Add Hindi हिन्दी and Arabic العربية Docs translations (#6428)
Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com> Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>
This commit is contained in:
Glenn Jocher
GitHub
parent
b6baae584c
commit
02bf8003a8
337 changed files with 6584 additions and 777 deletions
|
|
@ -8,7 +8,7 @@ keywords: visão computacional, conjuntos de dados, Ultralytics, YOLO, detecçã
|
|||
|
||||
A Ultralytics oferece suporte para diversos conjuntos de dados para facilitar tarefas de visão computacional, como detecção, segmentação de instância, estimativa de pose, classificação e rastreamento de múltiplos objetos. Abaixo está uma lista dos principais conjuntos de dados da Ultralytics, seguidos por um resumo de cada tarefa de visão computacional e os respectivos conjuntos de dados.
|
||||
|
||||
!!! note
|
||||
!!! Note
|
||||
|
||||
🚧 Nossa documentação multilíngue está atualmente em construção e estamos trabalhando arduamente para melhorá-la. Obrigado pela sua paciência! 🙏
|
||||
|
||||
|
|
@ -104,7 +104,7 @@ Contribuir com um novo conjunto de dados envolve várias etapas para garantir qu
|
|||
|
||||
### Exemplo de Código para Otimizar e Compactar um Conjunto de Dados
|
||||
|
||||
!!! example "Otimizar e Compactar um Conjunto de Dados"
|
||||
!!! Example "Otimizar e Compactar um Conjunto de Dados"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -38,7 +38,7 @@ Apresentamos o [Ultralytics](https://ultralytics.com) [YOLOv8](https://github.co
|
|||
|
||||
Explore os Documentos do YOLOv8, um recurso abrangente projetado para ajudá-lo a entender e utilizar suas características e capacidades. Seja você um praticante experiente de aprendizado de máquina ou novo no campo, este hub tem como objetivo maximizar o potencial do YOLOv8 em seus projetos
|
||||
|
||||
!!! note
|
||||
!!! Note
|
||||
|
||||
🚧 Nossa documentação em vários idiomas está atualmente em construção e estamos trabalhando arduamente para aprimorá-la. Agradecemos sua paciência! 🙏
|
||||
|
||||
|
|
|
|||
|
|
@ -8,7 +8,7 @@ keywords: Ultralytics, documentação, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS,
|
|||
|
||||
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](../tasks/detect.md), [segmentação de instâncias](../tasks/segment.md), [classificação de imagens](../tasks/classify.md), [estimativa de pose](../tasks/pose.md) e [rastreamento de múltiplos objetos](../modes/track.md). Se você está interessado em contribuir com sua arquitetura de modelo para a Ultralytics, confira nosso [Guia de Contribuição](../../help/contributing.md).
|
||||
|
||||
!!! note
|
||||
!!! Note
|
||||
|
||||
🚧 Nossa documentação multilíngue está atualmente em construção e estamos trabalhando duro para melhorá-la. Obrigado pela sua paciência! 🙏
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ Aqui estão alguns dos principais modelos suportados:
|
|||
|
||||
## Começando: Exemplos de Uso
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -32,7 +32,7 @@ Uma vez que seu modelo esteja treinado e validado, o próximo passo lógico é a
|
|||
- **OpenVINO:** Para otimização em hardware Intel
|
||||
- **CoreML, TensorFlow SavedModel e Mais:** Para uma variedade de necessidades de implantação.
|
||||
|
||||
!!! dica "Dica"
|
||||
!!! Tip "Dica"
|
||||
|
||||
* Exporte para ONNX ou OpenVINO para acelerar até 3x a velocidade em CPU.
|
||||
* Exporte para TensorRT para acelerar até 5x em GPU.
|
||||
|
|
@ -41,7 +41,7 @@ Uma vez que seu modelo esteja treinado e validado, o próximo passo lógico é a
|
|||
|
||||
Execute benchmarks do YOLOv8n em todos os formatos de exportação suportados incluindo ONNX, TensorRT etc. Consulte a seção Argumentos abaixo para ver uma lista completa de argumentos de exportação.
