Preguntas frecuentes (FAQ) sobre Ultralytics YOLO#

Ultralytics es una empresa de IA especializada en visión artificial y en modelos de detección de objetos y segmentación de imágenes de última generación, centrada en la familia YOLO (Solo miras una vez). Su oferta incluye:

• Implementaciones de código abierto de YOLO26 (la versión más reciente) y YOLO11 (la generación anterior)
• Una amplia variedad de modelos preentrenados para distintas tareas de visión artificial
• Un completo paquete de Python para integrar fácilmente modelos YOLO en tus proyectos
• Herramientas versátiles para entrenar, probar e implementar modelos
• Documentación exhaustiva y una comunidad dispuesta a ayudar

No. YOLO27 se encuentra en la fase final de investigación y desarrollo (R&D), con vistas a su lanzamiento a finales de este año, aunque aún no hay una fecha prevista. La documentación ofrece un avance de sus funciones, resultados preliminares de pruebas de rendimiento y ejemplos para cuando se publique. Sigue usando YOLO26 en tus proyectos actuales.

Instalar el paquete Ultralytics con pip es muy sencillo:

pip install ultralytics

Para instalar la versión de desarrollo más reciente, instálala directamente desde el repositorio de GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git

Encontrarás instrucciones detalladas de instalación en la guía de inicio rápido.

Requisitos mínimos:

• Python 3.8+
• PyTorch 1.8+
• GPU compatible con CUDA (para aceleración por GPU)

Configuración recomendada:

• Python 3.8+
• PyTorch 1.10+
• GPU NVIDIA con CUDA 11.2+
• 8 GB de RAM o más
• 50 GB o más de espacio libre en disco (para almacenar conjuntos de datos y entrenar modelos)

Para solucionar problemas habituales, visita la página de problemas comunes de YOLO.

Para entrenar un modelo YOLO personalizado:

1. Prepara tu conjunto de datos en formato YOLO (imágenes y los archivos txt correspondientes con las etiquetas).

2. Crea un archivo YAML que describa la estructura y las clases de tu conjunto de datos (consulta el ejemplo de YAML para conjuntos de datos).

3. Usa el siguiente código de Python para iniciar el entrenamiento:

   from ultralytics import YOLO
   
   # Cargar un modelo
   model = YOLO("yolo26n.yaml")  # crear un modelo nuevo desde cero
   model = YOLO("yolo26n.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)
   
   # Entrenar el modelo
   results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

Para consultar una guía más detallada, que incluye la preparación de datos y opciones avanzadas de entrenamiento, visita la completa guía de entrenamiento.

Ultralytics ofrece una amplia variedad de modelos preentrenados para distintas tareas:

• Detección de objetos: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
• Segmentación de instancias: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
• Segmentación semántica: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
• Estimación de profundidad: YOLO26n-depth, YOLO26s-depth, YOLO26m-depth, YOLO26l-depth, YOLO26x-depth
• Clasificación: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
• Estimación de pose: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
• Detección orientada (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

Estos modelos varían en tamaño y complejidad, y ofrecen distintas opciones de equilibrio entre velocidad y precisión. Explora toda la gama de modelos preentrenados para encontrar el más adecuado para tu proyecto.

Para realizar inferencias con un modelo entrenado:

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("path/to/your/model.pt")

# Realizar inferencia
results = model("path/to/image.jpg")

# Procesa los resultados
for r in results:
    print(r.boxes)  # mostrar las predicciones de bbox
    print(r.masks)  # mostrar las predicciones de máscaras
    print(r.probs)  # mostrar las probabilidades de clase

Para conocer opciones avanzadas de inferencia, como el procesamiento por lotes y la inferencia de vídeo, consulta la detallada guía de predicción.

¡Por supuesto! Los modelos de Ultralytics están diseñados para implementarse en distintas plataformas:

• Dispositivos periféricos: optimiza la inferencia en dispositivos como NVIDIA Jetson o Raspberry Pi con TensorRT, ONNX u OpenVINO.
• Móviles: implementa modelos en dispositivos Android o iOS convirtiéndolos a LiteRT o CoreML.
• Nube: aprovecha marcos como TensorFlow Serving o TorchServe para implementaciones escalables en la nube.
• Web: Implementa la inferencia en el navegador con ONNX Runtime Web.

Ultralytics ofrece funciones de exportación para convertir modelos a varios formatos y desplegarlos. Explora la amplia variedad de opciones de despliegue para encontrar la solución que mejor se adapte a tu caso de uso.

