yolov8_test/docs/pt/models/index.md

comments	description	keywords
true	Explore a diversificada gama de modelos da família YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS e RT-DETR suportados pela Ultralytics. Comece com exemplos de uso tanto para CLI quanto para 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 gama 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 está interessado em contribuir com sua arquitetura de modelo para a Ultralytics, confira nosso Guia de Contribuição.

!!! note

🚧 Nossa documentação multilíngue está atualmente em construção e estamos trabalhando duro para melhorá-la. Obrigado pela 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 do darknet para o YOLOv3, lançada por Alexey Bochkovskiy em 2020.
3. YOLOv5: Uma versão aprimorada da arquitetura YOLO pela Ultralytics, oferecendo melhores trade-offs de desempenho e velocidade comparado às versões anteriores.
4. YOLOv6: Lançado pela Meituan em 2022, e em uso em muitos dos robôs autônomos de entrega da empresa.
5. YOLOv7: Modelos YOLO atualizados lançados em 2022 pelos autores do YOLOv4.
6. YOLOv8: A versão mais recente da família YOLO, com capacidades aprimoradas como segmentação de instâncias, estimativa de pose/pontos-chave e classificação.
7. Segment Anything Model (SAM): Modelo de Segment Everything (SAM) do 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 YOLO de Pesquisa de Arquitetura Neural (NAS).
11. Realtime Detection Transformers (RT-DETR): Modelos do Transformer de Detecção em Tempo Real (RT-DETR) da PaddlePaddle da Baidu.

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

Começando: Exemplos de Uso

!!! example ""

=== "Python"

    Modelos `*.pt` pré-treinados com 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
    model = YOLO('yolov8n.pt')

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

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

    # Executar inferência com o modelo YOLOv8n na imagem 'bus.jpg'
    results = model('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 o seu modelo para a Ultralytics? Ótimo! Estamos sempre abertos à expansão de nosso portfólio de modelos.

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

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

3. Implemente Seu Modelo: Adicione o seu modelo seguindo os padrões de codificação e diretrizes fornecidos em nosso Guia de Contribuição.

4. Teste Completamente: Certifique-se de testar seu modelo rigorosamente, isoladamente e como parte do pipeline.

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

6. Revisão de Código & Merge: Após a revisão, se o seu modelo atender os nossos critérios, ele será combinado com o repositório principal.

Para etapas detalhadas, consulte nosso Guia de Contribuição.