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -39,7 +39,7 @@ Aqui estão algumas das funcionalidades de destaque:
|
|||
- **Inferência Otimizada:** Modelos exportados são otimizados para tempos de inferência mais rápidos.
|
||||
- **Vídeos Tutoriais:** Guias e tutoriais detalhados para uma experiência de exportação tranquila.
|
||||
|
||||
!!! dica "Dica"
|
||||
!!! Tip "Dica"
|
||||
|
||||
* Exporte para ONNX ou OpenVINO para até 3x aceleração em CPU.
|
||||
* Exporte para TensorRT para até 5x aceleração em GPU.
|
||||
|
|
@ -48,7 +48,7 @@ Aqui estão algumas das funcionalidades de destaque:
|
|||
|
||||
Exporte um modelo YOLOv8n para um formato diferente como ONNX ou TensorRT. Veja a seção de Argumentos abaixo para uma lista completa dos argumentos de exportação.
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@ O modo predict do YOLOv8 é projetado para ser robusto e versátil, apresentando
|
|||
|
||||
Os modelos Ultralytics YOLO retornam ou uma lista de objetos `Results` em Python, ou um gerador em Python eficiente de memória de objetos `Results` quando `stream=True` é passado para o modelo durante a inferência:
|
||||
|
||||
!!! exemplo "Predict"
|
||||
!!! Example "Predict"
|
||||
|
||||
=== "Retorna uma lista com `stream=False`"
|
||||
```python
|
||||
|
|
@ -92,7 +92,7 @@ Os modelos Ultralytics YOLO retornam ou uma lista de objetos `Results` em Python
|
|||
|
||||
O YOLOv8 pode processar diferentes tipos de fontes de entrada para inferência, conforme mostrado na tabela abaixo. As fontes incluem imagens estáticas, transmissões de vídeo e vários formatos de dados. A tabela também indica se cada fonte pode ser usada no modo de streaming com o argumento `stream=True` ✅. O modo de streaming é benéfico para processar vídeos ou transmissões ao vivo, pois cria um gerador de resultados em vez de carregar todos os quadros na memória.
|
||||
|
||||
!!! dica "Dica"
|
||||
!!! Tip "Dica"
|
||||
|
||||
Use `stream=True` para processar vídeos longos ou grandes conjuntos de dados para gerenciar a memória de forma eficiente. Quando `stream=False`, os resultados de todos os quadros ou pontos de dados são armazenados na memória, o que pode aumentar rapidamente e causar erros de falta de memória para grandes entradas. Em contraste, `stream=True` utiliza um gerador, que mantém apenas os resultados do quadro atual ou ponto de dados na memória, reduzindo significativamente o consumo de memória e prevenindo problemas de falta dela.
|
||||
|
||||
|
|
@ -115,7 +115,7 @@ O YOLOv8 pode processar diferentes tipos de fontes de entrada para inferência,
|
|||
|
||||
Abaixo estão exemplos de código para usar cada tipo de fonte:
|
||||
|
||||
!!! exemplo "Fontes de previsão"
|
||||
!!! Example "Fontes de previsão"
|
||||
|
||||
=== "imagem"
|
||||
Executa a inferência em um arquivo de imagem.
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ O rastreador padrão é o BoT-SORT.
|
|||
|
||||
Para executar o rastreador em fluxos de vídeo, use um modelo Detect, Segment ou Pose treinado, como YOLOv8n, YOLOv8n-seg e YOLOv8n-pose.
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -97,7 +97,7 @@ Como pode ser visto no uso acima, o rastreamento está disponível para todos os
|
|||
|
||||
A configuração de rastreamento compartilha propriedades com o modo Predict, como `conf`, `iou`, e `show`. Para mais configurações, consulte a página de [Predict](https://docs.ultralytics.com/modes/predict/) model page.
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -120,7 +120,7 @@ A configuração de rastreamento compartilha propriedades com o modo Predict, co
|
|||
|
||||
A Ultralytics também permite que você use um arquivo de configuração de rastreador modificado. Para fazer isso, simplesmente faça uma cópia de um arquivo de configuração de rastreador (por exemplo, `custom_tracker.yaml`) de [ultralytics/cfg/trackers](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/trackers) e modifique quaisquer configurações (exceto `tracker_type`) conforme suas necessidades.
