menos fiável.

A Ultralytics Platform resolve este problema com a sua opção de treino na cloud. Fornece um ambiente pronto a utilizar, no qual as dependências de Python e frameworks como PyTorch estão pré-configurados, permitindo começar o treino sem configuração adicional.

A partir de um único painel, podes iniciar tarefas de treino e monitorizar o progresso em tempo real. Isto facilita a concentração na melhoria dos teus modelos, em vez de na gestão da infraestrutura.

Agora, vamos ver como começar a utilizar o treino na cloud na Ultralytics Platform.

Passo 1: Selecionar um modelo base#

O primeiro passo é escolher um modelo base para a tua execução de treino. Podes selecionar um modelo Ultralytics YOLO pré-treinado, clonar um modelo da comunidade ou carregar os teus próprios pesos pré-treinados para responder a requisitos personalizados.

A plataforma suporta todos os modelos Ultralytics YOLO, incluindo Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 e Ultralytics YOLOv5, cada um disponível em diferentes variantes de tamanho, como nano (n), pequeno (s), médio (m), grande (l) e extragrande (x). Como as diferentes variantes oferecem um compromisso entre velocidade e precisão, podes escolher um modelo que se adeque aos teus requisitos de desempenho e capacidade computacional.

Estes modelos suportam várias tarefas de visão computacional que os utilizadores de Ultralytics YOLO já conhecem, incluindo deteção de objetos, segmentação de instâncias, classificação de imagens, deteção de caixas delimitadoras orientadas (OBB) e estimativa de pose.

Se tiveres requisitos personalizados, também podes carregar os teus próprios pesos de modelo pré-treinados. Isto permite continuar o treino ou ajustar um modelo existente, como um detetor de objetos, dentro da plataforma, em vez de começar do zero. É especialmente útil se já tiveres treinado um modelo noutro local ou quiseres adaptá-lo a um caso de utilização mais específico.

Passo 2: Selecionar um conjunto de dados#

O passo seguinte é selecionar um conjunto de dados para o treino. Na Ultralytics Platform, podes utilizar conjuntos de dados existentes, como o conjunto de dados COCO, clonar conjuntos de dados da comunidade ou carregar o teu próprio conjunto de dados personalizado, adaptado à tua aplicação específica.

A plataforma suporta formatos de anotação comuns, como Ultralytics YOLO e COCO, e também pode processar carregamentos de imagens sem anotações se planeares anotar dados personalizados diretamente na plataforma.

Depois de carregados, os conjuntos de dados são processados automaticamente, incluindo validação, normalização, análise de rótulos e geração de estatísticas. Isto dá-te visibilidade imediata sobre os teus dados, incluindo a distribuição das classes e a estrutura do conjunto de dados, e ajuda a garantir que tudo está pronto para o treino.

Os conjuntos de dados também são automaticamente associados às execuções de treino, permitindo acompanhar quais dados foram utilizados para cada modelo e manter a consistência entre experiências.

Passo 3: Configurar os parâmetros de treino#

Depois de escolheres o conjunto de dados, podes configurar os parâmetros de treino que controlam a forma como o modelo aprende. Estes incluem épocas, tamanho do lote, tamanho da imagem e o nome da execução no registo de treino. Muitos destes parâmetros influenciam tanto a duração do treino como o desempenho final do modelo.

Para um treino mais controlado, a plataforma também permite ajustar parâmetros avançados, como a taxa de aprendizagem, o tipo de otimizador, as definições de aumento de dados de cor e outras opções de treino. Estas definições podem ajustar o processo de treino para melhorar a precisão e a estabilidade do modelo.

Passo 4: Selecionar uma GPU#

Em seguida, podes selecionar a configuração de GPU para a tua execução de treino. A escolha da GPU adequada depende de fatores como o tamanho do conjunto de dados, o tamanho do lote, a resolução das imagens e a complexidade do modelo. Encontrar o equilíbrio certo ajuda a manter o treino eficiente sem utilizar mais capacidade computacional do que o necessário.

A Ultralytics Platform oferece 22 opções de GPU com diferentes níveis de VRAM (memória de uma GPU) e capacidade computacional, suportando desde tarefas pequenas até cargas de trabalho de grande escala.

Assim, podes adequar o hardware às tuas necessidades específicas, quer estejas a treinar modelos leves ou a trabalhar com conjuntos de dados grandes e complexos. Para saberes mais, consulta a lista de GPUs disponíveis na página de documentação de treino da Platform da Ultralytics.

Fig. 2. Algumas das opções de GPU disponibilizadas pela Ultralytics Platform (Fonte)

Passo 5: Iniciar o treino na cloud#

Depois de selecionares o modelo, o conjunto de dados, os parâmetros de treino e a opção computacional, iniciar uma execução de treino é rápido. A partir do painel, podes iniciar o treino com um único clique, e a plataforma trata do resto, inicializando o ambiente e executando a tarefa na GPU selecionada.

À medida que o treino começa, podes monitorizar o progresso diretamente na plataforma. O separador Train fornece visibilidade em tempo real sobre métricas essenciais, incluindo métricas de desempenho, curvas de perda, utilização do sistema e registos de treino em direto.

Para saberes mais sobre treinar localmente ou utilizar o Google Colab com a Ultralytics Platform, podes explorar outros tutoriais na documentação da Platform oficial da Ultralytics.

