YOLO
Por que isso importa
Os modelos YOLO são os burros de carga da visão computacional aplicada. Eles contam produtos em prateleiras, encontram defeitos em linhas de produção, acompanham jogadores em transmissões esportivas, medem o tráfego, guiam drones e robôs e monitoram a vida selvagem. São pequenos o bastante para rodar em um celular, uma câmera ou uma placa embarcada barata, e dá para fazer fine-tuning deles em um conjunto de dados próprio em uma tarde.
Numa era de modelos multimodais gigantes, o YOLO lembra que um modelo pequeno e especializado costuma ser a ferramenta certa. Ele é ordens de magnitude mais barato por imagem do que um modelo de visão e linguagem, e muito mais rápido.
Em profundidade
YOLO significa "You Only Look Once" ("você só olha uma vez"). Antes dele, os melhores detectores de objetos trabalhavam em duas etapas: primeiro propunham regiões que poderiam conter algo, depois classificavam cada região. Isso era preciso, mas lento. Em 2015, Joseph Redmon e colegas mostraram que uma única rede neural podia olhar a imagem inteira uma vez e prever diretamente cada caixa delimitadora e sua classe. O primeiro YOLO rodava a 45 quadros por segundo, rápido o bastante para vídeo ao vivo, numa época em que os detectores precisos mal chegavam a alguns poucos.
Desde então, "YOLO" se tornou menos um modelo único e mais uma linhagem: mais de uma dúzia de versões de equipes diferentes, todas construídas em torno da ideia de detecção rápida em uma única etapa.
Como funciona
Um modelo YOLO é uma rede convolucional com três partes: um backbone que extrai características, um neck que mistura características de escalas diferentes para que tanto objetos pequenos quanto grandes fiquem visíveis, e um head que prevê caixas, pontuações de confiança e classes para posições em toda a imagem.
A saída bruta contém muitas caixas sobrepostas para o mesmo objeto. Uma etapa de pós-processamento chamada supressão não máxima (NMS) mantém a melhor e remove as duplicatas. Algumas versões recentes são treinadas para produzir uma caixa por objeto e dispensam a NMS por completo, o que simplifica a implantação.
Uma árvore genealógica emaranhada
Redmon escreveu as três primeiras versões e depois deixou a pesquisa em visão computacional em 2020, citando preocupações com usos militares e de vigilância. O nome continuou vivo sem dono:
- YOLOv4 (2020) veio de Alexey Bochkovskiy e colegas.
- YOLOv5 (2020), YOLOv8 (2023) e YOLO11 (2024) vieram da empresa Ultralytics, cujo pacote Python fácil de usar popularizou o YOLO muito além dos pesquisadores.
- YOLOv6, v7, v9, v10 e versões posteriores vieram de vários grupos acadêmicos e da indústria.
Os números de versão não formam uma sequência limpa de melhorias, e um número maior não é automaticamente melhor para a sua tarefa. Os pacotes modernos de YOLO também vão além da detecção: a mesma família cuida de segmentação de instâncias, estimativa de pose, caixas rotacionadas e rastreamento.
Tamanhos e métricas
Cada versão vem em vários tamanhos, geralmente nano, small, medium, large e extra-large. Os modelos nano rodam em tempo real em um celular, enquanto os maiores são mais precisos, mas precisam de uma GPU. A precisão é reportada como mAP (mean average precision, média da precisão média) no conjunto de dados COCO, que tem 80 classes de objetos do dia a dia. Para o seu projeto, a velocidade e a precisão nos seus dados e no seu hardware importam mais do que as pontuações no COCO.
Treinando o seu
Os modelos YOLO pré-treinados só conhecem as 80 classes do COCO. Para qualquer outra coisa, você faz fine-tuning: reúne de algumas centenas a alguns milhares de imagens, rotula com caixas delimitadoras e treina por mais ou menos uma hora em uma GPU. A rotulagem é o trabalho de verdade, e ferramentas construídas sobre o Segment Anything ou sobre modelos de visão e linguagem podem acelerá-la bastante. Para a implantação, os modelos costumam ser exportados para ONNX, TensorRT, Core ML ou formatos parecidos.
Licenças e alternativas
Fique de olho na licença. Os modelos da Ultralytics são lançados sob a AGPL-3.0, que exige que você abra o código do software que os utiliza, a menos que compre uma licença comercial. Entre as alternativas com licenças permissivas estão o YOLOX e detectores em tempo real baseados em transformers, como RT-DETR e RF-DETR, que hoje igualam ou superam a precisão do YOLO.
Detectores de vocabulário aberto, como YOLO-World e Grounding DINO, encontram objetos descritos em texto sem nenhum treinamento, com algum custo em velocidade e precisão. Modelos de visão e linguagem também conseguem detectar objetos e são úteis para prototipagem e rotulagem, mas, para trabalho de alto volume ou em tempo real, um detector pequeno e treinado continua sendo muito mais prático.