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 la detección de objetos, la segmentación de instancias, la segmentación semántica, la estimación de profundidad, la clasificación, la estimación de poses, los cuadros delimitadores orientados y el seguimiento, disponible en un único paquete de Python y CLI. YOLO26 se basa en los avances del aprendizaje profundo y la visión artificial, e incorpora inferencia integral opcional sin NMS y una implementación optimizada en dispositivos edge. Su diseño simplificado la hace adecuada para diversas aplicaciones y fácil de adaptar a distintas plataformas de hardware, desde dispositivos edge 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 de Ultralytics, que añade anotación de datos, entrenamiento en la nube e implementación sobre los mismos modelos. Tanto si tienes experiencia en aprendizaje automático como si acabas de empezar en este campo, estos recursos te ayudan a sacar el máximo partido a YOLO en tus proyectos.
Solicita una licencia Enterprise para uso comercial en Licencias de Ultralytics.
Explora la vista previa de YOLO27, con detalles sobre la arquitectura, resultados preliminares de pruebas comparativas y ejemplos de uso tras su lanzamiento. Los modelos están en la fase final de investigación y desarrollo de cara a un lanzamiento previsto para finales de este año; aún no están disponibles y no hay una fecha de lanzamiento establecida.
Convierte una sola foto en un mapa de profundidad con una distancia en metros para cada píxel.
Empieza con 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 el directorio que muestra el comando: runs/detect/predict la primera vez que lo ejecutas.
Consulta la guía de inicio rápido para ver todos los métodos de instalación y realizar tu primera predicción.
¿Qué quieres hacer?#
Ajusta un modelo YOLO26 preentrenado con tu propio conjunto de datos y configura el aumento de datos y los hiperparámetros para entrenar con varias GPU.
Carga un modelo preentrenado y obtén cuadros delimitadores, máscaras o puntos clave con unas pocas líneas de Python o un único comando de CLI.
Sigue objetos con ID persistentes mediante TrackTrack (opción predeterminada), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT o FastTracker.
Aplicaciones de visión listas para usar para contar objetos, crear mapas de calor, gestionar colas, activar alarmas de seguridad y realizar entrenamientos, sin necesidad de entrenar modelos.
Exporta modelos entrenados a ONNX, TensorRT u OpenVINO para realizar inferencias rápidas en dispositivos edge, hardware móvil y servidores en la nube.
Compara YOLO26, YOLO11, SAM 3, RT-DETR y todas las demás arquitecturas compatibles según su velocidad, precisión y caso de uso.
Consulta las clases, funciones y firmas de métodos de la API de Python, generadas automáticamente a partir del código fuente con cada nueva versión.
La última familia de modelos publicada por Ultralytics ofrece inferencia integral opcional sin NMS y una mejor relación entre precisión y latencia que YOLO11.
Cómo se organiza esta documentación#
La mayoría de los comandos yolo del flujo de trabajo de modelos siguen una gramática, yolo [TASK] MODE ARGS, en la que Task es opcional. Esta documentación se organiza en torno a las mismas tres partes, además de un atajo:
- Tarea responde a qué quieres obtener de una imagen: detección, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación, estimación de poses o cuadros orientados.
- Modo responde a cómo utilizas un modelo: entrenar, validar, predecir, exportar, seguir o evaluar.
- Args configura el comando: desde qué modelo ejecutar con
model=hasta hiperparámetros comoepochsyimgsz. - Soluciones es el atajo: una aplicación terminada, como el recuento de objetos o una alarma de seguridad, que omite por completo Task y Mode.
Todo lo demás complementa esa gramática: Modelos enumera todas las arquitecturas que puedes pasar a model= —YOLO26, YOLO11, SAM 3, RT-DETR y muchas más—; Conjuntos de datos proporciona los datos con los que se entrena cada Task; Guías reúne tutoriales detallados sobre implementación en hardware, ajuste de hiperparámetros, conversión de conjuntos de datos y recorridos completos de proyectos; Integraciones conecta el flujo de trabajo con las herramientas de entrenamiento e implementación que ya utilizas; y la sección de Referencia documenta todas las clases y funciones de la API de Python.
