Tutoriales completos para Ultralytics YOLO

¡Bienvenido a las guías de Ultralytics' YOLO 🚀! Nuestros completos tutoriales cubren diversos aspectos del modelo dedetección 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 computador. ¡Vamos a sumergirnos!

Observa: Ultralytics YOLO11 Guías

Guías

Aquí tienes una recopilación de guías detalladas que te ayudarán a dominar distintos 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: Comprenda las métricas clave como mAP, IoU y puntuación F1 utilizadas para evaluar el rendimiento de sus 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 delmodelo YOLO como ONNX, OpenVINO, y TensorRT, con los pros y los contras de cada uno para informar su estrategia de despliegue.
• Validación cruzada K-Fold 🚀 NUEVO: Aprende a mejorar la generalización de modelos mediante la técnica de validación cruzada K-Fold.
• Ajuste de hiperparámetros 🚀 NUEVO: Descubra cómo optimizar sus modelos YOLO mediante el ajuste fino de hiperparámetros utilizando la clase Tuner y algoritmos de evolución genética.
• SAHI Tiled Inference 🚀 NUEVO: Guía completa sobre el aprovechamiento de las capacidades de inferencia rebanada de SAHI con YOLO11 para la detección de objetos en imágenes de alta resolución.
• AzureML Quickstart 🚀 NUEVO: Póngase en marcha con los modelos de Ultralytics YOLO en la plataforma Azure Machine Learning de Microsoft. Aprenda a entrenar, implementar y escalar sus 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 usar el paquete Ultralytics de forma eficiente con Conda.
• Docker Quickstart 🚀 NUEVO: Guía completa para configurar y utilizar modelos Ultralytics YOLO con Docker. Aprenda a instalar Docker, gestionar la compatibilidad con GPU y ejecutar modelos YOLO en contenedores aislados para lograr un desarrollo y una implementación coherentes.
• Raspberry Pi 🚀 NUEVO: Tutorial de inicio rápido para ejecutar YOLO modelos a la última Raspberry Pi hardware.
• 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: Sumérjase en la integración de Ultralytics YOLO11 con NVIDIA's Triton Inference Server para implementaciones de inferencia de aprendizaje profundo escalables y eficientes.
• YOLO Thread-Safe Inference 🚀 NUEVO: Directrices para realizar inferencias con modelos YOLO de forma segura para los hilos. Aprenda la importancia de la seguridad de los subprocesos y las mejores prácticas para evitar condiciones de carrera y garantizar predicciones coherentes.
• Aislando Objetos de Segmentación 🚀 NUEVO: Receta y explicación paso a paso sobre cómo extraer y/o aislar objetos de imágenes usando Ultralytics Segmentación.
• Edge TPU en Raspberry Pi: Google Edge TPU acelera la inferencia de YOLO en Raspberry Pi.
• Ver Imágenes de Inferencia en una Terminal: Utilice el terminal integrado de VSCode para ver los resultados de la inferencia cuando utilice Túnel Remoto o sesiones SSH.
• OpenVINO Modos de latencia y rendimiento - Aprenda técnicas de optimización de la latencia y el rendimiento para obtener el máximo rendimiento de la inferencia en YOLO .
• Pasos de un proyecto de visión por computador 🚀 NUEVO: Conozca los pasos clave de un proyecto de visión por computador, 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 computador 🚀 NUEVO: Aprenda a definir eficazmente objetivos claros y medibles para su proyecto de visión por computador. Aprenda la importancia de un planteamiento del problema bien definido y cómo crea una hoja de ruta para su proyecto.
• Recopilación y anotación de datos 🚀 NUEVO: Explore las herramientas, técnicas y mejores prácticas para recopilar y anotar datos con el fin de crear entradas de alta calidad para sus modelos de visión por ordenador.
• Preprocesamiento de datos anotados 🚀 NUEVO: Aprenda sobre el preprocesamiento y el aumento de datos de imágenes en proyectos de visión por ordenador utilizando YOLO11, incluyendo la normalización, el aumento del conjunto de datos, la división y el análisis exploratorio de datos (EDA).
• Consejos para el entrenamiento de modelos 🚀 NUEVO: Explore consejos sobre la optimización del tamaño de los lotes, el uso de precisión mixta, la aplicación de pesos preentrenados y mucho más para que el entrenamiento de su modelo de visión por ordenador sea pan comido.
• Información sobre la evaluación y el ajuste de modelos 🚀 NUEVO: conozca las estrategias y las mejores prácticas para evaluar y ajustar sus modelos de visión por ordenador. Conozca 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 sus modelos de visión por ordenador en entornos realistas. Aprenda a verificar la precisión, la fiabilidad y el rendimiento de acuerdo con los objetivos del proyecto.
• Mejores prácticas para el despliegue de modelos 🚀 NUEVO: Recorrido por consejos y mejores prácticas para desplegar eficientemente modelos en proyectos de visión por computador, con un enfoque en optimización, solución de problemas y seguridad.
• Mantenimiento de su modelo de visión por ordenador 🚀 NUEVO: Comprenda las prácticas clave para supervisar, mantener y documentar los modelos de visión por ordenador para garantizar la precisión, detectar anomalías y mitigar la deriva de los datos.
• ROS Quickstart 🚀 NUEVO: Aprenda a integrar YOLO con el Sistema Operativo de Robots (ROS) para la detección de objetos en tiempo real en aplicaciones de robótica, incluyendo imágenes de Nube de Puntos y Profundidad.

Contribuya 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 buena forma de devolver algo a la comunidad y ayudarnos a que nuestra documentación sea más completa y fácil de usar.

Para empezar, lea nuestra Guía de contribuciones, donde encontrará directrices sobre cómo abrir una Pull Request (PR) 🛠️. Esperamos sus contribuciones.

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

PREGUNTAS FRECUENTES

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

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

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 de los conjuntos de datos y otras opciones, consulte nuestra guía Consejos para el entrenamiento de modelos.

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

Evaluar el rendimiento de su modelo YOLO es crucial para comprender su eficacia. Las métricas clave incluyen la precisión media (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. Puede obtener más información sobre estas métricas y sobre cómo mejorar su modelo en nuestra guía de métricas de rendimientoYOLO .

¿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. Descubra más sobre sus funciones y cómo puede agilizar su flujo de trabajo con nuestra guía de inicio rápido de Ultralytics HUB.

¿Cuáles son los problemas más comunes que surgen durante la formación con modelos YOLO y cómo puedo resolverlos?

Los problemas más comunes durante el entrenamiento de modelos en YOLO incluyen errores en el formato de los datos, desajustes en la arquitectura del modelo y datos de entrenamiento insuficientes. Para solucionarlos, asegúrese de que el conjunto de datos tiene el formato correcto, compruebe si hay versiones compatibles del modelo y aumente los datos de entrenamiento. Para obtener una lista completa de soluciones, consulte nuestra guía YOLO Common Issues.

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

La implementación de modelos YOLO en dispositivos periféricos como NVIDIA Jetson y Raspberry Pi requiere convertir el modelo a un formato compatible como TensorRT o TFLite. Siga nuestras guías paso a paso para las implementaciones de NVIDIA Jetson y Raspberry Pi para comenzar con la detección de objetos en tiempo real en hardware de borde. Estas guías le guiarán a través de la instalación, configuración y optimización del rendimiento.

Creado hace 1 año ✏️ Actualizado hace 2 meses

Comentarios