Tutoriales integrales para Ultralytics YOLO

Bienvenido a las guías de YOLO de Ultralytics. Nuestros tutoriales integrales cubren varios aspectos del modelo de detección de objetos YOLO, desde el entrenamiento y la predicción hasta la implementación. Construido sobre PyTorch, YOLO destaca por su velocidad excepcional y precisión en tareas de detección de objetos en tiempo real.

Tanto si eres principiante como experto en deep learning, nuestros tutoriales ofrecen información valiosa sobre la implementación y optimización de YOLO para tus proyectos de visión artificial.

Guías

Aquí tienes una recopilación de guías detalladas para ayudarte a dominar diferentes aspectos de Ultralytics YOLO.

• Una guía sobre pruebas de modelos: Una guía exhaustiva sobre cómo probar tus modelos de visión artificial en entornos realistas. Aprende a verificar la precisión, fiabilidad y rendimiento de acuerdo con los objetivos del proyecto.
• Inicio rápido de AzureML: Empieza a trabajar con los modelos de Ultralytics YOLO en la plataforma de Machine Learning de Microsoft Azure. Aprende a entrenar, implementar y escalar tus proyectos de detección de objetos en la nube.
• Buenas prácticas para la implementación de modelos: Repasa consejos y mejores prácticas para implementar modelos de manera eficiente en proyectos de visión artificial, con un enfoque en optimización, resolución de problemas y seguridad.
• Conversión de COCO a YOLO: Guía completa para convertir anotaciones JSON de COCO al formato YOLO para el entrenamiento. Cubre detección, segmentación y puntos clave con consejos específicos para herramientas como CVAT, Label Studio y Roboflow.
• Entrenamiento con JSON de COCO: Entrena YOLO directamente con anotaciones JSON de COCO sin convertir al formato YOLO, utilizando una clase de conjunto de datos y un entrenador personalizados.
• Inicio rápido de Conda: Guía paso a paso para configurar un entorno de Conda para Ultralytics. Aprende a instalar y empezar a utilizar el paquete Ultralytics de forma eficiente con Conda.
• Personalización del entrenador: Aprende a crear subclases del entrenador YOLO para registrar métricas personalizadas, añadir pérdida ponderada por clases, personalizar el guardado del modelo, congelar/descongelar el backbone y establecer tasas de aprendizaje por capa.
• Recopilación y anotación de datos: Explora las herramientas, técnicas y mejores prácticas para recopilar y anotar datos con el fin de crear entradas de alta calidad para tus modelos de visión artificial.
• DeepStream en NVIDIA Jetson: Guía de inicio rápido para implementar modelos YOLO en dispositivos NVIDIA Jetson usando DeepStream y TensorRT.
• Definición de los objetivos de un proyecto de visión artificial: Descubre cómo definir de forma efectiva objetivos claros y medibles para tu proyecto de visión artificial. Aprende la importancia de un enunciado del problema bien definido y cómo crea una hoja de ruta para tu proyecto.
• Inicio rápido de Docker: Guía completa para configurar y utilizar modelos de Ultralytics YOLO con Docker. Aprende a instalar Docker, gestionar el soporte para GPU y ejecutar modelos YOLO en contenedores aislados para un desarrollo e implementación consistentes.
• Edge TPU en Raspberry Pi: Google Edge TPU acelera la inferencia de YOLO en Raspberry Pi.
• Detección de extremo a extremo: Entiende la detección de extremo a extremo sin NMS de YOLO26, la compatibilidad de exportación, los cambios en el formato de salida y cómo migrar desde modelos YOLO más antiguos.
• Exportación de modelos no YOLO: Utiliza las utilidades de exportación independientes de Ultralytics para convertir cualquier torch.nn.Module (timm, torchvision, personalizado) a ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch y TensorFlow SavedModel.
• Ajuste fino de YOLO en datos personalizados: Guía completa para el ajuste fino de YOLO26 en conjuntos de datos personalizados con pesos preentrenados, cubriendo aprendizaje por transferencia, congelación de capas, selección de optimizador, entrenamiento en dos etapas y resolución de problemas.
• Ajuste de hiperparámetros: Descubre cómo optimizar tus modelos YOLO ajustando hiperparámetros mediante la clase Tuner y algoritmos de evolución genética.
• Perspectivas sobre evaluación y ajuste fino de modelos: Obtén información sobre las estrategias y mejores prácticas para evaluar y ajustar tus modelos de visión artificial. Aprende sobre el proceso iterativo de perfeccionar modelos para lograr resultados óptimos.
• Aislamiento de objetos de segmentación: Receta paso a paso y explicación sobre cómo extraer y/o aislar objetos de imágenes usando la segmentación de Ultralytics.
• Validación cruzada K-Fold: Aprende a mejorar la generalización del modelo utilizando la técnica de validación cruzada K-Fold.
• Mantenimiento de tu modelo de visión artificial: Entiende las prácticas clave para monitorear, mantener y documentar modelos de visión artificial para garantizar la precisión, detectar anomalías y mitigar el sesgo de datos.
• Opciones de implementación de modelos: Resumen de los formatos de implementación de modelos de YOLO como ONNX, OpenVINO y TensorRT, con los pros y contras de cada uno para fundamentar tu estrategia de implementación.
• Guía de configuración YAML del modelo: Un análisis exhaustivo de las definiciones de arquitectura de modelos de Ultralytics. Explora el formato YAML, comprende el sistema de resolución de módulos y aprende a integrar módulos personalizados sin problemas.
• Preprocesamiento de GPU con NVIDIA DALI: Elimina los cuellos de botella de preprocesamiento de la CPU ejecutando el redimensionamiento, relleno y normalización (letterbox) de YOLO en la GPU utilizando NVIDIA DALI, con integración en Triton Inference Server.
• NVIDIA DGX Spark: Guía de inicio rápido para implementar modelos YOLO en dispositivos NVIDIA DGX Spark.
• NVIDIA Jetson: Guía de inicio rápido para implementar modelos YOLO en dispositivos NVIDIA Jetson.
• Modos de latencia frente a rendimiento en OpenVINO: Aprende técnicas de optimización de latencia y rendimiento para obtener el máximo rendimiento de inferencia de YOLO.
• Preprocesamiento de datos anotados: Aprende sobre el preprocesamiento y aumento de datos de imagen en proyectos de visión artificial utilizando YOLO26, incluyendo normalización, aumento de conjunto de datos, división y análisis exploratorio de datos (EDA).
• Raspberry Pi: Tutorial de inicio rápido para ejecutar modelos YOLO en el hardware más reciente de Raspberry Pi.
• Inicio rápido de ROS: Aprende a integrar YOLO con el Robot Operating System (ROS) para la detección de objetos en tiempo real en aplicaciones de robótica, incluyendo imágenes de nube de puntos y profundidad.
• Inferencia por mosaicos SAHI: Guía completa sobre cómo aprovechar las capacidades de inferencia segmentada de SAHI con YOLO26 para la detección de objetos en imágenes de alta resolución.
• Pasos de un proyecto de visión artificial: Aprende sobre los pasos clave involucrados en un proyecto de visión artificial, incluyendo la definición de objetivos, la selección de modelos, la preparación de datos y la evaluación de resultados.
• Consejos para el entrenamiento de modelos: Explora consejos sobre cómo optimizar tamaños de lote, usar precisión mixta, aplicar pesos preentrenados y más para hacer que el entrenamiento de tu modelo de visión artificial sea pan comido.
• Integración con Triton Inference Server: Sumérgete en la integración de Ultralytics YOLO26 con Triton Inference Server de NVIDIA para implementaciones de inferencia de deep learning escalables y eficientes.
• Implementación en Vertex AI con Docker: Guía simplificada para contenerizar modelos YOLO con Docker e implementarlos en Google Cloud Vertex AI, cubriendo construcción, envío, escalado automático y monitoreo.
• Ver imágenes de inferencia en una terminal: Utiliza la terminal integrada de VSCode para ver los resultados de la inferencia cuando utilices sesiones de Remote Tunnel o SSH.
• Receta de entrenamiento de YOLO26: Documentación completa de los hiperparámetros, canales de aumento y configuraciones del optimizador utilizados para entrenar los puntos de control base oficiales de YOLO26 en COCO, con orientación práctica sobre el ajuste fino.
• Problemas comunes de YOLO ⭐ RECOMENDADO: Soluciones prácticas y consejos de resolución de problemas para las incidencias encontradas con más frecuencia al trabajar con los modelos de Ultralytics YOLO.
• Aumento de datos YOLO: Domina la gama completa de técnicas de aumento de datos en YOLO, desde transformaciones básicas hasta estrategias avanzadas para mejorar la robustez y el rendimiento del modelo.
• Métricas de rendimiento de YOLO ⭐ ESENCIAL: Entiende las métricas clave como mAP, IoU y puntuación F1 utilizadas para evaluar el rendimiento de tus modelos YOLO. Incluye ejemplos prácticos y consejos sobre cómo mejorar la precisión y velocidad de detección.
• Inferencia segura para hilos en YOLO: Pautas para realizar inferencias con modelos YOLO de forma segura para hilos. Aprende la importancia de la seguridad de hilos y las mejores prácticas para evitar condiciones de carrera y garantizar predicciones consistentes.

