Explora a forma como o novo modelo Ultralytics YOLO11 pode ser utilizado para a deteção de objectos, de modo a obter uma maior precisão em várias aplicações numa vasta gama de indústrias.
A visão por computador é um campo da inteligência artificial (IA) que ajuda as máquinas a interpretar e compreender a informação visual para permitir tarefas essenciais como a deteção de objectos. Ao contrário da classificação de imagens, a deteção de objectos não só identifica os objectos que se encontram numa imagem, como também aponta a sua localização exacta. Isto torna-a uma ferramenta essencial para aplicações de IA de visão, como carros autónomos, sistemas de segurança em tempo real e automatização de armazéns.
Ao longo do tempo, a tecnologia de deteção de objectos tornou-se mais avançada e mais fácil de utilizar. Um grande passo em frente foi anunciado no evento híbrido anual da Ultralytics, YOLO Vision 2024 (YV24), com o lançamento do modeloUltralytics YOLO11 . O YOLO11 melhora a precisão e o desempenho, suportando as mesmas tarefas que o YOLOv8tornando mais fácil para os utilizadores de modelos anteriores fazerem a transição sem problemas.
Neste artigo, explicaremos o que é a deteção de objetos, como ela é diferente de outras tarefas de visão computacional e exploraremos suas aplicações no mundo real. Também te mostraremos como usar o modelo YOLO11 com o pacoteUltralytics Python e a plataformaUltralytics HUB. Vamos começar!
A deteção de objectos é uma tarefa essencial na visão por computador que faz mais do que apenas identificar objectos numa imagem. Ao contrário da classificação de imagens, que apenas determina se um objeto específico está presente, a deteção de objectos reconhece vários objectos e aponta as suas localizações exactas utilizando caixas delimitadoras.
Por exemplo, pode identificar e localizar rostos numa fotografia de grupo, carros numa rua movimentada ou produtos numa prateleira de uma loja. A combinação de reconhecimento e localização de objectos torna-o especialmente útil para aplicações como vigilância, monitorização de multidões e gestão automática de inventário.
O que distingue a deteção de objectos de outras tarefas, como a segmentação semântica ou de instâncias, é o seu foco e eficiência.
A segmentação semântica rotula cada pixel de uma imagem, mas não diferencia entre objectos individuais do mesmo tipo (por exemplo, todos os rostos de uma fotografia seriam agrupados como "rosto"). A segmentação de instâncias vai mais longe, separando cada objeto e delineando a sua forma exacta, mesmo para objectos da mesma classe.
A deteção de objectos, no entanto, oferece uma abordagem mais simplificada, identificando e classificando objectos enquanto marca as suas posições. Isto torna-a ideal para tarefas em tempo real, como a deteção de rostos em imagens de segurança ou a identificação de obstáculos para veículos autónomos.
YOLO11tornam-no útil em muitas indústrias. Vejamos alguns exemplos.
YOLO11 e a deteção de objectos estão a redefinir a análise do retalho, tornando a gestão do inventário e a monitorização das prateleiras mais eficientes e precisas. A capacidade do modelo para detetar objectos de forma rápida e fiável ajuda os retalhistas a controlar os níveis de stock, a organizar as prateleiras e a reduzir os erros nas contagens de inventário.
Por exemplo, YOLO11 pode detetar artigos específicos como óculos de sol numa prateleira de uma loja. Mas porque é que um retalhista quereria monitorizar uma prateleira? Manter as prateleiras abastecidas e organizadas é vital para garantir que os clientes conseguem encontrar o que precisam, o que tem um impacto direto nas vendas. Ao monitorizar as prateleiras em tempo real, os retalhistas podem detetar rapidamente quando os artigos estão a acabar, mal colocados ou sobrelotados, ajudando-os a manter uma exposição organizada e atraente que melhora a experiência de compra.
Uma cidade movimentada depende de um fluxo de tráfego suave e de ruas seguras para funcionar eficientemente, e o YOLO11 pode ajudar a tornar isto possível. De facto, muitas aplicações de cidades inteligentes podem ser integradas com YOLO11.
Um caso interessante envolve a utilização da deteção de objectos para identificar matrículas em veículos em movimento. Ao fazê-lo, o YOLO11 pode apoiar uma cobrança mais rápida de portagens, uma melhor gestão do tráfego e uma aplicação mais rápida da regulamentação.
As informações dos sistemas Vision AI que monitorizam as estradas podem alertar as autoridades para infracções de trânsito ou congestionamentos antes que estes se transformem em problemas maiores. YOLO11 Os sistemas de IA também podem detetar peões e ciclistas, tornando as ruas mais seguras e eficientes para todos.
De facto, a capacidade do YOLO11para processar dados visuais torna-o uma ferramenta poderosa para melhorar a infraestrutura da cidade. Por exemplo, pode ajudar a otimizar a temporização dos semáforos, analisando o movimento dos veículos e dos peões. Também pode aumentar a segurança nas zonas escolares, detectando crianças e alertando os condutores para abrandarem. Com YOLO11, as cidades podem tomar medidas proactivas para enfrentar os desafios e criar um ambiente mais eficiente para todos.
