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 pose, los cuadros delimitadores orientados y el seguimiento, disponible mediante un único paquete de Python y CLI. YOLO26 se basa en los avances del aprendizaje profundo y la visión artificial, e incorpora inferencia opcional de extremo a extremo sin NMS y una implementación optimizada en dispositivos edge. Su diseño simplificado lo hace adecuado para diversas aplicaciones y fácil de adaptar a distintas plataformas de hardware, desde dispositivos edge hasta API en la nube. Para cargas de trabajo estables en producción, 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 Ultralytics Platform, 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 de la arquitectura, resultados preliminares de las pruebas comparativas y ejemplos de uso tras el lanzamiento. Los modelos están en la fase final de I&D y se prevé su lanzamiento a finales de este año; todavía no están disponibles y no hay una fecha de lanzamiento fijada.
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; en la primera ejecución, runs/detect/predict.
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 usando TrackTrack (predeterminado), 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 seguimiento de entrenamientos, sin necesidad de entrenar
Exporta los modelos entrenados a ONNX, TensorRT u OpenVINO para acelerar la inferencia 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 en cada nueva versión
La familia de modelos más reciente de Ultralytics ofrece inferencia opcional de extremo a extremo sin NMS y un equilibrio entre precisión y latencia mejorado respecto a YOLO11
Cómo se organiza esta documentación#
La mayoría de los comandos yolo del flujo de trabajo de modelos siguen una misma sintaxis, yolo [TASK] MODE ARGS, donde Task es opcional. Esta documentación se organiza en torno a esas mismas tres partes, además de un acceso directo:
- Task responde a qué quieres obtener de una imagen: detección, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación, estimación de pose o cuadros orientados.
- Mode responde a cómo usas un modelo: entrenar, validar, predecir, exportar, seguir o comparar.
- Args configura el comando, desde qué modelo ejecutar con
model=hasta hiperparámetros comoepochsyimgsz. - Solutions es el acceso directo: una aplicación terminada, como un sistema para contar objetos o una alarma de seguridad, que omite por completo Task y Mode.
Todo lo demás complementa esa sintaxis: Models enumera todas las arquitecturas que puedes pasar a model= —YOLO26, YOLO11, SAM 3, RT-DETR y otras—; Datasets indica con qué datos se entrena cada Task; Guides reúne tutoriales detallados sobre implementación en hardware, ajuste de hiperparámetros, conversión de conjuntos de datos y recorridos completos por proyectos; Integrations conecta el flujo de trabajo con las herramientas de entrenamiento e implementación que ya usas; y la sección Reference documenta todas las clases y funciones de la API de Python.
Además del paquete de Python, hay otras dos opciones que funcionan con los mismos modelos: Ultralytics Platform, para la anotación, el entrenamiento y la implementación en la nube, y Ultralytics Inference, una biblioteca independiente de Rust y 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 entusiastas, 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 tener que cumplir los requisitos 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 todas 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 (Solo se mira una vez), destinada a la detección de objetos y la segmentación de imágenes en tiempo real. El modelo más reciente, YOLO26, amplía las versiones anteriores con inferencia opcional de extremo a extremo 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 pose y los cuadros delimitadores orientados, y puede seguir objetos detectados a lo largo de los fotogramas de un vídeo. Su arquitectura eficiente ofrece una velocidad y una precisión excelentes, por lo que resulta adecuada para diversas aplicaciones, incluidos los dispositivos edge y las API en la nube.
Empezar a usar YOLO es rápido y sencillo. Instala el paquete de Ultralytics desde pip con
pip install ultralyticsy, a continuación, ejecuta tu primera predicción conyolo predict model=yolo26n.pt; los pesos del modelo se descargarán 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 implica varios 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. - Empieza 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 un tutorial detallado, 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 tener que cumplir los requisitos de código abierto de AGPL-3.0.
Para obtener más información, visita nuestra página de Licencias.
Ultralytics YOLO admite el seguimiento eficiente y personalizable de múltiples objetos. 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 la señal de una webcam. Para obtener una guía detallada sobre cómo configurar y ejecutar el seguimiento de objetos, consulta nuestra documentación sobre el modo de seguimiento, donde se explican la configuración y las aplicaciones prácticas en situaciones de tiempo real.