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -147,7 +147,7 @@ Para uma lista completa de argumentos de rastreamento, consulte a página [ultra
|
|||
|
||||
Aqui está um script em Python usando OpenCV (`cv2`) e YOLOv8 para executar rastreamento de objetos em quadros de vídeo. Este script ainda pressupõe que você já instalou os pacotes necessários (`opencv-python` e `ultralytics`). O argumento `persist=True` indica ao rastreador que a imagem ou quadro atual é o próximo de uma sequência e que espera rastreamentos da imagem anterior na imagem atual.
|
||||
|
||||
!!! exemplo "Loop de fluxo com rastreamento"
|
||||
!!! Example "Loop de fluxo com rastreamento"
|
||||
|
||||
```python
|
||||
import cv2
|
||||
|
|
|
|||
|
|
@ -41,7 +41,7 @@ Os seguintes são alguns recursos notáveis do modo de Treino da YOLOv8:
|
|||
- **Configuração de Hiperparâmetros:** Opção de modificar hiperparâmetros através de arquivos de configuração YAML ou argumentos de CLI.
|
||||
- **Visualização e Monitoramento:** Acompanhamento em tempo real das métricas de treinamento e visualização do processo de aprendizagem para obter melhores insights.
|
||||
|
||||
!!! dica "Dica"
|
||||
!!! Tip "Dica"
|
||||
|
||||
* Conjuntos de dados YOLOv8 como COCO, VOC, ImageNet e muitos outros são baixados automaticamente na primeira utilização, ou seja, `yolo train data=coco.yaml`
|
||||
|
||||
|
|
@ -49,7 +49,7 @@ Os seguintes são alguns recursos notáveis do modo de Treino da YOLOv8:
|
|||
|
||||
Treine o YOLOv8n no conjunto de dados COCO128 por 100 épocas com tamanho de imagem de 640. O dispositivo de treinamento pode ser especificado usando o argumento `device`. Se nenhum argumento for passado, a GPU `device=0` será usado se disponível, caso contrário, `device=cpu` será usado. Veja a seção Argumentos abaixo para uma lista completa dos argumentos de treinamento.
|
||||
|
||||
!!! exemplo "Exemplo de Treinamento em Uma Única GPU e CPU"
|
||||
!!! Example "Exemplo de Treinamento em Uma Única GPU e CPU"
|
||||
|
||||
O dispositivo é determinado automaticamente. Se uma GPU estiver disponível, ela será usada, caso contrário, o treinamento começará na CPU.
|
||||
|
||||
|
|
@ -84,7 +84,7 @@ Treine o YOLOv8n no conjunto de dados COCO128 por 100 épocas com tamanho de ima
|
|||
|
||||
O treinamento com múltiplas GPUs permite uma utilização mais eficiente dos recursos de hardware disponíveis, distribuindo a carga de treinamento entre várias GPUs. Esse recurso está disponível por meio da API do Python e da interface de linha de comando. Para habilitar o treinamento com várias GPUs, especifique os IDs dos dispositivos de GPU que deseja usar.
|
||||
|
||||
!!! exemplo "Exemplo de Treinamento com Multi-GPU"
|
||||
!!! Example "Exemplo de Treinamento com Multi-GPU"
|
||||
|
||||
Para treinar com 2 GPUs, dispositivos CUDA 0 e 1 use os seguintes comandos. Expanda para GPUs adicionais conforme necessário.
|
||||
|
||||
|
|
@ -113,7 +113,7 @@ Com a integração do suporte para os chips Apple M1 e M2 nos modelos YOLO da Ul
|
|||
|
||||
Para habilitar o treinamento nos chips Apple M1 e M2, você deve especificar 'mps' como seu dispositivo ao iniciar o processo de treinamento. Abaixo está um exemplo de como você pode fazer isso em Python e via linha de comando:
|
||||
|
||||
!!! exemplo "Exemplo de Treinamento com MPS"
|
||||
!!! Example "Exemplo de Treinamento com MPS"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -148,7 +148,7 @@ Para usar um logger, selecione-o no menu suspenso no trecho de código acima e e
|
|||
|
||||
Para usar o Comet:
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
```python
|
||||
|
|
@ -166,7 +166,7 @@ Lembre-se de fazer login na sua conta Comet no site deles e obter sua chave de A
|
|||
|
||||
Para usar o ClearML:
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
```python
|
||||
|
|
@ -184,7 +184,7 @@ Após executar este script, você precisará fazer login na sua conta ClearML no
|
|||
|
||||
Para usar o TensorBoard em [Google Colab](https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb):
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "CLI"
|
||||
```bash
|
||||
|
|
@ -194,7 +194,7 @@ Para usar o TensorBoard em [Google Colab](https://colab.research.google.com/gith
|
|||
|
||||
Para usar o TensorBoard localmente, execute o comando abaixo e veja os resultados em http://localhost:6006/:
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "CLI"
|
||||
```bash
|
||||
|
|
|
|||
|
|
@ -30,7 +30,7 @@ Estas são as funcionalidades notáveis oferecidas pelo modo Val do YOLOv8:
|
|||
- **API em Python e CLI:** Escolha entre a interface de linha de comando ou API em Python com base na sua preferência de validação.
