Ir al contenido

Preguntas frecuentes (FAQ) de Ultralytics YOLO

Esta sección de preguntas frecuentes aborda las preguntas y los problemas comunes que los usuarios pueden encontrar al trabajar con los repositorios Ultralytics YOLO.

Preguntas frecuentes

¿Qué es Ultralytics y qué ofrece?

Ultralytics es una empresa de IA de visión artificial que se especializa en modelos de detección de objetos y segmentación de imágenes de última generación, con un enfoque en la familia YOLO (You Only Look Once). Sus ofertas incluyen:

¿Cómo instalo el paquete Ultralytics?

La instalación del paquete Ultralytics es sencilla usando pip:

pip install ultralytics

Para la última versión de desarrollo, instale directamente desde el repositorio de GitHub:

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

Puede encontrar instrucciones de instalación detalladas en la guía de inicio rápido.

¿Cuáles son los requisitos del sistema para ejecutar modelos de Ultralytics?

Requisitos mínimos:

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

Configuración recomendada:

  • Python 3.8+
  • PyTorch 1.10+
  • GPU NVIDIA con CUDA 11.2+
  • 8GB+ de RAM
  • 50 GB+ de espacio libre en disco (para el almacenamiento del conjunto de datos y el entrenamiento del modelo)

Para solucionar problemas comunes, visita la página de Problemas Comunes de YOLO.

¿Cómo puedo entrenar un modelo YOLO personalizado en mi propio conjunto de datos?

Para entrenar un modelo YOLO personalizado:

  1. Prepara tu conjunto de datos en formato YOLO (imágenes y los archivos txt de etiquetas correspondientes).
  2. Cree un archivo YAML que describa la estructura y las clases de su conjunto de datos.

  3. Utiliza el siguiente código de python para iniciar el entrenamiento:

    from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from scratch
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

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

¿Qué modelos preentrenados están disponibles en Ultralytics?

Ultralytics ofrece una amplia gama de modelos preentrenados para diversas tareas:

  • Detección de objetos: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
  • Segmentación de instancias: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
  • Clasificación: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls
  • Estimación de Pose: YOLO11n-pose, YOLO11s-pose, YOLO11m-pose, YOLO11l-pose, YOLO11x-pose

Estos modelos varían en tamaño y complejidad, ofreciendo diferentes equilibrios entre velocidad y precisión. Explore la gama completa de modelos preentrenados para encontrar el que mejor se adapte a su proyecto.

¿Cómo realizo la inferencia utilizando un modelo Ultralytics entrenado?

Para realizar inferencias con un modelo entrenado:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Para opciones avanzadas de inferencia, incluyendo el procesamiento por lotes y la inferencia de video, consulte la guía de predicción detallada.

¿Se pueden implementar los modelos de Ultralytics en dispositivos perimetrales o en entornos de producción?

¡Absolutamente! Los modelos de Ultralytics están diseñados para una implementación versátil en diversas plataformas:

  • Dispositivos de borde: Optimice la inferencia en dispositivos como NVIDIA Jetson o Intel Neural Compute Stick utilizando TensorRT, ONNX u OpenVINO.
  • Móvil: Implementa en dispositivos Android o iOS convirtiendo modelos a TFLite o Core ML.
  • Nube: Aproveche frameworks como TensorFlow Serving o PyTorch Serve para implementaciones escalables en la nube.
  • Web: Implementar la inferencia en el navegador utilizando ONNX.js o TensorFlow.js.

Ultralytics proporciona funciones de exportación para convertir modelos a varios formatos para su implementación. Explore la amplia gama de opciones de implementación para encontrar la mejor solución para su caso de uso.

¿Cuál es la diferencia entre YOLOv8 y YOLO11?

Las principales distinciones incluyen:

  • Arquitectura: YOLO11 presenta un diseño mejorado de backbone y head para un mayor rendimiento.
  • Rendimiento: YOLO11 generalmente ofrece una precisión y velocidad superiores en comparación con YOLOv8.
  • Eficiencia: YOLO11m logra una mayor precisión media promedio (mAP) en el conjunto de datos COCO con un 22% menos de parámetros que YOLOv8m.
  • Tareas: Ambos modelos admiten detección de objetos, segmentación de instancias, clasificación y estimación de poses en un marco unificado.
  • Base de código: YOLO11 se implementa con una arquitectura más modular y extensible, lo que facilita la personalización y la extensión.

Para una comparación exhaustiva de las características y las métricas de rendimiento, visita la página de documentación de YOLO11.

¿Cómo puedo contribuir al proyecto de código abierto de Ultralytics?