Avaliar e comparar modelos na Ultralytics Platform#

Depois de concluído o treino, o passo seguinte é avaliar o desempenho do teu modelo. Na Ultralytics Platform, podes comparar várias execuções de treino num projeto, obtendo uma visão clara do desempenho de diferentes experiências.

Ao desenvolver modelos, o treino é frequentemente repetido várias vezes com definições diferentes, como alterações na taxa de aprendizagem, no tamanho do lote ou no tamanho do modelo, para melhorar os resultados. Cada execução produz um modelo ligeiramente diferente, razão pela qual a comparação é essencial.

Os projetos funcionam como um centro onde os modelos e as experiências são organizados em conjunto. Podes acompanhar o progresso, rever resultados e manter o foco sem alternar entre diferentes ferramentas ou vistas.

A partir desta vista unificada, também podes analisar métricas de desempenho essenciais, como precisão, revocação e mAP (precisão média média), para compreender o desempenho do teu modelo nas diferentes classes. Também podes comparar execuções de treino lado a lado para identificar quais configurações produzem os melhores resultados.

Para complementar estas métricas, podes utilizar o separador Predict para testar rapidamente modelos treinados em imagens ou dados de exemplo, ajudando-te a validar visualmente o desempenho e a detetar potenciais problemas.

Com estas informações, podes selecionar o modelo com melhor desempenho, normalmente guardado como o checkpoint “best.pt”, e avançar para a fase seguinte, seja uma avaliação adicional, a utilização do modelo para executar inferências ou a implementação do modelo através da plataforma.

Fig. 3. Exemplo de visualização de métricas na Ultralytics Platform (Fonte)

Estimar o custo do treino na Ultralytics Platform#

Treinar modelos de deteção de objetos na cloud implica custos computacionais, especialmente quando acedes a GPUs de alto desempenho. Para tornar este processo mais conveniente, a Ultralytics Platform fornece uma estimativa de custos antes do início do treino.

A plataforma oferece uma visão clara da utilização esperada, ajudando-te a planear cargas de trabalho, gerir orçamentos e evitar despesas inesperadas antes de iniciares uma tarefa de treino. Eis como podes verificar os custos estimados antes de começares o treino.

Como é estimado o tempo de treino#

Para estimar o custo com precisão, a plataforma calcula primeiro quanto tempo demora uma única época de treino. Isto depende de fatores como o tamanho do conjunto de dados, o tamanho do modelo, a resolução das imagens, o tamanho do lote e a velocidade da GPU selecionada.

Com base nestes dados, determina o tempo estimado por época e extrapola-o para toda a execução de treino. A duração total é calculada combinando o tempo de todas as épocas com uma pequena sobrecarga de inicialização.

A sobrecarga inclui tarefas como inicializar o ambiente, carregar conjuntos de dados e preparar a GPU, garantindo que a estimativa representa o processo completo de treino, e não apenas o ciclo de treino.

Como é calculado o custo do treino#

Depois de estimar o tempo total de treino, a plataforma converte-o em custo utilizando a tarifa horária da GPU selecionada.

Ao combinar a duração do treino com o preço da GPU, podemos obter uma estimativa clara do custo da execução antes mesmo de esta começar.

Ter visibilidade antecipada facilita o ajuste da configuração, como alterar os parâmetros de treino ou selecionar uma GPU diferente, para equilibrar de forma mais eficaz o desempenho e o custo.

Fig. 4. Configuração do treino de modelos e estimativa de custos na Ultralytics Platform (Fonte)

Principais vantagens de utilizar a Ultralytics Platform para o treino de modelos#

Até agora, analisámos as principais etapas envolvidas no treino de modelos de visão computacional e como se combinam na Ultralytics Platform.

Para além destas funcionalidades essenciais, existem capacidades adicionais que melhoram o fluxo de trabalho de treino. Eis uma visão geral de alguns dos principais benefícios de utilizar a Ultralytics Platform para o treino de modelos:

• Reprodutibilidade integrada de experiências: Cada execução de treino é registada automaticamente com a sua configuração completa, incluindo o modelo, o conjunto de dados, os parâmetros e a configuração computacional. Isto facilita a consulta posterior das experiências e a reprodução fiável dos resultados.
• Informações sobre o treino ao longo do tempo: Em vez de apenas veres os resultados finais, podes acompanhar a evolução do desempenho ao longo das épocas, ajudando-te a compreender melhor o comportamento do modelo durante o treino.
• Menor sobrecarga operacional: Ao tratar da configuração do ambiente, da gestão de dependências e da infraestrutura em segundo plano, a plataforma permite-te concentrar mais no desenvolvimento do modelo e menos na configuração.
• Organização centralizada de experiências: Os projetos funcionam como um único local para gerir modelos, conjuntos de dados e execuções de treino, ajudando a manter as experiências estruturadas à medida que os fluxos de trabalho se tornam mais complexos.

Principais conclusões#

O treino é uma das etapas mais importantes do ciclo de vida de um modelo de machine learning. Determina com que precisão um modelo pode reconhecer e interpretar dados visuais.

Ao combinar a configuração dos dados de treino, a monitorização, a comparação de experiências e a estimativa de custos num único ambiente, a Ultralytics Platform simplifica o processo de criação de modelos de visão computacional de alto desempenho e de preparação para implementação.

Consulte a nossa crescente comunidade e o nosso repositório no GitHub para saber mais sobre visão computacional. Se pretende criar soluções de visão, consulte as nossas opções de licenciamento. Explore as nossas páginas de soluções para saber mais sobre os benefícios da visão computacional na indústria e da IA na agricultura.