Tutoriales completos para Ultralytics YOLO#

Bienvenido a las guías de YOLO de Ultralytics. Nuestros tutoriales completos cubren varios aspectos del modelo YOLO object detection, desde el entrenamiento y la predicción hasta el despliegue. Desarrollado sobre PyTorch, YOLO destaca por su excepcional velocidad y accuracy en tareas de detección de objetos en tiempo real.

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

Guías#

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

Empieza y planifica#

• Conda Quickstart: Guía paso a paso para configurar un entorno Conda para Ultralytics. Aprende a instalar y empezar a usar el paquete de Ultralytics de forma eficiente con Conda.
• Docker Quickstart: Guía completa para configurar y utilizar los modelos de Ultralytics YOLO con Docker. Aprende a instalar Docker, gestionar el soporte para GPU y ejecutar modelos YOLO en contenedores aislados para lograr un desarrollo y despliegue consistentes.
• AzureML Quickstart: Pon en marcha los modelos de Ultralytics YOLO en la plataforma de Machine Learning de Microsoft Azure. Aprende a entrenar, desplegar y escalar tus proyectos de detección de objetos en la nube.
• Modal Quickstart: Ejecuta Ultralytics YOLO26 en la plataforma en la nube sin servidor de Modal, abarcando la autenticación, la inferencia en GPU y las tareas de entrenamiento con almacenamiento persistente — sin infraestructura que gestionar.
• Defining A Computer Vision Project's Goals: Descubre cómo definir de forma eficaz objetivos claros y medibles para tu proyecto de visión por computador. Aprende la importancia de un planteamiento del problema bien definido y cómo este crea una hoja de ruta para tu proyecto.
• Steps of a Computer Vision Project: Conoce los pasos clave que intervienen en un proyecto de visión por computador, incluyendo la definición de objetivos, la selección de modelos, la preparación de datos y la evaluación de resultados.
• YOLO Architecture Explained: Rastrea cómo evolucionó la arquitectura de YOLO desde YOLOv3 hasta YOLO26 a través del esqueleto, el cuello y la cabecera de detección, cubriendo C2f, C3k2, la atención C2PSA, y el diseño sin anclajes ni NMS.

Prepara tus datos#

• Data Collection and Annotation: 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 por computador.
• Preprocessing Annotated Data: Aprende el preprocesamiento de datos para visión por computador con YOLO26, incluyendo el redimensionamiento de imágenes, la normalización, la división de conjuntos de datos, la aumentación de datos y el análisis exploratorio de datos (EDA).
• YOLO Data Augmentation: Domina la gama completa de técnicas de aumentación de datos en YOLO, desde transformaciones básicas hasta estrategias avanzadas para mejorar la robustez y el rendimiento del modelo.
• COCO to YOLO Conversion: Guía completa para convertir anotaciones JSON de COCO al formato de YOLO para el entrenamiento. Abarca detección, segmentación y puntos clave, incluyendo el mapeo de ID de clases y errores comunes de conversión.
• COCO JSON Training: Entrena YOLO directamente con anotaciones JSON de COCO sin necesidad de convertirlas al formato de YOLO, utilizando una clase de conjunto de datos y un entrenador personalizados.

Entrena y ajusta#

• Tips for Model Training: Explora consejos sobre cómo optimizar los batch sizes, utilizar mixed precision, aplicar pesos preentrenados y mucho más para que entrenar tu modelo de visión por computador sea pan comido.
• Fine-Tuning YOLO on Custom Data: Guía completa para afinar (fine-tuning) YOLO26 en conjuntos de datos personalizados con pesos preentrenados, abarcando el aprendizaje por transferencia, la congelación de capas, la selección de optimizadores, el entrenamiento en dos fases y la resolución de problemas.
• YOLO26 Training Recipe: Documentación completa de los hiperparámetros, las canalizaciones de aumentación y la configuración del optimizador utilizados para entrenar los puntos de control base oficiales de YOLO26 en COCO, con orientación práctica para el ajuste fino.
• Hyperparameter Tuning: Descubre cómo optimizar tus modelos YOLO ajustando los hiperparámetros mediante la clase Tuner y algoritmos de evolución genética.
• Knowledge Distillation: Aprende a mejorar el rendimiento del modelo transfiriendo conocimiento de un modelo profesor más grande a un modelo alumno más pequeño utilizando la destilación basada en características.
• K-Fold Cross Validation: Aprende a mejorar la generalización del modelo utilizando la técnica de validación cruzada K-Fold.
• Customizing Trainer: Aprende a heredar del entrenador de YOLO para registrar métricas personalizadas, añadir pérdida ponderada por clases, personalizar el guardado del modelo, congelar o descongelar el esqueleto y configurar tasas de aprendizaje por capa.
• Model YAML Configuration Guide: Una inmersión profunda y completa en las definiciones de la arquitectura de modelos de Ultralytics. Explora el formato YAML, comprende el sistema de resolución de módulos y aprende a integrar módulos personalizados sin problemas.