Contribuir a Ultralytics es una excelente manera de mejorar el proyecto y ampliar sus habilidades. Aquí le mostramos cómo puede participar:

  1. Haz un fork del repositorio de Ultralytics en GitHub.
  2. Cree una nueva rama para su función o corrección de errores.
  3. Realice sus cambios y asegúrese de que todas las pruebas pasen.
  4. Envía una solicitud de incorporación de cambios con una descripción clara de tus modificaciones.
  5. Participar en el proceso de revisión de código.

También puede contribuir informando de errores, sugiriendo funciones o mejorando la documentación. Para obtener directrices detalladas y buenas prácticas, consulte la guía de contribución.

¿Cómo instalo el paquete Ultralytics en Python?

Instalar el paquete Ultralytics en python es sencillo. Utilice pip ejecutando el siguiente comando en su terminal o símbolo del sistema:

pip install ultralytics

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

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

Para obtener instrucciones de instalación específicas del entorno y consejos para la resolución de problemas, consulta la guía de inicio rápido completa.

¿Cuáles son las principales características de Ultralytics YOLO?

Ultralytics YOLO cuenta con un amplio conjunto de características para tareas avanzadas de visión artificial:

  • Detección en tiempo real: Detecta y clasifica objetos de forma eficiente en escenarios en tiempo real.
  • Capacidades Multi-Tarea: Realice la detección de objetos, la segmentación de instancias, la clasificación y la estimación de la pose con un marco de trabajo unificado.
  • Modelos pre-entrenados: Accede a una variedad de modelos pre-entrenados que equilibran velocidad y precisión para diferentes casos de uso.
  • Entrenamiento personalizado: Ajusta fácilmente los modelos en conjuntos de datos personalizados con la canalización de entrenamiento flexible.
  • Amplias opciones de implementación: Exporte modelos a varios formatos como TensorRT, ONNX y CoreML para la implementación en diferentes plataformas.
  • Documentación exhaustiva: Benefíciese de una documentación completa y una comunidad de apoyo que le guiará a través de su viaje en la visión artificial.

¿Cómo puedo mejorar el rendimiento de mi modelo YOLO?

Se puede mejorar el rendimiento de tu modelo YOLO a través de varias técnicas:

  1. Ajuste de hiperparámetros: Experimenta con diferentes hiperparámetros utilizando la Guía de ajuste de hiperparámetros para optimizar el rendimiento del modelo.
  2. Aumento de datos: Implementa técnicas como voltear, escalar, rotar y ajustar el color para mejorar tu conjunto de datos de entrenamiento y mejorar la generalización del modelo.
  3. Aprendizaje por transferencia: aproveche los modelos pre-entrenados y ajústelos en su conjunto de datos específico utilizando la Guía de entrenamiento.
  4. Exportar a formatos eficientes: Convierta su modelo a formatos optimizados como TensorRT u ONNX para una inferencia más rápida utilizando la guía de exportación.
  5. Evaluación comparativa: Utilice el Modo de evaluación comparativa para medir y mejorar la velocidad y la precisión de la inferencia de forma sistemática.

¿Puedo implementar modelos Ultralytics YOLO en dispositivos móviles y edge?

Sí, los modelos YOLO de Ultralytics están diseñados para una implementación versátil, incluidos dispositivos móviles y de borde:

  • Móvil: Convierte modelos a TFLite o CoreML para una integración perfecta en aplicaciones Android o iOS. Consulta la Guía de integración de TFLite y la Guía de integración de CoreML para obtener instrucciones específicas de la plataforma.
  • Dispositivos de borde: Optimice la inferencia en dispositivos como NVIDIA Jetson u otro hardware de borde utilizando TensorRT u ONNX. La Guía de integración de Edge TPU proporciona pasos detallados para la implementación en el borde.

Para obtener una visión general completa de las estrategias de implementación en varias plataformas, consulta la guía de opciones de implementación.

¿Cómo puedo realizar inferencias utilizando un modelo Ultralytics YOLO entrenado?

Realizar inferencias con un modelo Ultralytics YOLO entrenado es sencillo:

  1. Cargar el modelo:

    from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

  2. Ejecutar Inferencia:

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

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Para técnicas avanzadas de inferencia, incluyendo el procesamiento por lotes, la inferencia de video y el preprocesamiento personalizado, consulte la guía de predicción detallada.

¿Dónde puedo encontrar ejemplos y tutoriales sobre el uso de Ultralytics?

Ultralytics proporciona una gran cantidad de recursos para ayudarle a empezar y dominar sus herramientas:

Estos recursos proporcionan ejemplos de código, casos de uso del mundo real y guías paso a paso para diversas tareas utilizando modelos de Ultralytics.

Si necesita más ayuda, no dude en consultar la documentación de Ultralytics o ponerse en contacto con la comunidad a través de GitHub Issues o el foro de debate oficial.



📅 Creado hace 1 año ✏️ Actualizado hace 2 meses
glenn-jocher Laughing-q UltralyticsAssistant RizwanMunawar

Comentarios