|
||||
- **Compatibilidade de Dados:** Funciona perfeitamente com conjuntos de dados usados durante a fase de treinamento, bem como conjuntos de dados personalizados.
|
||||
|
||||
!!! tip "Dica"
|
||||
!!! Tip "Dica"
|
||||
|
||||
* Os modelos YOLOv8 lembram automaticamente suas configurações de treinamento, então você pode validar um modelo no mesmo tamanho de imagem e no conjunto de dados original facilmente com apenas `yolo val model=yolov8n.pt` ou `model('yolov8n.pt').val()`
|
||||
|
||||
|
|
@ -38,7 +38,7 @@ Estas são as funcionalidades notáveis oferecidas pelo modo Val do YOLOv8:
|
|||
|
||||
Validar a precisão do modelo YOLOv8n treinado no conjunto de dados COCO128. Nenhum argumento precisa ser passado, pois o `model` retém os dados de treinamento e argumentos como atributos do modelo. Veja a seção de Argumentos abaixo para uma lista completa dos argumentos de exportação.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -8,7 +8,7 @@ keywords: Instalação do Ultralytics, pip install Ultralytics, Docker install U
|
|||
|
||||
O Ultralytics oferece diversos métodos de instalação, incluindo pip, conda e Docker. Instale o YOLOv8 através do pacote `ultralytics` pip para a versão estável mais recente ou clonando o [repositório GitHub do Ultralytics](https://github.com/ultralytics/ultralytics) para obter a versão mais atualizada. O Docker pode ser usado para executar o pacote em um contêiner isolado, evitando a instalação local.
|
||||
|
||||
!!! example "Instalar"
|
||||
!!! Example "Instalar"
|
||||
|
||||
=== "Pip install (recomendado)"
|
||||
Instale o pacote `ultralytics` usando pip, ou atualize uma instalação existente executando `pip install -U ultralytics`. Visite o Índice de Pacotes Python (PyPI) para mais detalhes sobre o pacote `ultralytics`: [https://pypi.org/project/ultralytics/](https://pypi.org/project/ultralytics/).
|
||||
|
|
@ -39,7 +39,7 @@ O Ultralytics oferece diversos métodos de instalação, incluindo pip, conda e
|
|||
conda install -c conda-forge ultralytics
|
||||
```
|
||||
|
||||
!!! note
|
||||
!!! Note
|
||||
|
||||
Se você está instalando em um ambiente CUDA a prática recomendada é instalar `ultralytics`, `pytorch` e `pytorch-cuda` no mesmo comando para permitir que o gerenciador de pacotes conda resolva quaisquer conflitos, ou instalar `pytorch-cuda` por último para permitir que ele substitua o pacote específico para CPU `pytorch`, se necessário.
|
||||
```bash
|
||||
|
|
@ -89,7 +89,7 @@ Veja o arquivo [requirements.txt](https://github.com/ultralytics/ultralytics/blo
|
|||
<strong>Watch:</strong> Ultralytics YOLO Quick Start Guide
|
||||
</p>
|
||||
|
||||
!!! tip "Dica"
|
||||
!!! Tip "Dica"
|
||||
|
||||
Os requisitos do PyTorch variam pelo sistema operacional e pelos requisitos de CUDA, então é recomendado instalar o PyTorch primeiro seguindo as instruções em [https://pytorch.org/get-started/locally](https://pytorch.org/get-started/locally).
|
||||
|
||||
|
|
@ -101,7 +101,7 @@ Veja o arquivo [requirements.txt](https://github.com/ultralytics/ultralytics/blo
|
|||
|
||||
A interface de linha de comando (CLI) do Ultralytics permite comandos simples de uma única linha sem a necessidade de um ambiente Python. O CLI não requer personalização ou código Python. Você pode simplesmente rodar todas as tarefas do terminal com o comando `yolo`. Confira o [Guia CLI](/../usage/cli.md) para aprender mais sobre o uso do YOLOv8 pela linha de comando.
