Ultralytics YOLO Preguntas más frecuentes (FAQ)

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

PREGUNTAS FRECUENTES

¿Qué es Ultralytics y qué ofrece?

Ultralytics es una empresa de IA de visión por ordenador especializada en modelos punteros de detección de objetos y segmentación de imágenes, centrada en la familia YOLO (You Only Look Once). Sus ofertas incluyen:

• Implementaciones de código abierto de YOLOv5 y YOLOv8
• Una amplia gama de modelos preentrenados para diversas tareas de visión por ordenador
• Un paquete completoPython para integrar sin problemas los modelos YOLO en los proyectos.
• Herramientas versátiles para formar, probar y desplegar modelos
• Amplia documentación y una comunidad de apoyo

¿Cómo instalo el paquete Ultralytics ?

Instalar el paquete Ultralytics es sencillo utilizando pip:

pip install ultralytics

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

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

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

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

Requisitos mínimos:

• Python 3.7+
• PyTorch 1.7+
• CUDA-compatible GPU (para aceleración GPU )

Configuración recomendada:

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

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

¿Cómo puedo entrenar un modelo YOLOv8 personalizado en mi propio conjunto de datos?

Para entrenar un YOLOv8 modelo:

1. Prepare el conjunto de datos en YOLO (imágenes y archivos txt de etiquetas correspondientes).
2. Cree un archivo YAML que describa la estructura y las clases del conjunto de datos.
3. Utilice lo siguiente: Python Código para empezar a entrenar:

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 incluya la preparación de los datos y las opciones de formación avanzada, consulta la guía de formación completa.

¿Qué modelos preentrenados están disponibles en Ultralytics?

Ultralytics ofrece una amplia gama de modelos YOLOv8 preentrenados para diversas tareas:

• Detección de objetos: YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x
• Segmentación de instancias: YOLOv8n-seg, YOLOv8s-seg, YOLOv8m-seg, YOLOv8l-seg, YOLOv8x-seg
• Clasificación: YOLOv8n-Cls YOLOv8s-Cls YOLOv8m-Cls YOLOv8l-Cls YOLOv8x-Cls

Estos modelos varían en tamaño y complejidad, ofreciendo diferentes compensaciones entre velocidad y precisión. Explora toda la gama de modelos preentrenados para encontrar el que mejor se adapte a tu proyecto.

¿Cómo realizo una 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 conocer las opciones avanzadas de inferencia, incluido el procesamiento por lotes y la inferencia de vídeo, consulta la guía detallada de predicción.

¿Pueden implantarse los modelos Ultralytics en dispositivos periféricos o en entornos de producción?

Absolutamente! Los modelos Ultralytics están diseñados para una implantación versátil en varias plataformas:

• Dispositivos Edge: Optimiza la inferencia en dispositivos como NVIDIA Jetson o Intel Neural Compute Stick utilizando TensorRT, ONNX, o OpenVINO.
• Móviles: Despliega en dispositivos Android o iOS convirtiendo los modelos a TFLite o Core ML.
• En la nube: Aprovecha marcos como TensorFlow Serving o PyTorch Serve para implantaciones escalables en la nube.
• Web: Implementa la inferencia en el navegador utilizando ONNX.js o TensorFlow.js.

Ultralytics proporciona funciones de exportación para convertir los modelos a varios formatos para su despliegue. Explora la amplia gama de opciones de despliegue para encontrar la mejor solución para tu caso de uso.

¿Cuál es la diferencia entre YOLOv5 y YOLOv8?

Las distinciones clave incluyen:

• Arquitectura: YOLOv8 presenta un diseño mejorado de la columna vertebral y el cabezal para mejorar el rendimiento.
• Rendimiento: YOLOv8 suele ofrecer una precisión y una velocidad superiores a las de YOLOv5.
• Tareas: YOLOv8 admite de forma nativa la detección de objetos, la segmentación de instancias y la clasificación en un marco unificado.
• Codebase: YOLOv8 se implementa con una arquitectura más modular y extensible, lo que facilita su personalización y ampliación.
• Entrenamiento: YOLOv8 incorpora técnicas avanzadas de entrenamiento, como el entrenamiento multi-conjunto de datos y la evolución de hiperparámetros, para mejorar los resultados.

