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>

docs/pt/tasks/classify.md

@@ -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"
 

docs/pt/tasks/detect.md

@@ -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"
 

docs/pt/tasks/index.md

@@ -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! 🙏
 

docs/pt/tasks/pose.md

@@ -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"
 

docs/pt/tasks/segment.md

@@ -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"