yolov8_test/docs/pt/tasks/detect.md

comments	description	keywords
true	Documentação oficial do YOLOv8 por Ultralytics. Aprenda como treinar, validar, predizer e exportar modelos em vários formatos. Incluindo estatísticas detalhadas de desempenho.	YOLOv8, Ultralytics, detecção de objetos, modelos pré-treinados, treinamento, validação, predição, exportação de modelos, COCO, ImageNet, PyTorch, ONNX, CoreML

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

Os modelos pré-treinados YOLOv8 Detect são mostrados aqui. Os modelos Detect, Segment e Pose são pré-treinados no dataset COCO, enquanto os modelos Classify são pré-treinados no dataset ImageNet.

Os Modelos são baixados automaticamente a partir do último lançamento da Ultralytics release no primeiro uso.

Modelo	Tamanho (pixels)	mAPval 50-95	Velocidade CPU ONNX (ms)	Velocidade A100 TensorRT (ms)	Parâmetros (M)	FLOPs (B)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

• Os valores de mAP^val são para um único modelo e uma única escala no dataset COCO val2017.
  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 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.

!!! 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. Para converter seu dataset existente de outros formatos (como COCO, etc.) para o formato YOLO, por favor utilize a ferramenta 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.

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	-	yolov8n.pt	✅	-
TorchScript	torchscript	yolov8n.torchscript	✅	imgsz, optimize
ONNX	onnx	yolov8n.onnx	✅	imgsz, half, dynamic, simplify, opset
OpenVINO	openvino	yolov8n_openvino_model/	✅	imgsz, half
TensorRT	engine	yolov8n.engine	✅	imgsz, half, dynamic, simplify, workspace
CoreML	coreml	yolov8n.mlpackage	✅	imgsz, half, int8, nms
TF SavedModel	saved_model	yolov8n_saved_model/	✅	imgsz, keras
TF GraphDef	pb	yolov8n.pb	❌	imgsz
TF Lite	tflite	yolov8n.tflite	✅	imgsz, half, int8
TF Edge TPU	edgetpu	yolov8n_edgetpu.tflite	✅	imgsz
TF.js	tfjs	yolov8n_web_model/	✅	imgsz
PaddlePaddle	paddle	yolov8n_paddle_model/	✅	imgsz
ncnn	ncnn	yolov8n_ncnn_model/	✅	imgsz, half

Veja os detalhes completos de exportar na página Exportação.