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.

Link to this sectionGuías#

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

• Guía sobre pruebas de modelos: Una guía completa sobre cómo probar tus modelos de visión artificial en entornos realistas. Aprende a verificar la precisión, la fiabilidad y el rendimiento en función de los objetivos del proyecto.
• 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.
• 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.
• 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.
• 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.
• 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.
• 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 rápida para desplegar 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 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.
• 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.
• Edge TPU en Raspberry Pi: La 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.
• 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.
• 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.
• Ajuste de hiperparámetros: Descubre cómo optimizar tus modelos YOLO ajustando los hiperparámetros mediante la clase Tuner y algoritmos de evolución genética.
• Perspectivas sobre la evaluación y el 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 refinamiento de modelos para obtener 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 monitorizar, mantener y documentar modelos de visión artificial para garantizar la precisión, detectar anomalías y mitigar la desviación de los datos.
• 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.
• 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.
• Preprocesamiento de GPU con NVIDIA DALI: Elimina los cuellos de botella de preprocesamiento de la CPU ejecutando el cambio de tamaño letterbox, el relleno y la normalización de YOLO en la GPU usando NVIDIA DALI, con integración en Triton Inference Server.
• NVIDIA DGX Spark: Guía rápida para desplegar modelos YOLO en dispositivos NVIDIA DGX Spark.
• NVIDIA Jetson: Guía rápida para desplegar modelos YOLO en dispositivos NVIDIA Jetson.
• Modos de latencia frente a rendimiento de 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 imágenes en proyectos de visión artificial usando YOLO26, incluyendo normalización, aumento de conjuntos 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.
• 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.
• Inferencia por mosaicos SAHI: Guía completa sobre cómo aprovechar las capacidades de inferencia dividida 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 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.
• 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.
• 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.
• 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.
• Ver imágenes de inferencia en un terminal: Usa el terminal integrado 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, 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.
• 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.
• 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.
• 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.
• 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.

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, por favor lee nuestra Guía de contribución para conocer las pautas sobre cómo abrir una Pull Request (PR). 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:

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?#

La plataforma Ultralytics es una plataforma sin código que simplifica la gestión, el entrenamiento y el despliegue 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 características y cómo puede agilizar tu flujo de trabajo con nuestra guía rápida de la plataforma Ultralytics.

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?#

Desplegar modelos YOLO en dispositivos periféricos (edge) 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 despliegues en NVIDIA Jetson y Raspberry Pi para empezar con la detección de objetos en tiempo real en hardware periférico. Estas guías te explicarán la instalación, la configuración y la optimización del rendimiento.