A deteção de objectos em tempo real refere-se à capacidade de um sistema identificar e classificar objectos numa transmissão de vídeo em direto à medida que aparecem. O YOLO11 foi concebido para um desempenho superior em tempo real e é excelente no apoio a esta capacidade. As suas aplicações não se limitam a simplificar os processos - também podem ajudar a criar um mundo mais inclusivo e acessível.
Por exemplo, YOLO11 pode ajudar os deficientes visuais, identificando objectos em tempo real. Com base nas detecções, podem ser fornecidas descrições áudio, o que ajuda os utilizadores a navegar no seu ambiente com maior independência.
Imagina uma pessoa com deficiência visual a fazer compras. Escolher os artigos certos pode ser um desafio, mas o YOLO11 pode ajudar. À medida que coloca os artigos no carrinho, um sistema integrado com YOLO11 pode ser utilizado para identificar cada artigo - como bananas, abacates ou um pacote de leite - e fornecer descrições áudio em tempo real. Isto permite-lhes confirmar as suas escolhas e garantir que têm tudo o que precisam. Ao reconhecer os artigos do dia a dia, o YOLO11 pode simplificar as compras.
Agora que já abordámos os conceitos básicos da deteção de objectos e as suas diversas aplicações, vamos ver como podes começar a utilizar o modelo Ultralytics YOLO11 para tarefas como a deteção de objectos.
Existem duas formas simples de utilizar YOLO11: através do pacote Ultralytics Python ou do HUB Ultralytics . Vamos explorar ambos os métodos, começando com o pacote Python .
A inferência é quando um modelo de IA analisa dados novos e não vistos para fazer previsões, classificar informações ou fornecer informações com base no que aprendeu durante o treino. No que diz respeito à deteção de objectos, isto significa identificar e localizar objectos específicos numa imagem ou vídeo, desenhar caixas delimitadoras à sua volta e rotulá-los com base na formação do modelo.
Para inferir usando o modelo de deteção de objetos YOLO11 , primeiro é necessário instalar o pacote Ultralytics Python via pip, conda ou Docker. Se encontrares algum problema de instalação, consulta o guia de resolução de problemas para obteres dicas e truques para te ajudar a resolvê-los. Depois de instalado, podes utilizar o seguinte código para carregar o modelo de deteção de objectos YOLO11 e fazer previsões numa imagem.
YOLO11 também suporta formação personalizada para melhor se adaptar aos teus casos de utilização específicos. Ao afinar o modelo, podes adaptá-lo para detetar objectos relevantes para o teu projeto. Por exemplo, ao usar a visão computacional na área da saúde, um modelo YOLO11 treinado de forma personalizada pode ser usado para detetar anormalidades específicas em imagens médicas, como tumores em exames de ressonância magnética ou fraturas em raios X, ajudando os médicos a fazer diagnósticos mais rápidos e precisos.
O trecho de código abaixo mostra como carregar e treinar um modelo YOLO11 para deteção de objetos. Podes começar a partir de um ficheiro de configuração YAML ou de um modelo pré-treinado, transferir pesos e treinar em conjuntos de dados como o COCO para capacidades de deteção de objectos mais refinadas.
Depois de treinares um modelo, também podes exportar o modelo treinado em vários formatos para ser implementado em diferentes ambientes.
Para quem procura uma alternativa sem código, o Ultralytics HUB fornece uma plataforma Vision AI fácil de utilizar para treinar e implementar modelos YOLO , incluindo YOLO11.
Para executar a deteção de objectos em imagens, basta criar uma conta, navegar para a secção "Models" e selecionar a variante do modelo de deteção de objectos YOLO11 . Carrega a imagem e a plataforma apresentará os objectos detectados numa secção de pré-visualização.
Ao combinar a flexibilidade do pacote Python com a facilidade do HUB, o YOLO11 simplifica o aproveitamento do poder da tecnologia avançada de deteção de objectos para programadores e empresas.
YOLO11 estabelece um novo padrão na deteção de objectos, combinando elevada precisão com versatilidade para satisfazer as necessidades de várias indústrias. Desde a melhoria da análise de retalho à gestão de infra-estruturas de cidades inteligentes, o YOLO11 foi concebido para um desempenho fiável e em tempo real em inúmeras aplicações.
Com opções de formação personalizada e uma interface fácil de utilizar através do Ultralytics HUB, a integração do YOLO11 nos teus fluxos de trabalho nunca foi tão simples. Quer sejas um programador a explorar a visão por computador ou uma empresa que procura inovar com IA, o YOLO11 oferece as ferramentas de que precisas para ter sucesso.
Para saber mais, consulta o nosso repositório GitHub e participa na nossa comunidade. Explora aplicações de IA em carros autónomos e visão computacional para a agricultura nas nossas páginas de soluções. 🚀
Começa a tua viagem com o futuro da aprendizagem automática
