中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Documentación de Ultralytics YOLO#
Ultralytics YOLO es una familia de modelos de visión artificial en tiempo real para detección de objetos, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación, estimación de pose, cuadros delimitadores orientados y seguimiento, disponibles a través de un paquete de Python y una CLI. YOLO26 está construido sobre los avances en aprendizaje profundo y visión artificial, e incluye inferencia de extremo a extremo sin NMS y un despliegue optimizado en el borde. Su diseño optimizado lo hace adecuado para diversas aplicaciones y fácilmente adaptable a diferentes plataformas de hardware, desde dispositivos de borde hasta API en la nube. Para cargas de trabajo de producción estables, se recomiendan tanto YOLO26 como YOLO11.
Explora la documentación de Ultralytics, un recurso completo que abarca el paquete y la CLI de YOLO, así como la Plataforma Ultralytics, que añade anotación de datos, entrenamiento en la nube y despliegue sobre los mismos modelos. Tanto si eres un profesional experimentado en aprendizaje automático como si eres nuevo en el campo, estos recursos te ayudan a aprovechar al máximo YOLO en tus proyectos.
Solicita una licencia empresarial para uso comercial en Licenciamiento de Ultralytics.
Convierte una sola fotografía en un mapa de profundidad, una distancia en metros para cada píxel.
Comienza en dos comandos#
# Install the ultralytics package from PyPI
pip install ultralytics
# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'Los pesos del modelo y la imagen de ejemplo se descargan automáticamente, y el resultado anotado se guarda en runs/detect/predict.
Consulta la guía de Inicio rápido para ver la referencia completa de instalación y uso.
¿Qué quieres hacer?#
Ajusta con precisión un modelo YOLO26 preentrenado en tu propio conjunto de datos, configurando la aumentación y los hiperparámetros para el entrenamiento con múltiples GPU
Carga un modelo preentrenado y obtén cuadros delimitadores, máscaras o puntos clave en unas pocas líneas de Python o un solo comando de CLI
Haz un seguimiento de objetos con identificadores persistentes usando TrackTrack (por defecto), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT o FastTracker
Aplicaciones de visión listas para usar para recuento de objetos, mapas de calor, gestión de colas, alarmas de seguridad y entrenamientos, sin necesidad de entrenamiento
Exporta modelos entrenados a ONNX, TensorRT u OpenVINO para una inferencia rápida en dispositivos de borde, hardware móvil y servidores en la nube
Compara YOLO26, YOLO11, SAM 3, RT-DETR y cualquier otra arquitectura compatible por velocidad, precisión y caso de uso
Consulta clases, funciones y firmas de métodos para la API de Python, generadas automáticamente a partir del código fuente en cada nueva versión
La familia de modelos más nueva de Ultralytics ofrece inferencia de extremo a extremo sin NMS con una relación precisión-latencia mejorada sobre YOLO11
Cómo está organizada esta documentación#
La mayoría de los comandos de flujo de trabajo de modelos de yolo siguen una gramática, yolo [TASK] MODE ARGS, donde la tarea es opcional, y esta documentación está organizada en torno a las mismas tres partes, más un acceso directo:
- Task responde a qué quieres de una imagen: detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation o oriented boxes.
- Mode responde a cómo usas un modelo: train, validate, predict, export, track o benchmark.
- Args configura el comando, desde qué model ejecutar con
model=hasta hiperparámetros comoepochsyimgsz. - Solutions es el acceso directo: una aplicación terminada, como el recuento de objetos o una alarma de seguridad, que omite por completo la tarea y el modo.
Todo lo demás respalda esa gramática: Models enumera cada arquitectura que puedes pasar a model= —YOLO26, YOLO11, SAM 3, RT-DETR y más—, Datasets proporciona aquello en lo que se entrena cada tarea, Guides es una amplia colección de guías prácticas detalladas que abarcan el despliegue de hardware, el ajuste de hiperparámetros, la conversión de conjuntos de datos y tutoriales completos de proyectos, Integrations conecta la canalización con las herramientas de entrenamiento y despliegue que ya usas, y la sección Reference documenta cada clase y función en la API de Python.
