Ultralytics YOLO27: Inscreve-te na lista de espera.
Get Started
Da instalação com pip até um detector personalizado pronto para implantação
trilha de nível Fundamentosiniciante ~4 horas 10 aulasExame final · Certificado

Treine seu primeiro modelo YOLO

Leve o Ultralytics YOLO26 de uma instalação nova a um detector personalizado treinado, validado e exportado. Você fará previsões em imagens, organizará um conjunto de dados real, treinará e diagnosticará um detector de comprimidos, executará modelos em vídeo com rastreamento e exportará para ONNX, comprovando que o resultado corresponde ao PyTorch. Cada etapa é executada em Python e pela CLI, em uma CPU de laptop, com a saída real apresentada. O planejamento, a coleta e a anotação do próprio conjunto de dados são abordados em Construção de conjuntos de dados YOLO de alto desempenho.

Por Ultralytics Academy

Iniciar cursoEntre para salvar seu progresso
O que você vai aprender

Treine, valide e exporte um modelo Ultralytics YOLO26 em um conjunto de dados personalizado, execute-o em vídeo e saiba diagnosticar cada etapa quando algo der errado — tanto em Python quanto na linha de comando.

  • Instale o Ultralytics, confirme qual dispositivo será usado e execute previsões do YOLO26 em Python e pela CLI.

  • Escolha o tamanho do modelo com base em um orçamento de latência medido, não em um ranking.

  • Organize um conjunto de dados no formato YOLO do Ultralytics, converta as anotações e escreva um data.yaml que possa ser resolvido de qualquer lugar.

  • Treine, valide, retome e inicie execuções a partir de pesos pré-treinados, e transforme os artefatos de validação em uma lista de correções.

  • Transmita e rastreie vídeo, depois exporte para ONNX, TensorRT, OpenVINO e outros formatos, e comprove que a exportação corresponde ao PyTorch.

O que você vai criar

  • Um conjunto de dados de comprimidos no formato YOLO, com um data.yaml que o Ultralytics lê sem nenhuma anotação corrompida.

  • Um detector best.pt treinado, com os resultados da validação ao lado dos do modelo pré-treinado de referência.

  • Um script de vídeo em streaming que conta objetos únicos com rastreamento e verifica se acompanha a taxa de quadros.

  • Uma exportação ONNX cujas detecções e mAP correspondem às do modelo PyTorch com as configurações correspondentes.

Pré-requisitos

  • Python 3.10+ e familiaridade com a execução de scripts Python e comandos de shell.

  • Não é necessária uma GPU: todos os exemplos deste curso são executados em uma CPU de laptop em poucos minutos. Uma GPU NVIDIA ou um Apple Silicon acelera execuções maiores.

  • Recomendado: conclua Fundamentos de visão computacional e Construção de conjuntos de dados YOLO de alto desempenho primeiro.

Conteúdo do curso

5 módulos · 10 aulas

Módulo 1

Configuração
1

Instalar o Ultralytics

Instale o Ultralytics em um ambiente limpo, leia o relatório de verificações do yolo para confirmar seu dispositivo e comprove a configuração com uma previsão.

Módulo 2

Prever
2

Prever numa imagem

Executa um modelo YOLO26 pré-treinado em Python, lê as classes, as confianças e as caixas em píxeis dos resultados e ajusta os argumentos que resolvem a maioria das deteções falhadas.

3

Escolhe o tamanho de modelo Ultralytics YOLO

Compara YOLO26 n, s, m, l e x, testa-os no hardware de destino e escolhe o menor tamanho que se enquadre no teu limite de latência.

Módulo 3

Dados
4

Preparar um conjunto de dados personalizado

Organiza imagens e rótulos no formato Ultralytics YOLO, converte caixas em píxeis em linhas de rótulos normalizadas e deteta rótulos danificados antes do treino.

5

Escrever um YAML do conjunto de dados

Escreve o data.yaml que aponta o Ultralytics para as tuas pastas e dá nome às classes, garante que os caminhos são válidos a partir de qualquer diretório e testa-o com yolo val.

Módulo 4

Treinar
6

Treina o teu primeiro modelo

Faz o ajuste fino de YOLO26 com o teu conjunto de dados numa única chamada, lê o registo de treino em tempo real, linha a linha, e encontra o best.pt e os gráficos importantes na pasta da execução.

7

Validar e diagnosticar

Valida best.pt em comparação com uma referência, consulta a matriz de confusão, os valores por classe e as imagens de previsão, e transforma-os numa lista específica de correções.

8

Retomar e iterar

Retoma exatamente uma execução interrompida, inicia um novo ciclo a partir de best.pt com uma taxa de aprendizagem que seja efetivamente aplicada e compara as execuções lado a lado.

Módulo 5

Implementar
9

Executar inferência em vídeo

Execute YOLO26 em arquivos de vídeo e câmeras ao vivo com uso de memória limitado, rastreie objetos para contar cada um apenas uma vez e verifique se o modelo acompanha a taxa de quadros.

10

Exportar para implantação

Exporte best.pt para ONNX, OpenVINO, TensorRT, CoreML, LiteRT ou QNN e, antes de colocá-lo em produção, comprove que a exportação corresponde ao modelo PyTorch.