Fundamentos de visão computacional
Aprende o raciocínio por trás de cada sistema de visão funcional — definir o problema, escolher entre as sete tarefas do Ultralytics YOLO, auditar dados e rótulos, dividir os dados de forma rigorosa e interpretar métricas — com exemplos executáveis de YOLO26 em imagens e conjuntos de dados reais.
Por Ultralytics Academy
Define um problema de visão computacional, escolhe a tarefa e os rótulos certos, verifica se os teus dados correspondem à realidade e sabe como é um resultado «bom» antes de treinar.
Transforma uma ideia de produto numa especificação de tarefa de três linhas e mantém as regras de negócio no código, não no modelo.
Associa uma saída à tarefa certa entre sete: classificação, deteção, segmentação de instâncias, segmentação semântica, estimativa de profundidade, pose ou OBB.
Interpreta a saída do detetor e define os limiares de confiança e IoU com base no custo de cada erro.
Audita um conjunto de dados real para encontrar lacunas de cobertura, rótulos incorretos e imagens quase duplicadas que se infiltram entre as divisões.
Analisa em conjunto a precisão, a revocação, mAP50-95, AP por classe e a matriz de confusão para decidir se deves lançar, iterar ou repensar.
Uma especificação de tarefa para o teu projeto, com uma regra de decisão escrita em código sobre a saída do YOLO26.
Uma auditoria do conjunto de dados e uma verificação dos rótulos num conjunto de dados real, com um plano de recolha priorizado.
Uma verificação de vazamento e uma divisão por grupos que mantêm as imagens quase idênticas fora da validação.
Um relatório de avaliação que identifica a classe limitante e o limiar para lançamento.
Uma primeira execução do YOLO26 nas tuas próprias imagens, verificada em relação à tua especificação.
Não é necessária experiência prévia em visão computacional — os conceitos são compreensíveis por si só.
Opcional, mas recomendado: Python 3.10+ e
pip install ultralyticspara executar os exemplos. Tudo funciona num portátil com CPU em segundos.
Conteúdo do curso
4 módulos · 10 aulasMódulo 1
Módulo 2
As sete tarefas de visão
Associa uma linha de saída à classificação, deteção, segmentação de instâncias, segmentação semântica, estimativa de profundidade, pose ou OBB e escolhe os pesos YOLO26 para começar.
Entenda a detecção de objetos
Leia a saída de um detector — classe, caixa e confiança — e defina os limiares de confiança e IoU com base no custo de cada erro.
Caixas vs. máscaras: quando você realmente precisa de segmentação
Meça o que uma máscara acrescenta em relação a uma caixa numa imagem real e decida, com base no sistema que vai consumir os dados, se o projeto precisa mesmo do formato.
Estimativa de pose e OBB
Leia os pontos-chave e as caixas rotacionadas do YOLO26, escreva uma regra com base em cada um e reconheça quando a postura ou o ângulo são o verdadeiro sinal.
Módulo 3
Conjuntos de dados que refletem a realidade
Audite um conjunto de dados real para identificar lacunas de cobertura antes de rotular mais imagens e transforme essas lacunas em um plano de coleta com negativos difíceis.
Qualidade das anotações
Descobre o que contém um rótulo YOLO, verifica os ficheiros de rótulos em busca de linhas inválidas e mantém a consistência entre anotadores com uma diretriz e uma ronda de calibração medida.
Módulo 4
Divisões que dizem a verdade
Encontra imagens quase duplicadas que criam fugas entre treino e validação e divide os dados pela unidade que será nova na implantação.
Interpretar métricas de detecção com rigor
Execute a validação, analise precisão, revocação, mAP50-95, AP por classe e a matriz de confusão em conjunto, e escolha um limiar de implantação com base em uma meta.
Do laboratório à produção
Instala Ultralytics, executa YOLO26 nas tuas próprias imagens, compara os resultados com as tuas especificações e escolhe o próximo passo.