Tutoriales completos para Ultralytics YOLO

Q: What performance metrics should I use to evaluate my YOLO model?

Evaluar el rendimiento de tu modelo YOLO es crucial para comprender su eficacia. Entre las métricas clave están la Precisión Media Promedio (mAP), la Intersección sobre la Unión (IoU) y la puntuación F1. Estas métricas ayudan a evaluar la exactitud y precisión de las tareas de detección de objetos. Puedes obtener más información sobre estas métricas y sobre cómo mejorar tu modelo en nuestra guía YOLO Métricas de rendimiento.

Q: What are the common issues faced during YOLO model training, and how can I resolve them?

Los problemas más comunes durante el entrenamiento del modelo 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 está formateado correctamente, comprueba si hay versiones compatibles del modelo y aumenta tus datos de entrenamiento. Para obtener una lista completa de soluciones, consulta nuestra guía YOLO Problemas comunes.

Welcome to the Ultralytics' YOLO 🚀 Guides! Our comprehensive tutorials cover various aspects of the YOLO object detection model, ranging from training and prediction to deployment. Built on PyTorch, YOLO stands out for its exceptional speed and accuracy in real-time object detection tasks.

Whether you're a beginner or an expert in deep learning, our tutorials offer valuable insights into the implementation and optimization of YOLO for your computer vision projects. Let's dive in!

Observa: Ultralytics YOLO11 Guides Overview

Guías

Aquí tienes una recopilación de guías detalladas que te ayudarán a dominar diferentes aspectos de Ultralytics YOLO .

YOLO Problemas comunes ⭐ RECOMENDADO: Soluciones prácticas y consejos para solucionar los problemas más frecuentes al trabajar con los modelos Ultralytics YOLO .
YOLO Performance Metrics ⭐ ESSENTIAL: Understand the key metrics like mAP, IoU, and F1 score used to evaluate the performance of your YOLO models. Includes practical examples and tips on how to improve detection accuracy and speed.
Model Deployment Options: Overview of YOLO model deployment formats like ONNX, OpenVINO, and TensorRT, with pros and cons for each to inform your deployment strategy.
Validación cruzada K-Fold 🚀 NUEVO: Aprende a mejorar la generalización de los modelos mediante la técnica de validación cruzada K-Fold.
Ajuste de hiperparámetros 🚀 NUEVO: Descubre cómo optimizar tus modelos YOLO ajustando con precisión los hiperparámetros mediante la clase Afinador y los algoritmos de evolución genética.
SAHI Tiled Inference 🚀 NEW: Comprehensive guide on leveraging SAHI's sliced inference capabilities with YOLO11 for object detection in high-resolution images.
AzureML Quickstart 🚀 NEW: Get up and running with Ultralytics YOLO models on Microsoft's Azure Machine Learning platform. Learn how to train, deploy, and scale your object detection projects in the cloud.
Conda Quickstart 🚀 NUEVO: Guía paso a paso para configurar un entorno Conda para Ultralytics. Aprende a instalar y empezar a utilizar eficazmente el paquete Ultralytics con Conda.
Docker Quickstart 🚀 NUEVO: Guía completa para configurar y utilizar Ultralytics YOLO modelos con Docker. Aprende a instalar Docker, gestionar la compatibilidad con GPU y ejecutar modelos YOLO en contenedores aislados para un desarrollo y despliegue coherentes.
Raspberry Pi 🚀 NUEVO: Tutorial de inicio rápido para ejecutar modelos YOLO en el último hardware Raspberry Pi.
NVIDIA Jetson 🚀 NUEVO: Guía de inicio rápido para desplegar modelos YOLO en dispositivos NVIDIA Jetson.
DeepStream en NVIDIA Jetson 🚀 NUEVO: Guía de inicio rápido para desplegar modelos YOLO en dispositivos NVIDIA Jetson utilizando DeepStream y TensorRT.
Triton Inference Server Integration 🚀 NEW: Dive into the integration of Ultralytics YOLO11 with NVIDIA's Triton Inference Server for scalable and efficient deep learning inference deployments.
YOLO Inferencia a prueba de hilos 🚀 NUEVO: Directrices para realizar la inferencia con modelos YOLO a prueba de hilos. Aprende la importancia de la seguridad de los subprocesos y las mejores prácticas para evitar condiciones de carrera y garantizar predicciones coherentes.
Aislar Obj etos de Segmentación 🚀 NUEVO: Receta y explicación paso a paso sobre cómo extraer y/o aislar objetos de imágenes utilizando Ultralytics Segmentación.
Edge TPU en Raspberry Pi: Google Edge TPU acelera la inferencia YOLO en Raspberry Pi.
Ver Imágenes de Inferencia en un Terminal: Utiliza el terminal integrado de VSCode para ver los resultados de la inferencia cuando utilices Túnel Remoto o sesiones SSH.
OpenVINO Modos de Latencia vs. Rendimiento - Aprende técnicas de optimización de la latencia y el rendimiento para obtener el máximo rendimiento de la inferencia YOLO .
Pasos de un proyecto de visión por ordenador 🚀 NUEVO: Conoce los pasos clave de un proyecto de visión por ordenador, incluyendo la definición de objetivos, la selección de modelos, la preparación de datos y la evaluación de resultados.
Definir los objetivos de un proyecto de visión por ordenador 🚀 NUEVO: Aprende a definir eficazmente objetivos claros y mensurables para tu proyecto de visión por ordenador. Aprende la importancia de un planteamiento del problema bien definido y cómo crea una hoja de ruta para tu proyecto.
Recogida y anotación de datos 🚀 NUEVO: Explora las herramientas, técnicas y mejores prácticas para recoger y anotar datos con el fin de crear entradas de alta calidad para tus modelos de visión por ordenador.
Preprocessing Annotated Data 🚀 NEW: Learn about preprocessing and augmenting image data in computer vision projects using YOLO11, including normalization, dataset augmentation, splitting, and exploratory data analysis (EDA).
Tips for Model Training 🚀 NEW: Explore tips on optimizing batch sizes, using mixed precision, applying pre-trained weights, and more to make training your computer vision model a breeze.
Perspectivas sobre la evaluación y el perfeccionamiento de modelos 🚀 NUEVO: Conoce las estrategias y las mejores prácticas para evaluar y perfeccionar tus modelos de visión por ordenador. Infórmate sobre el proceso iterativo de perfeccionamiento de modelos para lograr resultados óptimos.
Una guía sobre la prueba de modelos 🚀 NUEVO: Una guía exhaustiva sobre la prueba de tus modelos de visión por ordenador en entornos realistas. Aprende a verificar la precisión, la fiabilidad y el rendimiento de acuerdo con los objetivos del proyecto.
Mejores prácticas para la implantación de modelos 🚀 NUEVO: Recorre los consejos y las mejores prácticas para implantar eficazmente modelos en proyectos de visión por ordenador, con especial atención a la optimización, la resolución de problemas y la seguridad.
Mantener tu modelo de visión computerizada 🚀 NUEVO: Comprende las prácticas clave para supervisar, mantener y documentar los modelos de visión computerizada para garantizar la precisión, detectar anomalías y mitigar la desviación de datos.
ROS Quickstart 🚀 NUEVO: Aprende a integrar YOLO con el Sistema Operativo de Robots (ROS) para la detección de objetos en tiempo real en aplicaciones robóticas, incluyendo imágenes de Nube de Puntos y Profundidad.