Evalúa y soluciona problemas#

• YOLO Performance Metrics ⭐ ESENCIAL: Comprende las métricas clave como mAP, IoU y F1 score utilizadas para evaluar el rendimiento de tus modelos YOLO. Incluye ejemplos prácticos y consejos sobre cómo mejorar la precisión y la velocidad de detección.
• Insights on Model Evaluation and Fine-Tuning: Evalúa los modelos de visión por computador con métricas como mAP y IoU, y luego afina los parámetros de entrenamiento como el calentamiento de la tasa de aprendizaje (learning-rate warmup) para mejorar la precisión de detección.
• Model Testing: Aprende a probar modelos de visión por computador con datos no vistos, validar modelos YOLO26 y detectar el sobreajuste (overfitting), el subajuste (underfitting) y las fugas de datos antes del despliegue.
• YOLO Common Issues ⭐ RECOMENDADO: Soluciones prácticas y consejos de resolución de problemas para los inconvenientes más frecuentes al trabajar con modelos YOLO de Ultralytics.
• Maintaining Your Computer Vision Model: Comprende las prácticas clave para supervisar, mantener y documentar modelos de visión por computador con el fin de garantizar la precisión, detectar anomalías y mitigar la deriva de datos (data drift).

Despliega y sirve#

• Model Deployment Options: Descripción general de los formatos de model deployment de YOLO como ONNX, OpenVINO y TensorRT, con los pros y los contras de cada uno para fundamentar tu estrategia de despliegue.
• Best Practices for Model Deployment: Explora consejos y mejores prácticas para desplegar eficientemente modelos en proyectos de visión por computador, centrándote en la optimización, la resolución de problemas y la seguridad.
• Export Non-YOLO Models: 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.
• End-to-End Detection: Comprende 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 anteriores.
• Triton Inference Server Integration: Sumérgete en la integración de Ultralytics YOLO26 con Triton Inference Server de NVIDIA para despliegues de inferencia de deep learning escalables y eficientes.
• YOLO Thread-Safe Inference: Pautas para realizar inferencias con modelos YOLO de forma segura para hilos (thread-safe). Aprende la importancia de la seguridad de hilos y las mejores prácticas para prevenir condiciones de carrera y garantizar predicciones consistentes.
• ROS Quickstart: Aprende a integrar YOLO con el Sistema Operativo para Robots (ROS) para la detección de objetos en tiempo real en aplicaciones de robótica, incluyendo imágenes de nube de puntos (Point Cloud) y profundidad (Depth).
• Vertex AI Deployment with Docker: Guía optimizada para contenerizar modelos YOLO con Docker y desplegarlos en Google Cloud Vertex AI, abarcando la compilación, el envío (push), el autoescalado y la monitorización.

Optimiza la inferencia#

• SAHI Tiled Inference: Guía completa sobre cómo aprovechar las capacidades de inferencia dividida (sliced inference) de SAHI con YOLO26 para la detección de objetos en imágenes de alta resolución.
• OpenVINO Latency vs Throughput Modes: Aprende técnicas de optimización de latencia y rendimiento (throughput) para lograr un rendimiento de inferencia de YOLO máximo.
• NVIDIA DALI GPU Preprocessing: Elimina los cuellos de botella de preprocesamiento de la CPU ejecutando el redimensionamiento letterbox, el acolchado (padding) y la normalización de YOLO en la GPU utilizando NVIDIA DALI, con integración en Triton Inference Server.
• Isolating Segmentation Objects: Receta paso a paso y explicación sobre cómo extraer y/o aislar objetos de imágenes utilizando la segmentación de Ultralytics.
• View Inference Images in a Terminal: Utiliza el terminal integrado de VSCode para ver los resultados de la inferencia al usar sesiones de túnel remoto (Remote Tunnel) o SSH.

Hardware de borde y embebido#

• 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 más reciente de Raspberry Pi.
• DeepStream on NVIDIA Jetson: Guía de inicio rápido para desplegar modelos YOLO en dispositivos NVIDIA Jetson utilizando DeepStream y TensorRT.
• Edge TPU on 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 on Intel: Guía de inicio rápido para desplegar modelos YOLO26 en dispositivos Intel Core Ultra Series 3 utilizando DL Streamer y OpenVINO™.

Contribuye a nuestras guías#

¡Agradecemos las contribuciones de la comunidad! Si has dominado un aspecto concreto de Ultralytics YOLO que aún no se cubre en nuestras guías, te animamos a compartir tu experiencia. Escribir una guía es una excelente manera de devolver algo a la comunidad y ayudarnos a hacer que nuestra documentación sea más completa y fácil de usar.

Para empezar, lee nuestra Contributing Guide para conocer las pautas sobre cómo abrir una Solicitud de Extracción (Pull Request o PR). Al añadir una guía nueva, colócala en la categoría anterior que coincida con su etapa en el proyecto y limítala a un único tipo de página —un tutorial paso a paso, una guía práctica enfocada en una tarea o una referencia— para que la colección siga siendo fácil de explorar a medida que crezca. Esperamos tus contribuciones.

FAQ#