|
||||
|
||||
!!! example
|
||||
!!! Example
|
||||
|
||||
=== "Sintaxe"
|
||||
|
||||
|
|
@ -155,7 +155,7 @@ A interface de linha de comando (CLI) do Ultralytics permite comandos simples de
|
|||
yolo cfg
|
||||
```
|
||||
|
||||
!!! warning "Aviso"
|
||||
!!! Warning "Aviso"
|
||||
|
||||
Argumentos devem ser passados como pares `arg=valor`, separados por um sinal de igual `=` e delimitados por espaços ` ` entre pares. Não use prefixos de argumentos `--` ou vírgulas `,` entre os argumentos.
|
||||
|
||||
|
|
@ -171,7 +171,7 @@ A interface Python do YOLOv8 permite uma integração tranquila em seus projetos
|
|||
|
||||
Por exemplo, os usuários podem carregar um modelo, treiná-lo, avaliar o seu desempenho em um conjunto de validação e até exportá-lo para o formato ONNX com apenas algumas linhas de código. Confira o [Guia Python](/../usage/python.md) para aprender mais sobre o uso do YOLOv8 dentro dos seus projetos Python.
|
||||
|
||||
!!! example
|
||||
!!! Example
|
||||
|
||||
```python
|
||||
from ultralytics import YOLO
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@ A classificação de imagens é a tarefa mais simples das três e envolve classi
|
|||
|
||||
A saída de um classificador de imagem é um único rótulo de classe e uma pontuação de confiança. A classificação de imagem é útil quando você precisa saber apenas a qual classe uma imagem pertence e não precisa conhecer a localização dos objetos dessa classe ou o formato exato deles.
|
||||
|
||||
!!! tip "Dica"
|
||||
!!! Tip "Dica"
|
||||
|
||||
Os modelos YOLOv8 Classify usam o sufixo `-cls`, ou seja, `yolov8n-cls.pt` e são pré-treinados na [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml).
|
||||
|
||||
|
|
@ -39,7 +39,7 @@ Aqui são mostrados os modelos pré-treinados YOLOv8 Classify. Modelos de Detec
|
|||
|
||||
Treine o modelo YOLOv8n-cls no dataset MNIST160 por 100 épocas com tamanho de imagem 64. Para uma lista completa de argumentos disponíveis, veja a página de [Configuração](/../usage/cfg.md).
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -76,7 +76,7 @@ O formato do dataset de classificação YOLO pode ser encontrado em detalhes no
|
|||
|
||||
Valide a acurácia do modelo YOLOv8n-cls treinado no dataset MNIST160. Não é necessário passar argumento, pois o `modelo` retém seus dados de treinamento e argumentos como atributos do modelo.
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -103,7 +103,7 @@ Valide a acurácia do modelo YOLOv8n-cls treinado no dataset MNIST160. Não é n
|
|||
|
||||
Use um modelo YOLOv8n-cls treinado para realizar previsões em imagens.
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ Veja detalhes completos do modo de `previsão` na página [Predict](https://docs
|
|||
|
||||
Exporte um modelo YOLOv8n-cls para um formato diferente, como ONNX, CoreML, etc.
|
||||
|
||||
!!! exemplo ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ A saída de um detector de objetos é um conjunto de caixas delimitadoras que ce
|
|||
<strong>Assista:</strong> Detecção de Objetos com Modelo Pre-treinado Ultralytics YOLOv8.
|
||||
</p>
|
||||
|
||||
!!! tip "Dica"
|
||||
!!! Tip "Dica"
|
||||
|
||||
Os modelos YOLOv8 Detect são os modelos padrão do YOLOv8, ou seja, `yolov8n.pt` e são pré-treinados no [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).
|
||||
|
||||
|
|
@ -51,7 +51,7 @@ Os [Modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cf
|
|||
|
||||
Treine o YOLOv8n no dataset COCO128 por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, veja a página [Configuração](/../usage/cfg.md).
