As sete tarefas de visão

As sete tarefas em resumo#

Lê a tabela pela coluna da saída — é isso que a linha da saída da tua especificação tem de corresponder.

Dois pares costumam confundir as pessoas. Segmentação de instâncias vs. semântica: a segmentação de instâncias separa cada objeto (três carros, três máscaras); a semântica rotula os pixels apenas por classe (uma região de "carro", sem contagem). Detecção vs. OBB: ambas retornam uma caixa por objeto, mas uma OBB gira junto com o objeto, o que é importante quando os objetos estão em ângulos diferentes em imagens aéreas.

Uma API, sete saídas#

Mudar de tarefa não significa mudar de ferramenta. O arquivo de pesos determina o que é retornado, e o objeto Results preenche o atributo correspondente:

from ultralytics import YOLO

image = "https://ultralytics.com/images/bus.jpg"
outputs = ["probs", "boxes", "masks", "semantic_mask", "depth", "keypoints", "obb"]

for suffix in ["-cls", "", "-seg", "-sem", "-depth", "-pose", "-obb"]:
    weights = f"yolo26n{suffix}.pt"
    model = YOLO(weights)
    result = model(image, verbose=False)[0]
    filled = [name for name in outputs if getattr(result, name) is not None]
    print(f"{weights:18} task={model.task:9} -> {', '.join(filled)}")

yolo26n-cls.pt     task=classify  -> probs
yolo26n.pt         task=detect    -> boxes
yolo26n-seg.pt     task=segment   -> boxes, masks
yolo26n-sem.pt     task=semantic  -> semantic_mask
yolo26n-depth.pt   task=depth     -> depth
yolo26n-pose.pt    task=pose      -> boxes, keypoints
yolo26n-obb.pt     task=obb       -> obb

Leia a coluna da direita: segmentação e pose também retornam caixas, porque são detecção com mais um elemento. A segmentação semântica e a profundidade não retornam nenhuma saída por objeto — elas descrevem cada pixel. O código subsequente lê exatamente um desses atributos, então a linha de saída da sua especificação deve indicar qual.

Como escolher na prática#

Comece pelo que cada previsão precisa descrever e escolha a tarefa mais simples que responde à decisão:

1. Um rótulo para a imagem inteira → classificação.
2. Uma classe para cada pixel, sem precisar separar objetos → segmentação semântica.
3. Uma distância para cada pixel → estimativa de profundidade.
4. Algo sobre cada objeto:
   • onde está, para contar, localizar ou filtrar → detecção (adicione rastreamento para identificar objetos entre quadros);
   • seu formato, contorno ou área exatos → segmentação de instâncias;
   • sua postura → pose;
   • sua rotação em imagens aéreas → OBB.

Quando duas tarefas servem, escolha a mais simples de rotular e executar. A detecção é a opção padrão para a maioria dos produtos: as caixas são rápidas de desenhar e revisar e, com o rastreamento, já permitem contagens, alertas por zona e análise de tráfego, como nesta vista da rodovia:

Profundidade: a tarefa que responde "a que distância"#

A estimativa de profundidade retorna um mapa do tamanho da imagem, com uma distância em metros para cada pixel — sem classes nem caixas. Use-a quando a distância determinar a decisão: um robô evitando obstáculos, um veículo diminuindo a velocidade quando algo está perto ou uma estimativa aproximada do volume de uma pilha.

from ultralytics import YOLO

model = YOLO("yolo26n-depth.pt")
result = model("https://ultralytics.com/images/bus.jpg", verbose=False)[0]

depth = result.depth.data  # meters, one value per pixel
print(f"depth map {tuple(depth.shape)}, nearest {float(depth.min()):.1f} m, farthest {float(depth.max()):.1f} m")

depth map (1080, 810), nearest 2.0 m, farthest 14.9 m

Uma única câmera infere a profundidade a partir de sinais aprendidos, como perspectiva e tamanho dos objetos; por isso, meça o erro nas suas próprias cenas antes de usá-la para distâncias críticas para a segurança. A profundidade combina bem com a detecção: detecte o objeto e, em seguida, leia o mapa de profundidade dentro da caixa dele.

Armadilhas#