Ultralytics YOLO27:

Tutoriales completos para Ultralytics YOLO#

Te damos la bienvenida a las guías de YOLO de Ultralytics. Nuestros tutoriales completos cubren diversos aspectos del modelo de YOLO de detección de objetos, 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.



Watch: Ultralytics YOLO26 Guides Overview

Guías#

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

Primeros pasos y planificación#

  • Inicio rápido de Conda: guía paso a paso para configurar un entorno de Conda para Ultralytics. Aprende a instalar y empezar a utilizar el paquete de Ultralytics de forma eficiente con Conda.
  • Inicio rápido de Docker: guía completa para configurar y utilizar modelos de Ultralytics YOLO con Docker. Aprende a instalar Docker, gestionar la compatibilidad con GPU y ejecutar modelos de YOLO en contenedores aislados para lograr un desarrollo y un despliegue coherentes.
  • Inicio rápido de AzureML: empieza a utilizar modelos de 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 de Modal: ejecuta Ultralytics YOLO26 en la plataforma de nube sin servidor de Modal, con autenticación, inferencia en GPU y trabajos de entrenamiento con almacenamiento persistente, sin necesidad de gestionar la infraestructura.
  • Definición de los objetivos de un proyecto de visión artificial: descubre cómo definir eficazmente objetivos claros y medibles para tu proyecto de visión artificial. Aprende la importancia de formular bien el problema y cómo esto crea una hoja de ruta para tu proyecto.
  • Fases de un proyecto de visión artificial: aprende las fases clave de un proyecto de visión artificial, como definir objetivos, seleccionar modelos, preparar datos y evaluar resultados.
  • Arquitectura de YOLO explicada: sigue la evolución de la arquitectura de YOLO desde YOLOv3 hasta YOLO26 en el backbone, el neck y la cabeza de detección, con cobertura de 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 redimensionado de imágenes, la normalización, la división del conjunto de datos, el aumento de datos y el análisis exploratorio de datos (EDA).
  • Aumento de datos en YOLO: domina toda la gama de técnicas de aumento de datos de 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 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, utilizando 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, utilizar precisión mixta, aplicar pesos preentrenados y mucho más para facilitar el entrenamiento de tu modelo de visión artificial.
  • Ajuste fino de YOLO con datos personalizados: guía completa para ajustar YOLO26 con conjuntos de datos personalizados y pesos preentrenados, con cobertura del 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 canalizaciones de aumento y la configuración del optimizador utilizada para entrenar los checkpoints base oficiales de YOLO26 en COCO, con orientación práctica 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 del modelo transfiriendo conocimiento de un modelo profesor más grande a un modelo alumno más pequeño mediante destilación basada en características.
  • Validación cruzada K-Fold: aprende a mejorar la generalización del modelo 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 pérdida ponderada por clase, personalizar el guardado del modelo, congelar y descongelar el backbone y establecer tasas de aprendizaje por capa.
  • Guía de configuración YAML del modelo: análisis profundo y completo de las definiciones de arquitectura de modelos de Ultralytics. Explora 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 ⭐ ESENCIAL: comprende las métricas clave, como mAP, IoU y la puntuación F1, utilizadas para evaluar el rendimiento de tus modelos YOLO. Incluye ejemplos prácticos y consejos para mejorar la precisión y la velocidad de detección.
  • Información sobre la evaluación y el ajuste fino de modelos: evalúa modelos de visión artificial con métricas como mAP e IoU y actúa según lo que revelen 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 sobreajuste, infraajuste y filtraciones de datos antes del despliegue.
  • Problemas habituales de YOLO ⭐ RECOMENDADO: soluciones prácticas y consejos para resolver los problemas más frecuentes al trabajar con modelos de Ultralytics YOLO.
  • Mantenimiento de tu modelo de visión artificial: comprende las prácticas clave para supervisar, mantener y documentar modelos de visión artificial con el fin de garantizar la precisión, detectar anomalías y mitigar la deriva de datos.

Despliega y sirve#

  • Opciones de despliegue de modelos: descripción general de 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.
  • Exportar modelos que no sean de 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, Core AI y TensorFlow SavedModel.
  • Detección de extremo a extremo: Elige la inferencia con NMS o sin NMS y comprende los formatos de salida y la compatibilidad de exportación.
  • Integración con Triton Inference Server: profundiza en la integración de Ultralytics YOLO26 con Triton Inference Server de NVIDIA para despliegues de inferencia de aprendizaje profundo escalables y eficientes.
  • Inferencia de YOLO segura para subprocesos: directrices para realizar inferencias con modelos YOLO de forma segura para subprocesos. Aprende la importancia de la seguridad de los subprocesos y las prácticas recomendadas para evitar condiciones de carrera y garantizar predicciones coherentes.
  • Inicio rápido de ROS: aprende a integrar YOLO con el Sistema Operativo para Robots (ROS) para la detección de 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, con cobertura de la compilación, el envío, el escalado automático y la supervisión.

Optimiza la inferencia#

Hardware periférico 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 más reciente de Raspberry Pi.
  • 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 mediante DL Streamer y OpenVINO™.

Contribuye a nuestras guías#

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

Para empezar, lee nuestra Guía de contribución, donde encontrarás las directrices para abrir una Pull Request (PR). Cuando añadas una guía nueva, colócala en la categoría anterior que corresponda a la fase de tu proyecto y mantenla en un único 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 explorar 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 preparando tu conjunto de datos en el formato correcto e instalando el paquete de Ultralytics. Utiliza el código siguiente 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 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 exactitud y la precisión de las tareas de detección de objetos. Obtén 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. Permite una 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 sobre cómo puede agilizar tu flujo de trabajo con nuestra guía de inicio rápido de Ultralytics Platform.

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

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

Colaboradores
GLglenn-jocher23RAraimbekovm16RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

Comentarios