Más allá del paquete de Python, otras dos interfaces se ejecutan en los mismos modelos: la Plataforma Ultralytics para anotación, entrenamiento y despliegue en la nube, y Inferencia de Ultralytics, una biblioteca y CLI independiente en Rust para ejecutar modelos exportados sin un entorno de ejecución de Python.
Licencias de YOLO: ¿Cómo tiene la licencia Ultralytics YOLO?#
Ultralytics ofrece dos opciones de licencia para adaptarse a diversos casos de uso:
- Licencia AGPL-3.0: Esta licencia de código abierto aprobada por la OSI es ideal para estudiantes y entusiastas, ya que promueve la colaboración abierta y el intercambio de conocimientos. Consulta el archivo LICENSE para obtener más detalles.
- Licencia empresarial: Para uso en desarrollo y producción, esta licencia permite integrar sin problemas el software y los modelos de IA de Ultralytics en productos y servicios empresariales, incluidas herramientas internas, flujos de trabajo automatizados e implementaciones en producción, sin las obligaciones de código abierto de AGPL-3.0. Para empezar, ponte en contacto con nosotros a través de Licencias de Ultralytics.
Nuestra estrategia de licenciamiento está diseñada para garantizar que cualquier mejora en nuestros proyectos de código abierto se devuelva a la comunidad. Creemos en el código abierto y nuestra misión es asegurar que nuestras contribuciones puedan ser utilizadas y ampliadas de maneras que beneficien a todos.
Preguntas frecuentes#
Ultralytics YOLO es la aclamada serie YOLO (You Only Look Once) para la detección de objetos en tiempo real y la segmentación de imágenes. El modelo más reciente, YOLO26, se basa en versiones anteriores al introducir inferencia de extremo a extremo sin NMS y un despliegue optimizado en el borde. YOLO admite varias tareas de IA de visión como detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation y oriented bounding boxes, y puede track objetos detectados a través de fotogramas de vídeo. Su arquitectura eficiente garantiza una velocidad y una precisión excelentes, lo que lo hace adecuado para diversas aplicaciones, incluidos dispositivos de borde y API en la nube.
Empezar con YOLO es rápido y sencillo. Instala el paquete de Ultralytics desde pip con
pip install ultralytics, luego ejecuta tu primera predicción conyolo predict model=yolo26n.pt; los pesos del modelo se descargan automáticamente. Para obtener instrucciones completas que cubran conda, Docker y la instalación desde el código fuente, visita la página de Inicio rápido.Entrenar un modelo YOLO personalizado en tu conjunto de datos implica unos pocos pasos detallados:
- Prepara tu conjunto de datos anotado y descríbelo en un archivo YAML de conjunto de datos.
- Carga un modelo preentrenado, por ejemplo
YOLO("yolo26n.pt")en Python. - Inicia el entrenamiento con
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)o desde la línea de comandos conyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.
Para una guía paso a paso detallada, consulta nuestra guía Entrenar un modelo, que incluye ejemplos y consejos para optimizar tu proceso de entrenamiento.
Ultralytics ofrece dos opciones de licencia para YOLO:
- Licencia AGPL-3.0: Esta licencia de código abierto es ideal para uso educativo y no comercial, promoviendo la colaboración abierta.
- Licencia empresarial: Para uso de desarrollo y producción, incluidas herramientas internas, flujos de trabajo automatizados y despliegues de producción, evitando los requisitos de código abierto de AGPL-3.0.
Para más detalles, visita nuestra página de Licenciamiento.
Ultralytics YOLO admite un seguimiento de múltiples objetos eficiente y personalizable. Llama a
YOLO("yolo26n.pt").track(source="path/to/video.mp4")en Python, o ejecutayolo track source=path/to/video.mp4desde la línea de comandos; ambos funcionan con archivos de vídeo, transmisiones en directo y entrada de cámara web. Para obtener una guía detallada sobre cómo configurar y ejecutar el seguimiento de objetos, consulta nuestra documentación de Modo de seguimiento, que explica la configuración y las aplicaciones prácticas en escenarios en tiempo real.