Contribuye a nuestras guías

¡Agradecemos las aportaciones de la comunidad! Si dominas algún aspecto concreto de Ultralytics YOLO que aún no esté cubierto en nuestras guías, te animamos a que compartas tu experiencia. Escribir una guía es una forma estupenda de devolver algo a la comunidad y ayudarnos a que nuestra documentación sea más completa y fácil de usar.

Para empezar, lee nuestra Guía de Contribución para saber cómo abrir una Pull Request (PR) 🛠️. ¡Esperamos tus contribuciones!

¡Trabajemos juntos para que el ecosistema Ultralytics YOLO sea más robusto y versátil 🙏!

PREGUNTAS FRECUENTES

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

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

Ejemplo

PythonCLI

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50

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

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

Evaluating your YOLO model performance is crucial to understanding its efficacy. Key metrics include Mean Average Precision (mAP), Intersection over Union (IoU), and F1 score. These metrics help assess the accuracy and precision of object detection tasks. You can learn more about these metrics and how to improve your model in our YOLO Performance Metrics guide.

¿Por qué debería utilizar Ultralytics HUB para mis proyectos de visión artificial?

Ultralytics HUB es una plataforma sin código que simplifica la gestión, la formación y el despliegue de los modelos YOLO . Admite una integración perfecta, seguimiento en tiempo real y formación 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 con nuestra guía de inicio rápido de Ultralytics HUB.

¿Cuáles son los problemas más comunes que se plantean durante la formación del modelo YOLO , y cómo puedo resolverlos?

Common issues during YOLO model training include data formatting errors, model architecture mismatches, and insufficient training data. To address these, ensure your dataset is correctly formatted, check for compatible model versions, and augment your training data. For a comprehensive list of solutions, refer to our YOLO Common Issues guide.

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

Desplegar modelos YOLO en dispositivos de borde 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 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, la configuración y la optimización del rendimiento.

📅 C reado hace 1 año ✏️ Actualizado hace 1 mes