--- comments: true description: Documentação oficial do YOLOv8 por Ultralytics. Aprenda como treinar, validar, predizer e exportar modelos em vários formatos. Incluindo estatísticas detalhadas de desempenho. keywords: YOLOv8, Ultralytics, detecção de objetos, modelos pré-treinados, treinamento, validação, predição, exportação de modelos, COCO, ImageNet, PyTorch, ONNX, CoreML --- # Detecção de Objetos Exemplos de detecção de objetos Detecção de objetos é uma tarefa que envolve identificar a localização e a classe de objetos em uma imagem ou fluxo de vídeo. A saída de um detector de objetos é um conjunto de caixas delimitadoras que cercam os objetos na imagem, junto com rótulos de classe e pontuações de confiança para cada caixa. A detecção de objetos é uma boa escolha quando você precisa identificar objetos de interesse em uma cena, mas não precisa saber exatamente onde o objeto está ou seu formato exato.



Assista: Detecção de Objetos com Modelo Pre-treinado Ultralytics YOLOv8.

!!! Tip "Dica" Os modelos YOLOv8 Detect são os modelos padrão do YOLOv8, ou seja, `yolov8n.pt` e são pré-treinados no [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml). ## [Modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/v8) Os modelos pré-treinados YOLOv8 Detect são mostrados aqui. Os modelos Detect, Segment e Pose são pré-treinados no dataset [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml), enquanto os modelos Classify são pré-treinados no dataset [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml). Os [Modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models) são baixados automaticamente a partir do último lançamento da Ultralytics [release](https://github.com/ultralytics/assets/releases) no primeiro uso. | Modelo | Tamanho
(pixels) | mAPval
50-95 | Velocidade
CPU ONNX
(ms) | Velocidade
A100 TensorRT
(ms) | Parâmetros
(M) | FLOPs
(B) | |--------------------------------------------------------------------------------------|--------------------------|----------------------|-------------------------------------|------------------------------------------|------------------------|-------------------| | [YOLOv8n](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt) | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 | | [YOLOv8s](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8s.pt) | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 | | [YOLOv8m](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8m.pt) | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 | | [YOLOv8l](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8l.pt) | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 | | [YOLOv8x](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x.pt) | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 | - Os valores de **mAPval** são para um único modelo e uma única escala no dataset [COCO val2017](http://cocodataset.org).
Reproduza usando `yolo val detect data=coco.yaml device=0` - A **Velocidade** é média tirada sobre as imagens do COCO val num [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/) instância.
Reproduza usando `yolo val detect data=coco128.yaml batch=1 device=0|cpu` ## Treinar Treine o YOLOv8n no dataset COCO128 por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, veja a página [Configuração](/../usage/cfg.md). !!! Example "Exemplo" === "Python" ```python from ultralytics import YOLO # Carregar um modelo model = YOLO('yolov8n.yaml') # construir um novo modelo pelo YAML model = YOLO('yolov8n.pt') # carregar um modelo pré-treinado (recomendado para treinamento) model = YOLO('yolov8n.yaml').load('yolov8n.pt') # construir pelo YAML e transferir pesos # Treinar o modelo results = model.train(data='coco128.yaml', epochs=100, imgsz=640) ``` === "CLI" ```bash # Construir um novo modelo pelo YAML e começar o treinamento do zero yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640 # Começar o treinamento a partir de um modelo pré-treinado *.pt yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 # Construir um novo modelo pelo YAML, transferir pesos pré-treinados e começar o treinamento yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640 ``` ### Formato do Dataset O formato do dataset de detecção do YOLO pode ser encontrado em detalhes no [Guia de Datasets](../../../datasets/detect/index.md). Para converter seu dataset existente de outros