中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية

Link to this sectionDocumentación 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, clasificación, estimación de poses, cajas delimitadoras orientadas y seguimiento, disponible a través de un único paquete de Python y una CLI. YOLO26 está construido sobre los avances del aprendizaje profundo y la visión artificial, presentando una inferencia integral sin NMS y una implementación optimizada en el borde. Su diseño simplificado 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 integral que cubre 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 eres un profesional experimentado en aprendizaje automático como si eres nuevo en el campo, este centro tiene como objetivo ayudarte a sacar el máximo provecho de YOLO en tus proyectos.

Solicita una Licencia Enterprise para uso comercial en Ultralytics Licensing.

Link to this sectionEmpieza 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 obtener la referencia completa de instalación y uso.

Link to this section¿Qué quieres hacer?#

Link to this sectionCómo está organizada esta documentación#

La mayoría de los comandos yolo del flujo de trabajo de los modelos siguen una gramática, yolo [TASK] MODE ARGS, donde la tarea es opcional, y esta documentación está organizada en torno a las mismas tres partes, además de un acceso directo:

• Task responde a qué quieres obtener de una imagen: detection, instance segmentation, semantic segmentation, classification, pose estimation u oriented boxes.
• Mode responde a cómo utilizas un modelo: train, validate, predict, export, track o benchmark.
• Args configura el comando, desde qué modelo ejecutar con model= hasta hiperparámetros como epochs e imgsz.
• Soluciones es el atajo: una aplicación finalizada, como el conteo de objetos o una alarma de seguridad, que omite por completo la Tarea y el Modo.

Todo lo demás admite esa gramática: Modelos enumera todas las arquitecturas que puedes pasar a model= — YOLO26, YOLO11, SAM 3, RT-DETR y más —, Conjuntos de datos proporciona para qué sirve cada Tarea, Guías es una amplia colección de tutoriales en profundidad que abarcan la implementación de hardware, el ajuste de hiperparámetros, la conversión de conjuntos de datos y tutoriales completos del proyecto, Integraciones conecta la canalización con las herramientas de entrenamiento e implementación que ya utilizas, y la sección de Referencia documenta cada clase y función en la API de Python.

Más allá del paquete de Python, dos superficies más se ejecutan en los mismos modelos: la Plataforma de Ultralytics para anotación, entrenamiento e implementación en la nube, y Ultralytics Inference, una biblioteca Rust independiente y CLI para ejecutar modelos exportados sin un tiempo de ejecución de Python.

Link to this sectionLicencias de YOLO: ¿Cómo tiene 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 OSI es ideal para estudiantes y entusiastas, fomentando la colaboración abierta y el intercambio de conocimientos. Consulta el archivo LICENSE para más detalles.
• Licencia Enterprise: para uso en desarrollo y producción, esta licencia permite una integración fluida del software y los modelos de IA de Ultralytics en productos y servicios empresariales, incluyendo herramientas internas, flujos de trabajo automatizados y despliegues en producción, evitando los requisitos de código abierto de la 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 cualquier mejora en nuestros proyectos de código abierto sea devuelta 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.

Link to this sectionFAQ#

Link to this section¿Qué es Ultralytics YOLO y cómo mejora la detección de objetos?#

Ultralytics YOLO es la aclamada serie YOLO (You Only Look Once) para la detección de objetos y la segmentación de imágenes en tiempo real. El modelo más reciente, YOLO26, se basa en versiones anteriores introduciendo inferencia de extremo a extremo sin NMS y una implementación optimizada en el borde. YOLO soporta varias vision AI tasks como detection, instance segmentation, semantic segmentation, pose estimation, tracking y classification. Su arquitectura eficiente garantiza una velocidad y precisión excelentes, lo que lo hace adecuado para diversas aplicaciones, incluidos los dispositivos de borde y las API en la nube.

Link to this section¿Cómo puedo empezar con la instalación y configuración de YOLO?#

Empezar con YOLO es rápido y sencillo. Instala el paquete de Ultralytics desde pip con pip install ultralytics, luego ejecuta tu primera predicción con yolo predict model=yolo26n.pt: los pesos del modelo se descargan automáticamente. Para obtener instrucciones completas que cubran conda, Docker e instalación desde el código fuente, visita la página de Inicio rápido.

Link to this section¿Cómo puedo entrenar un modelo YOLO personalizado en mi conjunto de datos?#

Entrenar un modelo YOLO personalizado con tu conjunto de datos implica unos pocos pasos detallados:

1. Prepara tu conjunto de datos anotado y descríbelo en un archivo YAML de conjunto de datos.
2. Carga un modelo preentrenado, por ejemplo YOLO("yolo26n.pt") en Python.
3. Comienza el entrenamiento con model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640), o desde la línea de comandos con yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.

Para un recorrido detallado, echa un vistazo a nuestra guía Entrena un modelo, que incluye ejemplos y consejos para optimizar tu proceso de entrenamiento.

Link to this section¿Cuáles son las opciones de licencia disponibles para Ultralytics YOLO?#

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 Enterprise: Para uso en desarrollo y producción, incluyendo herramientas internas, flujos de trabajo automatizados e implementaciones en producción, evitando los requisitos de código abierto de AGPL-3.0.

Para más detalles, visita nuestra página de Licensing.

Link to this section¿Cómo se puede utilizar Ultralytics YOLO para el seguimiento de objetos en tiempo real?#

Ultralytics YOLO admite el seguimiento de múltiples objetos de forma eficiente y personalizable. Llama a YOLO("yolo26n.pt").track(source="path/to/video.mp4") en Python, o ejecuta yolo track source=path/to/video.mp4 desde la línea de comandos: ambos funcionan con archivos de vídeo, transmisiones en vivo 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.