Saltar al contenido

Tutoriales completos para Ultralytics YOLO

隆Bienvenido a las Gu铆as de Ultralytics' YOLO 馃殌! Nuestros completos tutoriales cubren diversos aspectos del modelo de detecci贸n de objetos YOLO , desde el entrenamiento y la predicci贸n hasta la implementaci贸n. Construido sobre PyTorch, YOLO destaca por su excepcional velocidad y precisi贸n en tareas de detecci贸n de objetos en tiempo real.

Tanto si eres principiante como experto en aprendizaje profundo, nuestros tutoriales te ofrecen valiosos conocimientos sobre la implementaci贸n y optimizaci贸n de YOLO para tus proyectos de visi贸n por ordenador. 隆Vamos a sumergirnos!



Observa: Ultralytics YOLOv8 Gu铆as

Gu铆as

Aqu铆 tienes una recopilaci贸n de gu铆as detalladas que te ayudar谩n a dominar diferentes aspectos de Ultralytics YOLO .

  • YOLO Problemas comunes 猸 RECOMENDADO: Soluciones pr谩cticas y consejos para solucionar los problemas m谩s frecuentes al trabajar con los modelos Ultralytics YOLO .
  • YOLO M茅tricas de rendimiento 猸 ESENCIAL: Comprende las m茅tricas clave como mAP, IoU y puntuaci贸n F1 utilizadas para evaluar el rendimiento de tus modelos YOLO . Incluye ejemplos pr谩cticos y consejos sobre c贸mo mejorar la precisi贸n y la velocidad de detecci贸n.
  • Opciones de despliegue de modelos: Visi贸n general de los formatos de despliegue del modelo YOLO como ONNX, OpenVINO, y TensorRT, con los pros y los contras de cada uno para informar tu estrategia de despliegue.
  • Validaci贸n cruzada K-Fold 馃殌 NUEVO: Aprende a mejorar la generalizaci贸n de los modelos mediante la t茅cnica de validaci贸n cruzada K-Fold.
  • Ajuste de hiperpar谩metros 馃殌 NUEVO: Descubre c贸mo optimizar tus modelos YOLO ajustando con precisi贸n los hiperpar谩metros mediante la clase Afinador y los algoritmos de evoluci贸n gen茅tica.
  • Inferencia rebanada de SAHI 馃殌 NUEVO: Gu铆a completa sobre c贸mo aprovechar las capacidades de inferencia rebanada de SAHI con YOLOv8 para la detecci贸n de objetos en im谩genes de alta resoluci贸n.
  • AzureML Quickstart 馃殌 NUEVO: Ponte en marcha con los modelos Ultralytics YOLO en la plataforma Azure Machine Learning de Microsoft. Aprende a entrenar, desplegar y escalar tus proyectos de detecci贸n de objetos en la nube.
  • Conda Quickstart 馃殌 NUEVO: Gu铆a 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 馃殌 NUEVO: Gu铆a completa para configurar y utilizar los modelos Ultralytics YOLO 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 馃殌 NUEVO: Tutorial de inicio r谩pido para ejecutar modelos YOLO en el 煤ltimo hardware Raspberry Pi.
  • NVIDIA-Jetson馃殌NUEVO: Gu铆a de inicio r谩pido para implantar modelos YOLO en dispositivos NVIDIA Jetson.
  • Triton Integraci贸n del Serv idor de Inferencia 馃殌 NUEVO: Sum茅rgete en la integraci贸n de Ultralytics YOLOv8 con el Servidor de Inferencia Triton de NVIDIA para implantaciones de inferencia de aprendizaje profundo escalables y eficientes.
  • YOLO Inferencia a prueba de hilos 馃殌 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 pr谩cticas para evitar condiciones de carrera y garantizar predicciones coherentes.
  • Aislar Obj etos de Segmentaci贸n 馃殌 NUEVO: Receta y explicaci贸n paso a paso sobre c贸mo extraer y/o aislar objetos de im谩genes utilizando Ultralytics Segmentaci贸n.
  • Edge TPU en Raspberry Pi: Google Edge TPU acelera la inferencia YOLO en Raspberry Pi.
  • Ver Im谩genes de Inferencia en un Terminal: Utiliza el terminal integrado de VSCode para ver los resultados de la inferencia cuando utilices T煤nel Remoto o sesiones SSH.
  • OpenVINO Modos de Latencia vs. Rendimiento - Aprende t茅cnicas de optimizaci贸n de la latencia y el rendimiento para obtener el m谩ximo rendimiento de la inferencia YOLO .

