Seguridad lista para empresas: Conforme con ISO 27001 + SOC 2 Type I.

Link to this sectionTutoriales completos para Ultralytics YOLO#

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

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



Watch: Ultralytics YOLO26 Guides Overview

Link to this sectionGuías#

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.

Link to this sectionEmpieza y planifica#

  • Guía rápida de Conda: Guía paso a paso para configurar un entorno de Conda para Ultralytics. Aprende a instalar y empezar a usar el paquete de Ultralytics de forma eficiente con Conda.
  • Guía rápida de Docker: Guía completa para configurar y usar modelos de Ultralytics YOLO con Docker. Aprende a instalar Docker, gestionar el soporte de GPU y ejecutar modelos YOLO en contenedores aislados para un desarrollo y despliegue consistentes.
  • Guía rápida de AzureML: Empieza a trabajar con 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, cubriendo autenticación, inferencia con GPU y trabajos de entrenamiento con almacenamiento persistente; sin infraestructura que gestionar.
  • Definición de los objetivos de un proyecto de visión artificial: Descubre cómo definir de forma eficaz 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.
  • Pasos de un proyecto de visión artificial: Aprende sobre los pasos clave que intervienen en un proyecto de visión artificial, incluida la definición de objetivos, la selección de modelos, la preparación de datos y la evaluación de resultados.
  • YOLO Architecture Explained: Rastrea cómo la arquitectura YOLO ha evolucionado desde YOLOv3 hasta YOLO26 a través del backbone, el cuello y la cabeza de detección, cubriendo el diseño C2f, C3k2, la atención C2PSA, y los diseños sin anclas (anchor-free) y sin NMS (NMS-free).

Link to this sectionPrepara tus datos#

  • 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.
  • Preprocesamiento de datos anotados: Aprende el preprocesamiento de datos para visión artificial con YOLO26, incluyendo el cambio de tamaño de imágenes, normalización, división de conjuntos de datos, aumento de datos y análisis exploratorio de datos (EDA).
  • Aumento de datos de 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.
  • Conversión de COCO a YOLO: Guía completa para convertir anotaciones JSON de COCO al formato YOLO para el entrenamiento. Cubre la detección, segmentación y puntos clave, incluyendo el mapeo de ID de clase y errores comunes de conversión.
  • Entrenamiento con JSON de COCO: Entrena YOLO directamente con anotaciones JSON de COCO sin convertirlas al formato YOLO, utilizando una clase de conjunto de datos y un entrenador personalizados.

Link to this sectionEntrena y ajusta#

  • Consejos para el entrenamiento de modelos: Explora consejos para optimizar tamaños de lote, utilizar precisión mixta, aplicar pesos preentrenados y mucho más para que entrenar tu modelo de visión artificial sea pan comido.
  • Ajuste fino de YOLO en datos personalizados: Guía completa para el ajuste fino de YOLO26 en conjuntos de datos personalizados con pesos preentrenados, que cubre el aprendizaje por transferencia, la congelación de capas, la selección del optimizador, el entrenamiento en dos etapas y la resolución de problemas.
  • Receta de entrenamiento de YOLO26: Documentación completa de los hiperparámetros, los pipelines de aumento y la configuración del optimizador utilizados para entrenar los puntos de control base oficiales de YOLO26 en COCO, con orientación práctica sobre el ajuste fino.
  • Ajuste de hiperparámetros: 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 estudiante más pequeño mediante la destilación basada en características.
  • Validación cruzada K-Fold: Aprende a mejorar la generalización del modelo utilizando la técnica de validación cruzada K-Fold.
  • Personalización del entrenador: Aprende a crear subclases del entrenador de YOLO para registrar métricas personalizadas, añadir pérdida ponderada por clase, personalizar el guardado del modelo, congelar/descongelar el backbone y establecer tasas de aprendizaje por capa.
  • Guía de configuración YAML del modelo: Un análisis exhaustivo de las definiciones de arquitectura de modelos de Ultralytics. Explora el formato YAML, entiende el sistema de resolución de módulos y aprende a integrar módulos personalizados sin problemas.