Para una comparación en profundidad de las características y métricas de rendimiento, visita la página de comparación YOLOv5 vs YOLOv8.

¿Cómo puedo contribuir al proyecto de código abierto Ultralytics ?

Contribuir a Ultralytics es una forma estupenda de mejorar el proyecto y ampliar tus conocimientos. He aquí cómo puedes participar:

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

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

¿Cómo instalo el paquete Ultralytics en Python?

Instalar el paquete Ultralytics en Python es sencillo. Utiliza pip ejecutando el siguiente comando en tu terminal o símbolo del sistema:

pip install ultralytics

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

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

Para obtener instrucciones de instalación y consejos de resolución de problemas específicos de tu entorno, consulta la completa guía de inicio rápido.

¿Cuáles son las principales características de Ultralytics YOLO ?

Ultralytics YOLO cuenta con un rico conjunto de funciones para la detección avanzada de objetos y la segmentación de imágenes:

• Detección en tiempo real: Detecta y clasifica eficazmente objetos en escenarios en tiempo real.
• Modelos preentrenados: Accede a una variedad de modelos preentrenados que equilibran velocidad y precisión para diferentes casos de uso.
• Entrenamiento personalizado: Afina fácilmente los modelos en conjuntos de datos personalizados con el canal de entrenamiento flexible.
• Amplias opciones de despliegue: Exporta modelos a varios formatos como TensorRT, ONNX, y CoreML para desplegarlos en diferentes plataformas.
• Documentación exhaustiva: Benefíciate de una documentación exhaustiva y de una comunidad de apoyo que te guiarán en tu viaje por la visión por ordenador.

Explora la página de modelosYOLO para conocer en profundidad las capacidades y arquitecturas de las distintas versiones de YOLO .

¿Cómo puedo mejorar el rendimiento de mi modelo YOLO ?

Mejorar el rendimiento de tu modelo YOLO puede conseguirse mediante varias técnicas:

1. Ajuste de hiperparámetros: Experimenta con distintos hiperparámetros utilizando la Guía de ajuste de hiper parámetros para optimizar el rendimiento del modelo.
2. Aumento de datos: Aplica técnicas como voltear, escalar, rotar y ajustes de color para mejorar tu conjunto de datos de entrenamiento y mejorar la generalización del modelo.
3. Aprendizaje por transferencia: Aprovecha los modelos preentrenados y afínalos en tu conjunto de datos específico utilizando la guía Entrenar YOLOv8.
4. Exporta a formatos eficientes: Convierte tu modelo a formatos optimizados como TensorRT o ONNX para una inferencia más rápida utilizando la guía Exportar.
5. Evaluación comparativa: Utiliza el Modo de Evaluación Comparativa para medir y mejorar sistemáticamente la velocidad y la precisión de la inferencia.

¿Puedo desplegar los modelos Ultralytics YOLO en dispositivos móviles y de borde?

Sí, los modelos Ultralytics YOLO están diseñados para un despliegue versátil, incluyendo dispositivos móviles y de borde:

• Móvil: Convierte los modelos a TFLite o CoreML para integrarlos sin problemas en las aplicaciones Android o iOS . Consulta la Guía de integración de TFLite y la Guía de integración deCoreML para obtener instrucciones específicas para cada plataforma.
• Dispositivos Edge: Optimiza la inferencia en dispositivos como NVIDIA Jetson u otro hardware de borde utilizando TensorRT o ONNX. La Guía de Integración Edge TPU proporciona pasos detallados para la implantación en el borde.

Para una visión global de las estrategias de despliegue en las distintas plataformas, consulta la guía de opciones de despliegue.

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

Realizar inferencias con un modelo Ultralytics YOLO entrenado es sencillo:

1. Carga el Modelo:

from ultralytics import YOLO

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

1. Ejecuta 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 las técnicas avanzadas de inferencia, incluido el procesamiento por lotes, la inferencia de vídeo y el preprocesamiento personalizado, consulta la guía detallada de predicción.

¿Dónde puedo encontrar ejemplos y tutoriales para utilizar Ultralytics?

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

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

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

Si necesitas más ayuda, no dudes en consultar la documentación de Ultralytics o en ponerte en contacto con la comunidad a través de GitHub Issues o del foro de debate oficial.

Comentarios