Tutoriales completos para Ultralytics YOLO

¡Bienvenido a las Guías de Ultralytics' YOLO 🚀! Nuestros completos tutoriales cubren diversos aspectos del modelo de detección de objetos YOLO , desde el entrenamiento y la predicción hasta la implementación. Construido sobre PyTorch, YOLO destaca por su excepcional velocidad y precisión en tareas de detección de objetos en tiempo real.

Tanto si eres principiante como experto en aprendizaje profundo, nuestros tutoriales te ofrecen valiosos conocimientos sobre la implementación y optimización de YOLO para tus proyectos de visión por ordenador. ¡Vamos a sumergirnos!

Observa: Ultralytics YOLOv8 Guías

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 Métricas de rendimiento ⭐ ESENCIAL: Comprende 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.
• Opciones de despliegue de modelos: Visión 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.
• 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.
• Inferencia rebanada de SAHI 🚀 NUEVO: Guía completa sobre cómo aprovechar las capacidades de inferencia rebanada de SAHI con YOLOv8 para la detección de objetos en imágenes de alta resolución.
• AzureML Quickstart 🚀 NUEVO: Ponte en marcha con los modelos de Ultralytics YOLO en la plataforma Azure Machine Learning de Microsoft. Aprende a entrenar, desplegar y escalar tus proyectos de detección de objetos en la nube.
• 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 Integración del Servidor de Inferencia 🚀 NUEVO: Sumérgete en la integración de Ultralytics YOLOv8 con NVIDIA's Triton Inference Server para despliegues de inferencia de aprendizaje profundo escalables y eficientes.
• 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.
• Preprocesamiento de datos anotados 🚀 NUEVO: Aprende a preprocesar y aumentar los datos de imágenes en proyectos de visión por ordenador utilizando YOLOv8, incluyendo la normalización, el aumento del conjunto de datos, la división y el análisis exploratorio de datos (AED).
• Consejos para el entrenamiento de modelos 🚀 NUEVO: Explora los consejos para optimizar el tamaño de los lotes, utilizar la precisión mixta, aplicar pesos preentrenados y mucho más para que el entrenamiento de tu modelo de visión por ordenador sea pan comido.
• 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:

from ultralytics import YOLO

model = YOLO("yolov8s.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=yolov8s.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 ?

Evaluar el rendimiento de tu modelo YOLO es crucial para comprender su eficacia. Las métricas clave incluyen 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.

¿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?

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.

¿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.

Comentarios