Estas son las principales diferencias:

• Inferencia integral sin NMS: YOLO26 ofrece inferencia sin NMS con nms=False. Su ruta predeterminada de uno a muchos utiliza NMS para mejorar la precisión.
• Eliminación de DFL: YOLO26 elimina el módulo Distribution Focal Loss, lo que simplifica la exportación y mejora la compatibilidad con dispositivos periféricos y de bajo consumo.
• Optimizador MuSGD: combinación de SGD y Muon (inspirada en Kimi K2 de Moonshot AI) que proporciona un entrenamiento más estable y una convergencia más rápida.
• Rendimiento de la CPU: YOLO26n se ejecuta hasta un 43 % más rápido que YOLO11n en inferencia con ONNX en CPU (Intel Xeon CPU @ 2.00 GHz), por lo que es ideal para dispositivos sin GPU.
• Optimizaciones específicas para cada tarea: segmentación mejorada con pérdida semántica y prototipos multiescala, RLE para la estimación precisa de poses y decodificación OBB mejorada con pérdida angular.
• Tareas: Ambos modelos admiten la detección de objetos y la segmentación de instancias, mientras que YOLO26 también incorpora la segmentación semántica para la predicción densa a nivel de píxel y la estimación monocular de profundidad para calcular la profundidad de cada píxel. Ambos modelos también admiten clasificación, estimación de poses y detección de objetos orientados (OBB) en un marco unificado.

Para consultar una comparación detallada de las características y las métricas de rendimiento, visita la página de documentación de YOLO26.

Contribuir a Ultralytics es una forma estupenda de mejorar el proyecto y ampliar tus habilidades. Así puedes participar:

1. Haz un fork del repositorio de Ultralytics en GitHub.
2. Crea una nueva rama para tu función o corrección de errores.
3. Realiza los cambios y asegúrate de que todas las pruebas se superen.
4. Envía una solicitud de incorporación de cambios con una descripción clara de tus cambios.
5. Participa en el proceso de revisión del código.

También puedes contribuir notificando errores, proponiendo funciones o mejorando la documentación. Consulta la guía de contribución para ver directrices detalladas y buenas prácticas.

Ultralytics YOLO ofrece un amplio conjunto de funciones para tareas avanzadas de visión artificial:

• Detección en tiempo real: Detecta y clasifica objetos de forma eficiente en situaciones en tiempo real.
• Capacidades multitarea: Realiza detección de objetos, segmentación de instancias, segmentación semántica, estimación monocular de profundidad, clasificación, estimación de poses y detección de objetos orientados (OBB) con un marco unificado.
• Modelos preentrenados: Accede a una variedad de modelos preentrenados que equilibran velocidad y precisión para distintos casos de uso.
• Entrenamiento personalizado: Ajusta fácilmente los modelos con tus propios conjuntos de datos mediante el flexible flujo de entrenamiento.
• Amplias opciones de despliegue: Exporta modelos a distintos formatos, como TensorRT, ONNX y CoreML, para desplegarlos en diversas plataformas.
• Documentación exhaustiva: Aprovecha la completa documentación y una comunidad colaborativa para tus flujos de trabajo de visión artificial.

Puedes mejorar el rendimiento de tu modelo YOLO con varias técnicas:

1. Ajuste de hiperparámetros: Prueba distintos hiperparámetros con la guía de ajuste de hiperparámetros para optimizar el rendimiento del modelo.
2. Aumento de datos: Aplica técnicas como voltear, cambiar la escala, rotar y ajustar los colores para enriquecer el conjunto de datos de entrenamiento y mejorar la generalización del modelo.
3. Aprendizaje por transferencia: Aprovecha modelos preentrenados y ajústalos a tu conjunto de datos específico con la guía de entrenamiento.
4. Exportación a formatos eficientes: Convierte tu modelo a formatos optimizados, como TensorRT u ONNX, para acelerar la inferencia con la guía de exportación.
5. Evaluación comparativa: Utiliza el modo de evaluación comparativa para medir y mejorar sistemáticamente la velocidad y la precisión de la inferencia.

Ultralytics ofrece una gran cantidad de recursos para ayudarte a empezar y dominar sus herramientas:

• 📚 Documentación oficial: Guías completas, referencias de API y buenas prácticas.
• 💻 Repositorio de GitHub: Código fuente, scripts de ejemplo y contribuciones de la comunidad.
• ✍️ Blog de Ultralytics: Artículos detallados, casos de uso y análisis técnicos.
• 💬 Foros de la comunidad: Conecta con otros usuarios, haz preguntas y comparte tus experiencias.
• 🎥 Canal de YouTube: Tutoriales en vídeo, demostraciones y seminarios web sobre diversos temas de Ultralytics.

Estos recursos ofrecen ejemplos de código, casos de uso reales y guías paso a paso para realizar diversas tareas con modelos de Ultralytics.

Si necesitas más ayuda, consulta la documentación de Ultralytics o ponte en contacto con la comunidad a través de GitHub Issues o del foro oficial de debate.