Ultralytics YOLO em produção
Leve um modelo Ultralytics YOLO treinado para produção: escolha um runtime, exporte e verifique o modelo, otimize-o para o seu hardware, rastreie objetos, crie pipelines de contagem, processe vários streams e detecte desvios antes dos usuários.
Por Ultralytics Academy
Implante um modelo YOLO26 no runtime adequado, com paridade verificada; transforme as detecções em IDs rastreados e contagens em vários streams; e instrumente o sistema para alertar você sobre problemas de latência, precisão e desvio antes que os usuários percebam.
Escolha um runtime e um valor
format=de acordo com o dispositivo, o orçamento de latência e a frota; em seguida, confirme a escolha com benchmarks repetidos.Exporte para ONNX e comprove a paridade com PyTorch, incluindo a armadilha do letterbox com formato estático.
Decida entre FP32, FP16 e INT8 no TensorRT e no OpenVINO, usando dados de calibração e um critério mínimo de precisão.
Rastreie objetos com ByteTrack, BoT-SORT ou TrackTrack e ajuste os limiares do rastreador às confianças do detector.
Crie contadores de linha, ocupação de zonas, mapas de calor e estimativas de velocidade calibradas sobre o rastreamento.
Processe vários streams de câmera com um único modelo usando inferência em lote, filas limitadas e quedas de quadros medidas.
Registre métricas por quadro, detecte desvios de confiança com um teste KS e aplique a medida mais simples para reduzir latência e custo.
Uma decisão de runtime para o seu dispositivo, respaldada por números de benchmarks repetidos em relação a um orçamento em milissegundos.
Uma exportação ONNX com uma verificação de paridade registrada (caixas, confianças e mAP) em relação ao modelo PyTorch.
Uma exportação otimizada (OpenVINO ou TensorRT) aprovada nos critérios mínimos de mAP e latência no hardware de destino.
Um pipeline de contagem com uma linha de contagem, uma contagem por zona, um mapa de calor e uma estimativa de velocidade calibrada em vídeo real.
Um worker multi-stream que agrupa quadros de várias câmeras e informa os quadros processados e descartados por stream.
Um ciclo de monitoramento: métricas JSON por quadro, um teste KS de desvio nas confianças e uma validação semanal em um conjunto reservado.
Um modelo treinado, como
runs/detect/pills_v1/weights/best.ptde Treine seu primeiro modelo YOLO, ou o checkpoint pré-treinadoyolo26n.ptpara acompanhar os exemplos.Python 3.10+ com
pip install "ultralytics[solutions]" onnxruntime scipy(solutions adiciona shapely e lap).Familiaridade com Python, a linha de comando e fontes de vídeo (arquivos, webcams, RTSP).
Recomendado: conclua primeiro Treine seu primeiro modelo YOLO e Criando conjuntos de dados YOLO de alto desempenho.
Conteúdo do curso
4 módulos · 9 aulasMódulo 1
Escolha um destino de implantação
Defina o dispositivo, o orçamento de latência e a frota para escolher um runtime e um formato de exportação; em seguida, confirme a escolha no dispositivo.
Exportar para ONNX (e verificar a paridade)
Exporta um modelo ONNX portátil e confirma que corresponde ao PyTorch em caixas, confianças e mAP antes de disponibilizares qualquer coisa.
Módulo 2
Módulo 3
Rastreia objetos com ByteTrack, BoT-SORT e TrackTrack
Atribui a cada objeto um ID estável entre fotogramas, escolhe um rastreador e ajusta os respetivos limites ao teu detetor.
Contagem, mapas de calor e estimativa de velocidade
Cria contadores de linhas, ocupação de zonas, mapas de calor e estimativas de velocidade com base no rastreamento, e calibra-os de forma rigorosa.
Módulo 4
Inferência em múltiplos fluxos
Executa várias câmeras num único modelo com inferência em lotes, filas limitadas e medição de frames descartados.
Observabilidade e deriva
Regista as métricas que detetam perdas de precisão silenciosas, testa a deriva das distribuições de confiança e gera alertas apenas para sinais que exigem ação.
Ajuste de custos e latência
Analisa o perfil de todo o pipeline, aciona as alavancas que realmente reduzem a latência e o custo, por ordem, e para quando atingires o limite.