Update docs predict, buttons, reference (#6585)

Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com>

docs/pt/modes/index.md

@@ -40,34 +40,34 @@ Este guia abrangente visa fornecer uma visão geral e insights práticos para ca
 
 O modo Treinar é utilizado para treinar um modelo YOLOv8 em um conjunto de dados personalizado. Neste modo, o modelo é treinado usando o conjunto de dados especificado e os hiperparâmetros escolhidos. O processo de treinamento envolve otimizar os parâmetros do modelo para que ele possa prever com precisão as classes e localizações de objetos em uma imagem.
 
-[Exemplos de Treino](train.md){ .md-button .md-button--primary}
+[Exemplos de Treino](train.md){ .md-button }
 
 ## [Validar](val.md)
 
 O modo Validar é utilizado para validar um modelo YOLOv8 após ter sido treinado. Neste modo, o modelo é avaliado em um conjunto de validação para medir sua precisão e desempenho de generalização. Este modo pode ser usado para ajustar os hiperparâmetros do modelo para melhorar seu desempenho.
 
-[Exemplos de Validação](val.md){ .md-button .md-button--primary}
+[Exemplos de Validação](val.md){ .md-button }
 
 ## [Prever](predict.md)
 
 O modo Prever é utilizado para fazer previsões usando um modelo YOLOv8 treinado em novas imagens ou vídeos. Neste modo, o modelo é carregado de um arquivo de checkpoint, e o usuário pode fornecer imagens ou vídeos para realizar a inferência. O modelo prevê as classes e localizações dos objetos nas imagens ou vídeos fornecidos.
 
-[Exemplos de Predição](predict.md){ .md-button .md-button--primary}
+[Exemplos de Predição](predict.md){ .md-button }
 
 ## [Exportar](export.md)
 
 O modo Exportar é utilizado para exportar um modelo YOLOv8 para um formato que possa ser utilizado para implantação. Neste modo, o modelo é convertido para um formato que possa ser utilizado por outras aplicações de software ou dispositivos de hardware. Este modo é útil ao implantar o modelo em ambientes de produção.
 
-[Exemplos de Exportação](export.md){ .md-button .md-button--primary}
+[Exemplos de Exportação](export.md){ .md-button }
 
 ## [Rastrear](track.md)
 
 O modo Rastrear é utilizado para rastrear objetos em tempo real usando um modelo YOLOv8. Neste modo, o modelo é carregado de um arquivo de checkpoint, e o usuário pode fornecer um fluxo de vídeo ao vivo para realizar o rastreamento de objetos em tempo real. Este modo é útil para aplicações como sistemas de vigilância ou carros autônomos.
 
-[Exemplos de Rastreamento](track.md){ .md-button .md-button--primary}
+[Exemplos de Rastreamento](track.md){ .md-button }
 
 ## [Benchmark](benchmark.md)
 
 O modo Benchmark é utilizado para fazer um perfil da velocidade e precisão de vários formatos de exportação para o YOLOv8. Os benchmarks fornecem informações sobre o tamanho do formato exportado, suas métricas `mAP50-95` (para detecção de objetos, segmentação e pose) ou `accuracy_top5` (para classificação), e o tempo de inferência em milissegundos por imagem em diversos formatos de exportação, como ONNX, OpenVINO, TensorRT e outros. Essas informações podem ajudar os usuários a escolher o formato de exportação ótimo para seu caso de uso específico, com base em seus requisitos de velocidade e precisão.
 
-[Exemplos de Benchmark](benchmark.md){ .md-button .md-button--primary}
+[Exemplos de Benchmark](benchmark.md){ .md-button }

docs/pt/quickstart.md

@@ -163,7 +163,7 @@ A interface de linha de comando (CLI) do Ultralytics permite comandos simples de
     - `yolo predict model yolov8n.pt imgsz 640 conf 0.25`   ❌
     - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25`   ❌
 
-[Guia CLI](/../usage/cli.md){ .md-button .md-button--primary}
+[Guia CLI](/../usage/cli.md){ .md-button }
 
 ## Use o Ultralytics com Python
 

docs/pt/tasks/index.md

@@ -30,25 +30,25 @@ YOLOv8 é um framework de IA que suporta múltiplas tarefas de **visão computac
 
 A detecção é a principal tarefa suportada pelo YOLOv8. Envolve detectar objetos em uma imagem ou quadro de vídeo e desenhar caixas delimitadoras ao redor deles. Os objetos detectados são classificados em diferentes categorias com base em suas características. YOLOv8 pode detectar múltiplos objetos em uma única imagem ou quadro de vídeo com alta precisão e velocidade.
 
-[Exemplos de Detecção](detect.md){ .md-button .md-button--primary}
+[Exemplos de Detecção](detect.md){ .md-button }
 
 ## [Segmentação](segment.md)
 
 Segmentação é uma tarefa que envolve segmentar uma imagem em diferentes regiões com base no conteúdo da imagem. Cada região recebe um rótulo com base em seu conteúdo. Essa tarefa é útil em aplicações como segmentação de imagens e imagiologia médica. YOLOv8 usa uma variante da arquitetura U-Net para realizar a segmentação.
 
-[Exemplos de Segmentação](segment.md){ .md-button .md-button--primary}
+[Exemplos de Segmentação](segment.md){ .md-button }
 
 ## [Classificação](classify.md)
 
 Classificação é uma tarefa que envolve classificar uma imagem em diferentes categorias. YOLOv8 pode ser usado para classificar imagens com base em seu conteúdo. Utiliza uma variante da arquitetura EfficientNet para realizar a classificação.
 
-[Exemplos de Classificação](classify.md){ .md-button .md-button--primary}
+[Exemplos de Classificação](classify.md){ .md-button }
 
 ## [Pose](pose.md)
 
 A detecção de pose/pontos-chave é uma tarefa que envolve detectar pontos específicos em uma imagem ou quadro de vídeo. Esses pontos são chamados de keypoints e são usados para rastrear movimento ou estimar poses. YOLOv8 pode detectar keypoints em uma imagem ou quadro de vídeo com alta precisão e velocidade.
 
-[Exemplos de Pose](pose.md){ .md-button .md-button--primary}
+[Exemplos de Pose](pose.md){ .md-button }
 
 ## Conclusão