Además del paquete de Python, hay otras dos opciones que utilizan los mismos modelos: la plataforma de Ultralytics, para la anotación, el entrenamiento y la implementación en la nube, y Ultralytics Inference, una biblioteca independiente de Rust y una CLI para ejecutar modelos exportados sin un entorno de ejecución de Python.
Licencias de YOLO: ¿qué licencia tiene Ultralytics YOLO?#
Ultralytics ofrece dos opciones de licencia para adaptarse a distintos casos de uso:
- Licencia AGPL-3.0: esta licencia de código abierto, aprobada por la OSI, es ideal para estudiantes y aficionados, y fomenta la colaboración abierta y el intercambio de conocimientos. Consulta el archivo LICENSE para obtener más información.
- Licencia Enterprise: para desarrollo y uso en producción, esta licencia permite integrar fácilmente el software y los modelos de IA de Ultralytics en productos y servicios empresariales, incluidas herramientas internas, flujos de trabajo automatizados e implementaciones de 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 licencias está diseñada para garantizar que las mejoras de nuestros proyectos de código abierto reviertan en la comunidad. Creemos en el código abierto y nuestra misión es garantizar que nuestras contribuciones puedan utilizarse y ampliarse de formas que beneficien a todo el mundo.
Preguntas frecuentes#
Ultralytics YOLO es la reconocida serie YOLO (You Only Look Once) para la detección de objetos y la segmentación de imágenes en tiempo real. El último modelo, YOLO26, amplía las versiones anteriores al incorporar inferencia integral opcional sin NMS y una implementación optimizada en dispositivos edge. YOLO admite diversas tareas de visión artificial, como la detección, la segmentación de instancias, la segmentación semántica, la estimación de profundidad, la clasificación, la estimación de poses y los cuadros delimitadores orientados, y puede seguir objetos detectados entre fotogramas de vídeo. Su arquitectura eficiente ofrece una velocidad y precisión excelentes, por lo que es adecuada para diversas aplicaciones, incluidos dispositivos edge y API en la nube.
Empezar a utilizar YOLO es rápido y sencillo. Instala el paquete de Ultralytics desde pip con
pip install ultralyticsy, después, ejecuta tu primera predicción conyolo predict model=yolo26n.pt; los pesos del modelo se descargan automáticamente. Para consultar instrucciones completas sobre conda, Docker y la instalación desde el código fuente, visita la página de inicio rápido.Entrenar un modelo YOLO personalizado con tu conjunto de datos requiere seguir unos cuantos pasos detallados:
- Prepara tu conjunto de datos anotado y descríbelo en un archivo YAML del 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 ver una guía detallada paso a paso, consulta nuestra guía Entrenar un modelo, que incluye ejemplos y consejos para optimizar el proceso de entrenamiento.
Ultralytics ofrece dos opciones de licencia para YOLO:
- Licencia AGPL-3.0: esta licencia de código abierto es ideal para el uso educativo y no comercial, y fomenta la colaboración abierta.
- Licencia Enterprise: para desarrollo y uso en producción, incluidas herramientas internas, flujos de trabajo automatizados e implementaciones de producción, sin las obligaciones de código abierto de AGPL-3.0.
Para obtener más información, visita nuestra página de Licencias.
Ultralytics YOLO admite el seguimiento de varios objetos de forma 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 métodos funcionan con archivos de vídeo, emisiones en directo y la cámara web. Para consultar una guía detallada sobre cómo configurar y ejecutar el seguimiento de objetos, visita nuestra documentación del modo de seguimiento, donde se explican la configuración y las aplicaciones prácticas en situaciones en tiempo real.
