yolov8_test/docs/pt/models/index.md

comments	description	keywords
true	Explore a ampla gama de modelos da família YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS e RT-DETR suportados pela Ultralytics. Comece com exemplos para uso tanto em CLI quanto em Python.	Ultralytics, documentação, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, modelos, arquiteturas, Python, CLI

Modelos Suportados pela Ultralytics

Bem-vindo à documentação de modelos da Ultralytics! Oferecemos suporte para uma ampla variedade de modelos, cada um adaptado para tarefas específicas como detecção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose, e rastreamento de múltiplos objetos. Se você tem interesse em contribuir com sua arquitetura de modelo para a Ultralytics, confira nosso Guia de Contribuição.

!!! Note "Nota"

🚧 Nossa documentação em vários idiomas está atualmente em construção, e estamos trabalhando arduamente para melhorá-la. Agradecemos sua paciência! 🙏

Modelos em Destaque

Aqui estão alguns dos principais modelos suportados:

1. YOLOv3: A terceira iteração da família de modelos YOLO, originalmente por Joseph Redmon, conhecida por suas capacidades eficientes de detecção de objetos em tempo real.
2. YOLOv4: Uma atualização nativa para o darknet do YOLOv3, lançada por Alexey Bochkovskiy em 2020.
3. YOLOv5: Uma versão aprimorada da arquitetura YOLO pela Ultralytics, oferecendo melhor desempenho e compensações de velocidade em comparação com as versões anteriores.
4. YOLOv6: Lançado pela Meituan em 2022, e em uso em muitos dos robôs autônomos de entregas da empresa.
5. YOLOv7: Modelos YOLO atualizados lançados em 2022 pelos autores do YOLOv4.
6. YOLOv8 NOVO 🚀: A versão mais recente da família YOLO, apresentando capacidades aprimoradas, como segmentação de instâncias, estimativa de pose/pontos-chave e classificação.
7. Segment Anything Model (SAM): Modelo Segment Anything (SAM) da Meta.
8. Mobile Segment Anything Model (MobileSAM): MobileSAM para aplicações móveis, pela Universidade Kyung Hee.
9. Fast Segment Anything Model (FastSAM): FastSAM pelo Grupo de Análise de Imagem e Vídeo, Instituto de Automação, Academia Chinesa de Ciências.
10. YOLO-NAS: Modelos de Pesquisa de Arquitetura Neural YOLO (NAS).
11. Realtime Detection Transformers (RT-DETR): Modelos de Transformador de Detecção em Tempo Real (RT-DETR) do PaddlePaddle da Baidu.

Assista: Execute modelos YOLO da Ultralytics em apenas algumas linhas de código.

Introdução: Exemplos de Uso

Este exemplo oferece exemplos simples de treinamento e inferência com YOLO. Para uma documentação completa sobre estes e outros modos, veja as páginas de documentação de Previsão, Treinamento, Validação e Exportação.

Note que o exemplo abaixo é para modelos YOLOv8 Detect para detecção de objetos. Para tarefas suportadas adicionais, veja as documentações de Segmentação, Classificação e Pose.

!!! Example "Exemplo"

=== "Python"

    Modelos `*.pt` pré-treinados em PyTorch, bem como arquivos de configuração `*.yaml`, podem ser passados para as classes `YOLO()`, `SAM()`, `NAS()` e `RTDETR()` para criar uma instância de modelo em Python:

    ```python
    from ultralytics import YOLO

    # Carregar um modelo YOLOv8n pré-treinado no COCO
    modelo = YOLO('yolov8n.pt')

    # Exibir informações do modelo (opcional)
    modelo.info()

    # Treinar o modelo no conjunto de dados de exemplo COCO8 por 100 épocas
    resultados = modelo.train(data='coco8.yaml', epochs=100, imgsz=640)

    # Executar inferência com o modelo YOLOv8n na imagem 'bus.jpg'
    resultados = modelo('path/to/bus.jpg')
    ```

=== "CLI"

    Comandos CLI estão disponíveis para executar diretamente os modelos:

    ```bash
    # Carregar um modelo YOLOv8n pré-treinado no COCO e treiná-lo no conjunto de dados de exemplo COCO8 por 100 épocas
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # Carregar um modelo YOLOv8n pré-treinado no COCO e executar inferência na imagem 'bus.jpg'
    yolo predict model=yolov8n.pt source=path/to/bus.jpg
    ```

Contribuindo com Novos Modelos

Interessado em contribuir com seu modelo para a Ultralytics? Ótimo! Estamos sempre abertos a expandir nosso portfólio de modelos.

1. Fork do Repositório: Comece fazendo um fork do repositório no GitHub da Ultralytics.

2. Clone Seu Fork: Clone seu fork para a sua máquina local e crie uma nova branch para trabalhar.

3. Implemente Seu Modelo: Adicione seu modelo seguindo as normas e diretrizes de codificação fornecidas no nosso Guia de Contribuição.

4. Teste Cuidadosamente: Assegure-se de testar seu modelo rigorosamente, tanto isoladamente quanto como parte do pipeline.

5. Crie um Pull Request: Uma vez que estiver satisfeito com seu modelo, crie um pull request para o repositório principal para revisão.

6. Revisão de Código & Mesclagem: Após a revisão, se seu modelo atender aos nossos critérios, ele será integrado ao repositório principal.

Para etapas detalhadas, consulte nosso Guia de Contribuição.