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

Inicio

Presentamos Ultralytics YOLO26, la versión más reciente del aclamado modelo de detección de objetos y segmentación de imágenes en tiempo real. YOLO26 se basa en los avances del deep learning y la computer vision, e incorpora inferencia de extremo a extremo sin NMS y 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 APIs en la nube. Para cargas de trabajo de producción estables, se recomiendan tanto YOLO26 como YOLO11.

Explora la documentación de Ultralytics, un recurso integral diseñado para ayudarte a comprender y utilizar sus funciones y capacidades. Tanto si eres un profesional experimentado en machine learning como si eres nuevo en el campo, este centro tiene como objetivo maximizar el potencial de YOLO en tus proyectos.

Solicita una Licencia Enterprise para uso comercial en Ultralytics Licensing.

Por dónde empezar

YOLO: Una breve historia

YOLO (You Only Look Once), un popular modelo de object detection y image segmentation, fue desarrollado por Joseph Redmon y Ali Farhadi en la Universidad de Washington. Lanzado en 2015, YOLO ganó popularidad por su alta velocidad y precisión.

• YOLOv2, lanzado en 2016, mejoró el modelo original al incorporar normalización por lotes, cajas de anclaje y agrupaciones de dimensiones.
• YOLOv3, lanzado en 2018, mejoró aún más el rendimiento del modelo mediante una red troncal más eficiente, múltiples anclajes y agrupación de pirámide espacial.
• YOLOv4 se lanzó en 2020, introduciendo innovaciones como la data augmentation Mosaic, una nueva cabecera de detección sin anclajes y una nueva loss function.
• YOLOv5 mejoró aún más el rendimiento del modelo y añadió nuevas funciones como la optimización de hiperparámetros, el seguimiento de experimentos integrado y la exportación automática a formatos de exportación populares.
• YOLOv6 fue liberado como código abierto por Meituan en 2022 y se utiliza en muchos de los robots de entrega autónomos de la empresa.
• YOLOv7 añadió tareas adicionales como la estimación de poses en el conjunto de datos de puntos clave de COCO.
• YOLOv8, lanzado en 2023 por Ultralytics, introdujo nuevas funciones y mejoras para lograr un mayor rendimiento, flexibilidad y eficiencia, soportando una gama completa de tareas de visión por IA.
• YOLOv9 introduce métodos innovadores como Programmable Gradient Information (PGI) y la red Generalized Efficient Layer Aggregation Network (GELAN).
• YOLOv10 created by researchers from Tsinghua University using the Ultralytics Python package, provides real-time object detection advancements by introducing an End-to-End head that eliminates Non-Maximum Suppression (NMS) requirements.
• YOLO11: Lanzado en septiembre de 2024, YOLO11 ofrece un rendimiento excelente en múltiples tareas, incluyendo object detection, segmentation, pose estimation, tracking y classification, permitiendo su despliegue en diversas aplicaciones y dominios de IA.
• YOLO26 🚀: El modelo YOLO de próxima generación de Ultralytics, optimizado para el despliegue en el borde con inferencia de extremo a extremo sin NMS.

Licencias 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, promoviendo la colaboración abierta y el intercambio de conocimientos. Consulta el archivo LICENSE para obtener 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 de producción, evitando los requisitos de código abierto de AGPL-3.0. Para empezar, contáctanos a través de Ultralytics Licensing.

Nuestra estrategia de licenciamiento 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 garantizar que nuestras contribuciones puedan ser utilizadas y expandidas de formas que beneficien a todos.

La evolución de la detección de objetos

La detección de objetos ha evolucionado significativamente a lo largo de los años, desde las técnicas tradicionales de computer vision hasta los modelos avanzados de deep learning. La familia de modelos YOLO ha estado a la vanguardia de esta evolución, ampliando constantemente los límites de lo que es posible en la detección de objetos en tiempo real.

El enfoque único de YOLO trata la detección de objetos como un problema de regresión único, prediciendo bounding boxes y probabilidades de clase directamente a partir de imágenes completas en una sola evaluación. Este método revolucionario ha hecho que los modelos YOLO sean significativamente más rápidos que los detectores de dos etapas anteriores, manteniendo al mismo tiempo una alta precisión.

Con cada nueva versión, YOLO ha introducido mejoras arquitectónicas y técnicas innovadoras que han mejorado el rendimiento en varias métricas. YOLO26 continúa esta tradición incorporando los últimos avances en la investigación de computer vision, con inferencia de extremo a extremo sin NMS y despliegue optimizado en el borde para aplicaciones del mundo real.

Preguntas frecuentes

¿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 la inferencia de extremo a extremo sin NMS y el despliegue optimizado en el borde. YOLO soporta diversas 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, incluyendo dispositivos de borde y APIs en la nube.

¿Cómo puedo empezar con la instalación y configuración de YOLO?

Empezar con YOLO es rápido y sencillo. Puedes instalar el paquete Ultralytics usando pip y empezar a trabajar en cuestión de minutos. Aquí tienes un comando de instalación básico:

pip install -U ultralytics

Para obtener una guía paso a paso completa, visita nuestra página de Inicio rápido. Este recurso te ayudará con las instrucciones de instalación, la configuración inicial y la ejecución de tu primer modelo.

¿Cómo puedo entrenar un modelo YOLO personalizado en mi conjunto de datos?

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

1. Prepara tu conjunto de datos anotado.
2. Configura los parámetros de entrenamiento en un archivo YAML.
3. Utiliza el comando yolo TASK train para iniciar el entrenamiento. (Cada TASK tiene sus propios argumentos)

Aquí tienes un ejemplo de código para la tarea de detección de objetos:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Para una explicación detallada, echa un vistazo a nuestra guía Entrenar un modelo, que incluye ejemplos y consejos para optimizar tu proceso de entrenamiento.

¿Qué opciones de licencia están 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 y despliegues de producción, evitando los requisitos de código abierto de AGPL-3.0.

Para obtener más detalles, visita nuestra página de Licenciamiento.

¿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. Para utilizar las capacidades de seguimiento, puedes usar el comando yolo track, como se muestra a continuación:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

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.