Proyectos reales

Ultralytics Soluciones Miniatura

  • Recuento de Objetos 馃殌 NUEVO: Explora el proceso de recuento de objetos en tiempo real con Ultralytics YOLOv8 y adquiere los conocimientos necesarios para contar objetos eficazmente en una secuencia de v铆deo en directo.
  • Recorte de Objetos 馃殌 NUEVO: Explora el recorte de objetos utilizando YOLOv8 para una extracci贸n precisa de objetos de im谩genes y v铆deos.
  • Desenfoque de Objetos 馃殌 NUEVO: Aplica desenfoque de objetos con YOLOv8 para proteger la privacidad en el tratamiento de im谩genes y v铆deos.
  • Monitorizaci贸n de entrenamientos 馃殌 NUEVO: Descubre el enfoque integral de la monitorizaci贸n de entrenamientos con Ultralytics YOLOv8 . Adquiere las habilidades y conocimientos necesarios para utilizar eficazmente YOLOv8 para seguir y analizar diversos aspectos de las rutinas de fitness en tiempo real.
  • Recuento de Objetos en Regiones 馃殌 NUEVO: Explora el recuento de objetos en regiones concretas con Ultralytics YOLOv8 para una detecci贸n de objetos precisa y eficaz en zonas variadas.
  • Sistema de alarma de seguridad 馃殌 NUEVO: Descubre el proceso de creaci贸n de un sistema de alarma de seguridad con Ultralytics YOLOv8 . Este sistema activa alertas al detectar nuevos objetos en el marco. Posteriormente, puedes personalizar el c贸digo para adaptarlo a tu caso de uso espec铆fico.
  • Mapas de calor 馃殌 NUEVO: 隆Eleva tu comprensi贸n de los datos con nuestros Mapas de calor de detecci贸n! Estas intuitivas herramientas visuales utilizan vibrantes gradientes de color para ilustrar v铆vidamente la intensidad de los valores de los datos en una matriz. Esenciales en la visi贸n por ordenador, los mapas de calor est谩n h谩bilmente dise帽ados para resaltar las 谩reas de inter茅s, proporcionando una forma inmediata e impactante de interpretar la informaci贸n espacial.
  • Segmentaci贸n de instancias con seguimiento de objetos 馃殌 NUEVO: Explora nuestra funci贸n sobre Segmentaci贸n de objetos en forma de cuadros delimitadores, que proporciona una representaci贸n visual de los l铆mites precisos de los objetos para mejorar la comprensi贸n y el an谩lisis.
  • Mapeo de objetos de la vista VisionEye 馃殌 NUEVO: Esta funci贸n pretende que los ordenadores disciernan y se centren en objetos concretos, de forma muy parecida a como el ojo humano observa los detalles desde un punto de vista concreto.
  • Estimaci贸n de la velocidad 馃殌 NUEVO: La estimaci贸n de la velocidad en visi贸n por ordenador se basa en el an谩lisis del movimiento de los objetos mediante t茅cnicas como el seguimiento de objetos, crucial para aplicaciones como los veh铆culos aut贸nomos y la vigilancia del tr谩fico.
  • C谩lculo de distancias 馃殌 NUEVO: El c谩lculo de distancias, que implica medir la separaci贸n entre dos objetos dentro de un espacio definido, es un aspecto crucial. En el contexto de Ultralytics YOLOv8 , el m茅todo empleado para ello consiste en utilizar el centroide del cuadro delimitador para determinar la distancia asociada a los cuadros delimitadores resaltados por el usuario.
  • Gesti贸n de Colas 馃殌 NUEVO: La gesti贸n de colas es la pr谩ctica de controlar y dirigir eficazmente el flujo de personas o tareas, a menudo mediante la planificaci贸n estrat茅gica y la implantaci贸n de tecnolog铆a, para minimizar los tiempos de espera y mejorar la productividad general.
  • Gesti贸n de Aparcamientos 馃殌 NUEVO: La gesti贸n de aparcamientos implica organizar y dirigir eficazmente el flujo de veh铆culos en las zonas de aparcamiento, a menudo mediante la planificaci贸n estrat茅gica y la integraci贸n de tecnolog铆a, para optimizar la utilizaci贸n del espacio y mejorar la experiencia del usuario.
  • Anal铆tica 馃搳 NUEVO: La anal铆tica implica el an谩lisis computacional sistem谩tico de datos o estad铆sticas. Se utiliza para descubrir, interpretar y comunicar patrones significativos en los datos, y para aplicarlos a una toma de decisiones eficaz. La anal铆tica puede ser de naturaleza descriptiva, predictiva o prescriptiva, y forma parte integrante de las estrategias basadas en datos de diversos sectores.

Contribuye a nuestras gu铆as

隆Agradecemos las aportaciones de la comunidad! Si dominas alg煤n aspecto concreto de Ultralytics YOLO que a煤n no est茅 cubierto en nuestras gu铆as, te animamos a que compartas tu experiencia. Escribir una gu铆a es una forma estupenda de devolver algo a la comunidad y ayudarnos a que nuestra documentaci贸n sea m谩s completa y f谩cil de usar.

Para empezar, lee nuestra Gu铆a de Contribuci贸n para saber c贸mo abrir una Pull Request (PR) 馃洜锔. 隆Esperamos tus contribuciones!

隆Trabajemos juntos para que el ecosistema Ultralytics YOLO sea m谩s robusto y vers谩til 馃檹!



Creado 2023-11-12, Actualizado 2024-05-23
Autores: RizwanMunawar (7), glenn-jocher (7), Burhan-Q (3), lakshanthad (1), ouphi (1)

Comentarios