HongChuang/ultralytics-ascend
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions 3

Add Hindi हिन्दी and Arabic العربية Docs translations (#6428)

Browse source 
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 2023-11-18 21:51:47 +01:00 • committed by GitHub
parent b6baae584c
commit 02bf8003a8
No known key found for this signature in database
GPG key ID: 4AEE18F83AFDEB23
337 changed files with 6584 additions and 777 deletions
Download patch file Download diff file Expand all files Collapse all files

16
docs/pt/modes/train.md
View file

@ -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