Object Detection

A detecção de objetos é a tarefa de visão computacional que encontra cada instância de um conjunto de classes conhecidas em uma imagem ou quadro de vídeo e informa onde ela está. Para cada objeto, ela retorna uma caixa delimitadora, um rótulo de classe e uma pontuação de confiança, transformando uma foto de rua em uma lista de caixas rotuladas, uma para cada carro, pessoa ou semáforo. Essa lista é a entrada para contagem, medição, rastreamento e controle de robôs.

O que um detector retorna#

Cada detecção tem três partes. A caixa é armazenada como coordenadas dos cantos (x1, y1, x2, y2) ou como ponto central com largura e altura, em pixels ou normalizada pelo tamanho da imagem. A classe é um índice no conjunto de rótulos do modelo, como as 80 categorias do conjunto de dados COCO. A pontuação, entre 0 e 1, indica a probabilidade de a caixa conter essa classe, e as aplicações mantêm apenas as detecções acima de um limiar de confiança, equilibrando objetos não detectados e falsos alarmes.

from ultralytics import YOLO

# Load a YOLO26 nano detector pretrained on the 80 COCO classes
model = YOLO("yolo26n.pt")

# Run detection on one image
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Each detection carries a class, a confidence score, and a box in pixels
for box in result.boxes:
    name = result.names[int(box.cls)]
    corners = box.xyxy[0].int().tolist()
    print(f"{name} {box.conf.item():.2f} {corners}")

Cada linha impressa corresponde a um objeto detectado: o nome da classe, a confiança e as coordenadas em pixels dos cantos superior esquerdo e inferior direito.

Como funcionam os detectores de objetos#

Os detectores modernos são redes neurais com três etapas. Um backbone, geralmente uma rede convolucional ou um transformer de visão, transforma a imagem em mapas de características. Um neck, como uma rede de pirâmide de características, combina esses mapas em várias escalas para representar tanto objetos pequenos quanto grandes. Em seguida, uma cabeça de detecção prevê pontuações de classe e coordenadas de caixas em milhares de posições. Posições vizinhas são ativadas para o mesmo objeto, então a saída bruta contém muitos candidatos sobrepostos; a maioria dos pipelines descarta caixas com pontuações baixas e executa a supressão não máxima (NMS) para manter uma caixa por objeto. Detectores de ponta a ponta, como o DETR, são treinados para emitir exatamente uma predição por objeto, então ignoram essa etapa.

Os projetos dos detectores diferem na forma como encontram candidatos. Detectores de dois estágios, como o Faster R-CNN, primeiro propõem regiões que podem conter um objeto e depois classificam e refinam cada uma. Detectores de estágio único, como o YOLO, lançado em 2015, predizem todas as caixas e classes em uma única passagem, o que tornou prática a detecção em tempo real. Os modelos de estágio único anteriores regrediam deslocamentos a partir de caixas-âncora predefinidas, enquanto os detectores sem âncoras predizem diretamente as distâncias de um ponto da grade até as quatro bordas da caixa. O YOLO26 é um detector de estágio único e sem âncoras que aplica NMS por padrão; passar nms=False ativa uma cabeça um-para-um que produz as caixas finais sem uma etapa de NMS.

Treino e avaliação#

Detectores aprendem com imagens anotadas com uma caixa e uma classe para cada objeto. Durante o treinamento, uma etapa de atribuição de rótulos decide quais predições são responsáveis por cada objeto rotulado, e a perda combina um termo de classificação com um termo de regressão de caixas, geralmente baseado na interseção sobre união (IoU), a sobreposição entre uma caixa prevista e uma caixa rotulada. A avaliação usa IoU novamente: uma detecção é considerada correta quando sua classe corresponde e sua IoU com uma caixa rotulada atinge um limiar. A média da precisão média (mAP) resume então a precisão e a revocação em todos os níveis de confiança e classes. O COCO informa mAP₅₀, calculada com IoU de 0,5, e usa mAP_50-95, calculada como a média em dez limiares de IoU entre 0,50 e 0,95, como métrica principal. O VLM Leaderboard usa mAP₅₀ para comparar modelos de linguagem visual que detectam objetos apenas pelos nomes das classes. A Ultralytics Platform usa esses modelos para anotar automaticamente conjuntos de dados de detecção antes de treinar o YOLO26 com os rótulos.

Aplicações no mundo real#

• Condução autônoma: Os sistemas de assistência ao motorista e de direção autônoma detectam veículos, pedestres, ciclistas e sinais de trânsito em cada quadro da câmera, e o rastreamento e o planejamento de movimento usam essas caixas.
• Varejo: Câmeras nas prateleiras detectam produtos e espaços vazios para sinalizar itens fora de estoque, enquanto sistemas de autoatendimento detectam os itens colocados no caixa.
• Inspeção de fabricação: Câmeras na linha detectam arranhões, amassados e componentes ausentes para que peças defeituosas sejam rejeitadas durante a passagem.

Detecção de objetos em comparação com tarefas relacionadas#

• Classificação de imagens atribui um único rótulo à imagem inteira e não informa a localização.
• Segmentação de instâncias contorna cada objeto detectado com uma máscara de pixels que acompanha seu formato exato.
• Caixas delimitadoras orientadas adicionam um ângulo de rotação a cada caixa para ajustá-la a objetos inclinados, como navios e veículos em imagens aéreas.
• Rastreamento de objetos associa detecções do mesmo objeto entre quadros de vídeo e atribui a cada objeto um ID persistente.
• Detecção de objetos 3D prevê uma caixa no espaço 3D, descrita por seu centro, comprimento, largura e altura em metros e ângulo de orientação.