formatos (como COCO, etc.) para o formato YOLO, por favor utilize a ferramenta [JSON2YOLO](https://github.com/ultralytics/JSON2YOLO) da Ultralytics. ## Validar Valide a precisão do modelo YOLOv8n treinado no dataset COCO128. Não é necessário passar nenhum argumento, pois o `modelo` mantém seus `dados` de treino e argumentos como atributos do modelo. !!! Example "Exemplo" === "Python" ```python from ultralytics import YOLO # Carregar um modelo model = YOLO('yolov8n.pt') # carregar um modelo oficial model = YOLO('caminho/para/best.pt') # carregar um modelo personalizado # Validar o modelo metrics = model.val() # sem a necessidade de argumentos, dataset e configurações lembradas metrics.box.map # map50-95 metrics.box.map50 # map50 metrics.box.map75 # map75 metrics.box.maps # uma lista contém map50-95 de cada categoria ``` === "CLI" ```bash yolo detect val model=yolov8n.pt # validação do modelo oficial yolo detect val model=caminho/para/best.pt # validação do modelo personalizado ``` ## Predizer Use um modelo YOLOv8n treinado para fazer predições em imagens. !!! Example "Exemplo" === "Python" ```python from ultralytics import YOLO # Carregar um modelo model = YOLO('yolov8n.pt') # carregar um modelo oficial model = YOLO('caminho/para/best.pt') # carregar um modelo personalizado # Predizer com o modelo results = model('https://ultralytics.com/images/bus.jpg') # predizer em uma imagem ``` === "CLI" ```bash yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg' # predizer com modelo oficial yolo detect predict model=caminho/para/best.pt source='https://ultralytics.com/images/bus.jpg' # predizer com modelo personalizado ``` Veja os detalhes completos do modo `predict` na página [Predição](https://docs.ultralytics.com/modes/predict/). ## Exportar Exporte um modelo YOLOv8n para um formato diferente, como ONNX, CoreML, etc. !!! Example "Exemplo" === "Python" ```python from ultralytics import YOLO # Carregar um modelo model = YOLO('yolov8n.pt') # carregar um modelo oficial model = YOLO('caminho/para/best.pt') # carregar um modelo treinado personalizado # Exportar o modelo model.export(format='onnx') ``` === "CLI" ```bash yolo export model=yolov8n.pt format=onnx # exportar modelo oficial yolo export model=caminho/para/best.pt format=onnx # exportar modelo treinado personalizado ``` Os formatos de exportação YOLOv8 disponíveis estão na tabela abaixo. Você pode fazer predições ou validar diretamente em modelos exportados, ou seja, `yolo predict model=yolov8n.onnx`. Exemplos de uso são mostrados para o seu modelo após a exportação ser concluída. | Formato | Argumento `format` | Modelo | Metadados | Argumentos | |--------------------------------------------------------------------|--------------------|---------------------------|-----------|-----------------------------------------------------| | [PyTorch](https://pytorch.org/) | - | `yolov8n.pt` | ✅ | - | | [TorchScript](https://pytorch.org/docs/stable/jit.html) | `torchscript` | `yolov8n.torchscript` | ✅ | `imgsz`, `optimize` | | [ONNX](https://onnx.ai/) | `onnx` | `yolov8n.onnx` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `opset` | | [OpenVINO](https://docs.openvino.ai/latest/index.html) | `openvino` | `yolov8n_openvino_model/` | ✅ | `imgsz`, `half` | | [TensorRT](https://developer.nvidia.com/tensorrt) | `engine` | `yolov8n.engine` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `workspace` | | [CoreML](https://github.com/apple/coremltools) | `coreml` | `yolov8n.mlpackage` | ✅ | `imgsz`, `half`, `int8`, `nms` | | [TF SavedModel](https://www.tensorflow.org/guide/saved_model) | `saved_model` | `yolov8n_saved_model/` | ✅ | `imgsz`, `keras` | | [TF GraphDef](https://www.tensorflow.org/api_docs/python/tf/Graph) | `pb` | `yolov8n.pb` | ❌ | `imgsz` | | [TF Lite](https://www.tensorflow.org/lite) | `tflite` | `yolov8n.tflite` | ✅ | `imgsz`, `half`, `int8` | | [TF Edge TPU](https://coral.ai/docs/edgetpu/models-intro/) | `edgetpu` | `yolov8n_edgetpu.tflite` | ✅ | `imgsz` | | [TF.js](https://www.tensorflow.org/js) | `tfjs` | `yolov8n_web_model/` | ✅ | `imgsz` | | [PaddlePaddle](https://github.com/PaddlePaddle) | `paddle` | `yolov8n_paddle_model/` | ✅ | `imgsz` | | [ncnn](https://github.com/Tencent/ncnn) | `ncnn` | `yolov8n_ncnn_model/` | ✅ | `imgsz`, `half` | Veja os detalhes completos de `exportar` na página [Exportação](https://docs.ultralytics.com/modes/export/).