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -87,7 +87,7 @@ O formato do dataset de detecção do YOLO pode ser encontrado em detalhes no [G
|
|||
|
||||
Valide a precisão do modelo YOLOv8n treinado no dataset COCO128. Não é necessário passar nenhum argumento, pois o `modelo` mantém seus `dados` de treino e argumentos como atributos do modelo.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -116,7 +116,7 @@ Valide a precisão do modelo YOLOv8n treinado no dataset COCO128. Não é necess
|
|||
|
||||
Use um modelo YOLOv8n treinado para fazer predições em imagens.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -143,7 +143,7 @@ Veja os detalhes completos do modo `predict` na página [Predição](https://doc
|
|||
|
||||
Exporte um modelo YOLOv8n para um formato diferente, como ONNX, CoreML, etc.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -11,7 +11,7 @@ keywords: Ultralytics, YOLOv8, Detecção, Segmentação, Classificação, Estim
|
|||
|
||||
YOLOv8 é um framework de IA que suporta múltiplas tarefas de **visão computacional**. O framework pode ser usado para realizar [detecção](detect.md), [segmentação](segment.md), [classificação](classify.md) e estimativa de [pose](pose.md). Cada uma dessas tarefas tem um objetivo e caso de uso diferente.
|
||||
|
||||
!!! note
|
||||
!!! Note
|
||||
|
||||
🚧 Nossa documentação multilíngue está atualmente em construção e estamos trabalhando para aprimorá-la. Agradecemos sua paciência! 🙏
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ A saída de um modelo de estimativa de pose é um conjunto de pontos que represe
|
|||
<strong>Assista:</strong> Estimativa de Pose com Ultralytics YOLOv8.
|
||||
</p>
|
||||
|
||||
!!! tip "Dica"
|
||||
!!! Tip "Dica"
|
||||
|
||||
Modelos YOLOv8 _pose_ usam o sufixo `-pose`, isto é `yolov8n-pose.pt`. Esses modelos são treinados no conjunto de dados [COCO keypoints](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml) e são adequados para uma variedade de tarefas de estimativa de pose.
|
||||
|
||||
|
|
@ -53,7 +53,7 @@ Os modelos YOLOv8 Pose pré-treinados são mostrados aqui. Os modelos Detect, Se
|
|||
|
||||
Treine um modelo YOLOv8-pose no conjunto de dados COCO128-pose.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -90,7 +90,7 @@ O formato do conjunto de dados de pose YOLO pode ser encontrado em detalhes no [
|
|||
Valide a acurácia do modelo YOLOv8n-pose treinado no conjunto de dados COCO128-pose. Não é necessário passar nenhum argumento, pois o `model`
|
||||
retém seus `data` de treinamento e argumentos como atributos do modelo.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -119,7 +119,7 @@ retém seus `data` de treinamento e argumentos como atributos do modelo.
|
|||
|
||||
Use um modelo YOLOv8n-pose treinado para executar previsões em imagens.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -146,7 +146,7 @@ Veja detalhes completos do modo `predict` na página [Prever](https://docs.ultra
|
|||
|
||||
Exporte um modelo YOLOv8n Pose para um formato diferente como ONNX, CoreML, etc.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ A saída de um modelo de segmentação de instâncias é um conjunto de máscara
|
|||
<strong>Assista:</strong> Executar Segmentação com o Modelo Treinado Ultralytics YOLOv8 em Python.
|
||||
</p>
|
||||
|
||||
!!! tip "Dica"
|
||||
!!! Tip "Dica"
|
||||
|
||||
Modelos YOLOv8 Segment usam o sufixo `-seg`, ou seja, `yolov8n-seg.pt` e são pré-treinados no [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ Os modelos Segment pré-treinados do YOLOv8 estão mostrados aqui. Os modelos De
|
|||
|
||||
Treine o modelo YOLOv8n-seg no conjunto de dados COCO128-seg por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, consulte a página [Configuração](/../usage/cfg.md).
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -86,7 +86,7 @@ O formato do conjunto de dados de segmentação YOLO pode ser encontrado em deta
|
|||
|
||||
Valide a acurácia do modelo YOLOv8n-seg treinado no conjunto de dados COCO128-seg. Não é necessário passar nenhum argumento, pois o `modelo` retém seus `dados` de treino e argumentos como atributos do modelo.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -119,7 +119,7 @@ Valide a acurácia do modelo YOLOv8n-seg treinado no conjunto de dados COCO128-s
|
|||
|
||||
Use um modelo YOLOv8n-seg treinado para realizar previsões em imagens.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
@ -146,7 +146,7 @@ Veja detalhes completos do modo `predict` na página [Prever](https://docs.ultra
|
|||
|
||||
Exporte um modelo YOLOv8n-seg para um formato diferente como ONNX, CoreML, etc.
|
||||
|
||||
!!! example ""
|
||||
!!! Example "Exemplo"
|
||||
|
||||
=== "Python"
|
||||
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue