Ultralytics YOLO27:
Get Started

Tutoriales completos de Ultralytics YOLO#

Te damos la bienvenida a las guías de YOLO de Ultralytics. Nuestros completos tutoriales abarcan distintos aspectos del modelo de detección de objetos YOLO, desde el entrenamiento y la predicción hasta el despliegue. Basado en PyTorch, YOLO destaca por su excepcional velocidad y precisión en tareas de detección de objetos en tiempo real.

Tanto si estás empezando como si eres experto en aprendizaje profundo, nuestros tutoriales ofrecen información valiosa sobre la implementación y optimización de YOLO para tus proyectos de visión artificial.



Ver: Descripción general de las guías de Ultralytics YOLO26

Guías#

Las guías se agrupan por fase del proyecto —desde la configuración del entorno y la preparación de datos hasta el entrenamiento, la evaluación, el despliegue, la optimización de la inferencia y el hardware edge— para que puedas ir directamente al paso en el que estás trabajando.

Empieza y planifica#

  • Inicio rápido con Conda: guía paso a paso para configurar un entorno Conda para Ultralytics. Aprende a instalar y empezar a usar el paquete Ultralytics de forma eficiente con Conda.
  • Inicio rápido con Docker: guía completa para configurar y usar modelos Ultralytics YOLO con Docker. Aprende a instalar Docker, gestionar la compatibilidad con GPU y ejecutar modelos YOLO en contenedores aislados para lograr un desarrollo y despliegue coherentes.
  • Inicio rápido con AzureML: empieza a usar modelos Ultralytics YOLO en la plataforma de aprendizaje automático Azure de Microsoft. Aprende a entrenar, desplegar y escalar tus proyectos de detección de objetos en la nube.
  • Inicio rápido con Modal: ejecuta Ultralytics YOLO26 en la plataforma de nube sin servidor de Modal. Incluye autenticación, inferencia con GPU y trabajos de entrenamiento con almacenamiento persistente, sin tener que gestionar infraestructura.
  • Definición de los objetivos de un proyecto de visión artificial: descubre cómo definir objetivos claros y medibles para tu proyecto de visión artificial de forma eficaz. Aprende por qué es importante definir bien el problema y cómo hacerlo crea una hoja de ruta para tu proyecto.
  • Fases de un proyecto de visión artificial: descubre las fases clave de un proyecto de visión artificial, como definir objetivos, seleccionar modelos, preparar datos y evaluar resultados.
  • Explicación de la arquitectura YOLO: sigue la evolución de la arquitectura YOLO desde YOLOv3 hasta YOLO26 a través del backbone, el neck y la cabeza de detección; abarca C2f, C3k2, la atención C2PSA y los diseños sin anchors y sin NMS.

Prepara tus datos#

  • Recopilación y anotación de datos: descubre las herramientas, técnicas y prácticas recomendadas para recopilar y anotar datos con los que crear entradas de alta calidad para tus modelos de visión artificial.
  • Preprocesamiento de datos anotados: aprende a preprocesar datos para visión artificial con YOLO26, incluido el cambio de tamaño de imágenes, la normalización, la división de conjuntos de datos, el aumento de datos y el análisis exploratorio de datos (EDA).
  • Aumento de datos en YOLO: domina toda la variedad de técnicas de aumento de datos en YOLO, desde las transformaciones básicas hasta estrategias avanzadas para mejorar la robustez y el rendimiento de los modelos.
  • Conversión de COCO a YOLO: guía completa para convertir anotaciones JSON de COCO al formato YOLO para el entrenamiento. Abarca detección, segmentación y puntos clave, incluida la asignación de ID de clase y los errores habituales de conversión.
  • Entrenamiento con COCO JSON: entrena YOLO directamente con anotaciones COCO JSON sin convertirlas al formato YOLO, usando una clase de conjunto de datos y un entrenador personalizados.

Entrena y ajusta#

  • Consejos para entrenar modelos: descubre consejos para optimizar los tamaños de lote, usar precisión mixta, aplicar pesos preentrenados y mucho más para que entrenar tu modelo de visión artificial sea muy sencillo.
  • Ajuste fino de YOLO con datos personalizados: guía completa para ajustar YOLO26 con conjuntos de datos personalizados y pesos preentrenados. Abarca el aprendizaje por transferencia, la congelación de capas, la selección del optimizador, el entrenamiento en dos fases y la resolución de problemas.
  • Receta de entrenamiento de YOLO26: documentación completa de los hiperparámetros, las secuencias de aumento de datos y los ajustes del optimizador usados para entrenar los puntos de control base oficiales de YOLO26 en COCO, con recomendaciones prácticas para el ajuste fino.
  • Ajuste de hiperparámetros: descubre cómo optimizar tus modelos YOLO ajustando los hiperparámetros con la clase Tuner y algoritmos de evolución genética.
  • Destilación de conocimiento: aprende a mejorar el rendimiento de los modelos transfiriendo conocimiento de un modelo profesor más grande a uno alumno más pequeño mediante destilación basada en características.
  • Validación cruzada K-Fold: aprende a mejorar la capacidad de generalización de los modelos mediante la técnica de validación cruzada K-Fold.
  • Personalización del entrenador: aprende a crear una subclase del entrenador de YOLO para registrar métricas personalizadas, añadir una función de pérdida ponderada por clase, personalizar el guardado de modelos, congelar o descongelar el backbone y establecer tasas de aprendizaje por capa.
  • Guía de configuración YAML de modelos: análisis exhaustivo de las definiciones de arquitectura de modelos de Ultralytics. Descubre el formato YAML, comprende el sistema de resolución de módulos y aprende a integrar módulos personalizados sin complicaciones.

Evalúa y resuelve problemas#

  • Métricas de rendimiento de YOLO ⭐ IMPRESCINDIBLE: comprende métricas clave como mAP, IoU y la puntuación F1, que se usan para evaluar el rendimiento de tus modelos YOLO. Incluye ejemplos prácticos y consejos para mejorar la precisión y la velocidad de detección.
  • Análisis de la evaluación y el ajuste fino de modelos: evalúa modelos de visión artificial con métricas como mAP e IoU y, a continuación, actúa según lo que revelen las métricas para mejorar la precisión de detección.
  • Pruebas de modelos: aprende a probar modelos de visión artificial con datos no vistos, validar modelos YOLO26 y detectar el sobreajuste, el infraajuste y las fugas de datos antes del despliegue.
  • Problemas habituales de YOLO ⭐ RECOMENDADO: soluciones prácticas y consejos para resolver los problemas más frecuentes al trabajar con modelos Ultralytics YOLO.
  • Mantenimiento de tu modelo de visión artificial: comprende las prácticas clave para supervisar, mantener y documentar modelos de visión artificial, garantizar la precisión, detectar anomalías y mitigar la deriva de datos.

Despliega y sirve#

  • Opciones de despliegue de modelos: descripción general de los formatos de despliegue de modelos YOLO, como ONNX, OpenVINO y TensorRT, con sus ventajas e inconvenientes para ayudarte a definir tu estrategia de despliegue.
  • Prácticas recomendadas para el despliegue de modelos: descubre consejos y prácticas recomendadas para desplegar modelos de forma eficiente en proyectos de visión artificial, con especial atención a la optimización, la resolución de problemas y la seguridad.
  • Exportación de modelos que no son YOLO: usa las utilidades independientes de exportación de Ultralytics para convertir cualquier torch.nn.Module (timm, torchvision, personalizado) a TorchScript, ONNX, OpenVINO, CoreML, Core AI, TensorFlow SavedModel, PaddlePaddle, MNN, NCNN y ExecuTorch.
  • Detección de extremo a extremo: elige entre inferencia con NMS o sin NMS y comprende los formatos de salida y la compatibilidad de exportación.
  • Integración con Triton Inference Server: descubre en profundidad la integración de Ultralytics YOLO26 con Triton Inference Server de NVIDIA para desplegar inferencias de aprendizaje profundo de forma escalable y eficiente.
  • Inferencia de YOLO segura para subprocesos: directrices para realizar inferencias con modelos YOLO de forma segura para subprocesos. Aprende por qué es importante la seguridad de los subprocesos y cuáles son las prácticas recomendadas para evitar condiciones de carrera y garantizar predicciones coherentes.
  • Inicio rápido con ROS: aprende a integrar YOLO con el sistema operativo para robots (ROS) para detectar objetos en tiempo real en aplicaciones de robótica, incluidas nubes de puntos e imágenes de profundidad.
  • Despliegue en Vertex AI con Docker: guía simplificada para contenerizar modelos YOLO con Docker y desplegarlos en Google Cloud Vertex AI. Abarca la compilación, la publicación, el escalado automático y la supervisión.

Optimiza la inferencia#

Hardware edge e integrado#

  • NVIDIA Jetson: guía de inicio rápido para desplegar modelos YOLO en dispositivos NVIDIA Jetson.
  • Raspberry Pi: tutorial de inicio rápido para ejecutar modelos YOLO en el hardware Raspberry Pi más reciente.
  • DeepStream en NVIDIA Jetson: guía de inicio rápido para desplegar modelos YOLO en dispositivos NVIDIA Jetson mediante DeepStream y TensorRT.
  • Edge TPU en Raspberry Pi: Google Edge TPU acelera la inferencia de YOLO en Raspberry Pi.
  • NVIDIA DGX Spark: guía de inicio rápido para desplegar modelos YOLO en dispositivos NVIDIA DGX Spark.
  • DL Streamer en Intel: guía de inicio rápido para desplegar modelos YOLO26 en dispositivos Intel Core Ultra Series 3 con DL Streamer y OpenVINO™.

Colabora en nuestras guías#

¡Damos la bienvenida a las contribuciones de la comunidad! Si dominas algún aspecto de Ultralytics YOLO que aún no esté cubierto en nuestras guías, te animamos a compartir tus conocimientos. Escribir una guía es una forma estupenda de contribuir a la comunidad y ayudarnos a que nuestra documentación sea más completa y fácil de usar.

Para empezar, lee nuestra Guía de contribución, donde encontrarás las directrices para abrir una solicitud de cambios (PR). Cuando añadas una guía nueva, colócala en la categoría anterior que corresponda a la fase del proyecto y limítala a un solo tipo de página —un tutorial paso a paso, una guía práctica centrada en una tarea o una referencia— para que la colección siga siendo fácil de consultar a medida que crece. Esperamos con interés tus contribuciones.

Preguntas frecuentes#

  • Entrenar un modelo personalizado de detección de objetos con Ultralytics YOLO es sencillo. Empieza por preparar tu conjunto de datos en el formato correcto e instalar el paquete Ultralytics. Usa el siguiente código para iniciar el entrenamiento:

    Ejemplo
    from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Cargar un modelo YOLO preentrenado
model.train(data="path/to/dataset.yaml", epochs=50)  # Entrenar con un conjunto de datos personalizado

    Para obtener información detallada sobre el formato de los conjuntos de datos y otras opciones, consulta nuestra guía Consejos para entrenar modelos.

  • Evaluar el rendimiento de tu modelo YOLO es fundamental para comprender su eficacia. Entre las métricas clave se incluyen la precisión media promedio (mAP), la intersección sobre unión (IoU) y la puntuación F1. Estas métricas ayudan a evaluar la precisión y la precisión de las tareas de detección de objetos. Puedes obtener más información sobre estas métricas y sobre cómo mejorar tu modelo en nuestra guía Métricas de rendimiento de YOLO.

  • Ultralytics Platform es una plataforma sin código que simplifica la gestión, el entrenamiento y el despliegue de modelos YOLO. Ofrece integración fluida, seguimiento en tiempo real y entrenamiento en la nube, por lo que es ideal tanto para principiantes como para profesionales. Descubre más sobre sus funciones y cómo puede agilizar tu flujo de trabajo en nuestra guía de inicio rápido de Ultralytics Platform.

  • Entre los problemas habituales durante el entrenamiento de modelos YOLO se encuentran los errores de formato de datos, las incompatibilidades en la arquitectura del modelo y la falta de datos de entrenamiento. Para solucionarlos, asegúrate de que el conjunto de datos tenga el formato correcto, comprueba que las versiones del modelo sean compatibles y aumenta los datos de entrenamiento. Encontrarás una lista completa de soluciones en nuestra guía Problemas habituales de YOLO.

  • Para desplegar modelos YOLO en dispositivos edge como NVIDIA Jetson y Raspberry Pi, tienes que convertir el modelo a un formato compatible, como TensorRT o LiteRT. Sigue nuestras guías paso a paso para desplegar en NVIDIA Jetson y Raspberry Pi y empieza a detectar objetos en tiempo real en hardware edge. Estas guías te explicarán la instalación, la configuración y la optimización del rendimiento.

Colaboradores
GLglenn-jocher24RAraimbekovm16RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

Comentarios