Link to this sectionEvalúa y soluciona problemas#

  • 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 la velocidad de detección.
  • Perspectivas sobre la evaluación y el ajuste fino de modelos: Evalúa modelos de visión artificial con métricas como mAP e IoU, y luego ajusta parámetros de entrenamiento como el calentamiento de la tasa de aprendizaje para mejorar la precisión de la detección.
  • Model Testing: Aprende a probar modelos de visión artificial con datos inéditos, valida modelos YOLO26 y detecta el sobreajuste, el subajuste y la fuga de datos antes de la implementación.
  • Problemas comunes de YOLO ⭐ RECOMENDADO: Soluciones prácticas y consejos de resolución de problemas para los errores encontrados con mayor frecuencia al trabajar con modelos de Ultralytics YOLO.
  • Mantenimiento de tu modelo de visión artificial: Entiende las prácticas clave para monitorizar, mantener y documentar modelos de visión artificial para garantizar la precisión, detectar anomalías y mitigar la desviación de los datos.

Link to this sectionDespliega y sirve#

  • Opciones de despliegue de modelos: Visión general de los formatos de despliegue de modelos de YOLO, como ONNX, OpenVINO y TensorRT, con los pros y los contras de cada uno para fundamentar tu estrategia de despliegue.
  • Buenas prácticas para el despliegue de modelos: Repasa consejos y mejores prácticas para desplegar modelos de manera eficiente en proyectos de visión artificial, centrándote en la optimización, la resolución de problemas y la seguridad.
  • Exportar modelos que no son 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.
  • 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.
  • Integración con Triton Inference Server: Sumérgete en la integración de Ultralytics YOLO26 con NVIDIA Triton Inference Server para despliegues de inferencia de aprendizaje profundo escalables y eficientes.
  • Inferencia segura para hilos en YOLO: Directrices para realizar inferencias con modelos YOLO de forma segura para los hilos (thread-safe). Aprende la importancia de la seguridad de hilos y las mejores prácticas para evitar condiciones de carrera y garantizar predicciones consistentes.
  • Guía rápida de ROS: Aprende a integrar YOLO con el sistema operativo de robots (ROS) para la detección de objetos en tiempo real en aplicaciones de robótica, incluyendo 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, cubriendo la construcción, el envío, el escalado automático y la monitorización.

Link to this sectionOptimiza la inferencia#

Link to this sectionHardware de borde y embebido#

Link to this sectionContribuye 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 un Pull Request (PR). Al añadir una guía nueva, colócala en la categoría de arriba que coincida con su fase del proyecto y mantenla en un único tipo de página: un tutorial paso a paso, una guía práctica enfocada en tareas o una referencia, para que la colección siga siendo fácil de navegar a medida que crezca. Esperamos tus contribuciones.

Link to this sectionFAQ#

Link to this section¿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. Usa el siguiente código para iniciar el entrenamiento:

Ejemplo
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 de los conjuntos de datos y opciones adicionales, consulta nuestra guía de Consejos para el entrenamiento de modelos.

Link to this section¿Qué métricas de rendimiento debo utilizar para evaluar mi modelo YOLO?#

Evaluar el rendimiento de tu modelo YOLO es crucial para entender su eficacia. Las métricas clave incluyen Precisión Promedio Media (mAP), Intersección sobre Unión (IoU) y la puntuación F1. Estas métricas ayudan a evaluar la exactitud y la 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.

Link to this section¿Por qué debería utilizar la plataforma Ultralytics para mis proyectos de visión artificial?#

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

Link to this section¿Cuáles son los problemas comunes que surgen durante el entrenamiento de modelos YOLO y cómo puedo resolverlos?#

Los problemas comunes durante el entrenamiento de modelos YOLO incluyen errores en el formato de los datos, desajustes en la arquitectura del modelo y datos de entrenamiento insuficientes. Para solucionarlos, asegúrate de que tu conjunto de datos tenga el formato correcto, comprueba si las versiones del modelo son compatibles y aumenta tus datos de entrenamiento. Para obtener una lista exhaustiva de soluciones, consulta nuestra guía de Problemas comunes de YOLO.

Link to this section¿Cómo puedo desplegar mi modelo YOLO para la detección de objetos en tiempo real en dispositivos periféricos?#

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

Colaboradores
GLglenn-jocher21RAraimbekovm14RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

Comentarios