Contribuye a nuestras guías

¡Damos la bienvenida a las contribuciones de la comunidad! Si has dominado un aspecto particular de Ultralytics YOLO que aún no está cubierto en nuestras guías, te animamos a compartir tu experiencia. Escribir una guía es una excelente manera de retribuir a la comunidad y ayudarnos a hacer que nuestra documentación sea más completa y fácil de usar.

Para empezar, por favor lee nuestra Guía de contribución para conocer las pautas sobre cómo abrir una Pull Request (PR). Esperamos tus contribuciones.

Preguntas frecuentes

¿Cómo entreno un modelo personalizado de detección de objetos usando Ultralytics YOLO?

Entrenar un modelo personalizado de detección de objetos con Ultralytics YOLO es sencillo. Empieza preparando tu conjunto de datos en el formato correcto e instalando el paquete Ultralytics. Utiliza el siguiente código para iniciar el entrenamiento:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

Para obtener información detallada sobre el formato del conjunto de datos y opciones adicionales, consulta nuestra guía de Consejos para el entrenamiento de modelos.

¿Qué métricas de rendimiento debo usar para evaluar mi modelo YOLO?

Evaluar el rendimiento de tu modelo YOLO es crucial para entender su eficacia. Las métricas clave incluyen Mean Average Precision (mAP), Intersection over Union (IoU) y la puntuación F1. Estas métricas ayudan a evaluar la precisión y precisión de las tareas de detección de objetos. Puedes aprender más sobre estas métricas y cómo mejorar tu modelo en nuestra guía de Métricas de rendimiento de YOLO.

¿Por qué debería usar la plataforma de Ultralytics para mis proyectos de visión artificial?

La plataforma de Ultralytics es una plataforma sin código que simplifica la gestión, el entrenamiento y la implementación de modelos YOLO. Admite una integración perfecta, seguimiento en tiempo real y entrenamiento en la nube, lo que la hace ideal tanto para principiantes como para profesionales. Descubre más sobre sus características y cómo puede agilizar tu flujo de trabajo con nuestra guía de inicio rápido de Ultralytics Platform.

¿Cuáles son los problemas comunes durante el entrenamiento de modelos YOLO y cómo puedo resolverlos?

Los problemas comunes durante el entrenamiento de modelos YOLO incluyen errores de formato de datos, desajustes de la arquitectura del modelo y datos de entrenamiento insuficientes. Para solucionarlos, asegúrate de que tu conjunto de datos esté formateado correctamente, verifica si hay versiones de modelo compatibles y aumenta tus datos de entrenamiento. Para obtener una lista completa de soluciones, consulta nuestra guía de Problemas comunes de YOLO.

¿Cómo puedo implementar mi modelo YOLO para la detección de objetos en tiempo real en dispositivos periféricos?

La implementación de modelos YOLO en dispositivos periféricos como NVIDIA Jetson y Raspberry Pi requiere convertir el modelo a un formato compatible como TensorRT o TFLite. Sigue nuestras guías paso a paso para implementaciones en NVIDIA Jetson y Raspberry Pi para empezar con la detección de objetos en tiempo real en hardware periférico. Estas guías te guiarán a través de la instalación, configuración y optimización del rendimiento.