Ultralytics YOLO Preguntas más frecuentes (FAQ)

Esta sección de preguntas frecuentes aborda cuestiones 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, con especial atención a la familia YOLO (You Only Look Once). Su oferta incluye:

• Las implementaciones de código abierto de YOLO11 y YOLO11
• Una amplia gama de modelos preentrenados para diversas tareas de visión por ordenador
• Un paquete completo Python para integrar sin problemas los modelos YOLO en los proyectos.
• Herramientas versátiles para formar, probar e implantar modelos
• Amplia documentación y una comunidad de apoyo

¿Cómo se instala el paquete Ultralytics ?

La instalación del paquete Ultralytics es sencilla mediante pip:

pip install ultralytics

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

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

Encontrará 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+
• MÁS DE 8 GB DE RAM
• Más de 50 GB de espacio libre en disco (para almacenamiento de conjuntos de datos y formación de modelos)

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

¿Cómo puedo entrenar un modelo YOLO11 personalizado en mi propio conjunto de datos?

Para entrenar un modelo personalizado YOLO11 :

1. Prepare su conjunto de datos en formato YOLO (imágenes y archivos txt de etiquetas correspondientes).
2. Cree un archivo YAML que describa la estructura y las clases de su conjunto de datos.
3. Utilice el siguiente código Python para iniciar la formación:

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 obtener una guía más detallada, incluida la preparación de datos y las opciones de formación avanzada, consulte la guía de formación completa.

¿Qué modelos preentrenados están disponibles en Ultralytics?

Ultralytics ofrece una amplia gama de modelos preentrenados YOLO11 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

Estos modelos varían en tamaño y complejidad, y ofrecen distintas compensaciones entre velocidad y precisión. Explore toda la gama de modelos preentrenados para encontrar el que mejor se adapte a su proyecto.

¿Cómo se realiza 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 conocer las opciones avanzadas de inferencia, incluido el procesamiento por lotes y la inferencia de vídeo, consulte la guía detallada de predicción.

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

Por supuesto! Los modelos Ultralytics están diseñados para una implantación versátil en diversas plataformas:

• Dispositivos Edge: Optimice la inferencia en dispositivos como NVIDIA Jetson o Intel Neural Compute Stick utilizando TensorRT, ONNX, o OpenVINO.
• Móvil: Despliegue en dispositivos Android o iOS convirtiendo los modelos a TFLite o Core ML.
• La nube: Aproveche marcos como TensorFlow Serving o PyTorch Serve para implantaciones 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 despliegue. Explore la amplia gama de opciones de despliegue para encontrar la mejor solución para su caso de uso.

¿Cuál es la diferencia entre YOLOv8 y YOLO11?

Las distinciones clave incluyen:

• Arquitectura: YOLO11 presenta un diseño mejorado de la columna vertebral y el cabezal para mejorar el rendimiento.
• Rendimiento: YOLO11 suele ofrecer una precisión y una velocidad superiores a las de YOLOv8.
• Tareas: YOLO11 soporta de forma nativa la detección de objetos, la segmentación de instancias y la clasificación en un marco unificado.
• Codebase: YOLO11 se implementa con una arquitectura más modular y extensible, lo que facilita su personalización y ampliación.
• Formación: YOLO11 incorpora técnicas avanzadas de formación, como la formación de conjuntos de datos múltiples y la evolución de hiperparámetros para mejorar los resultados.

Para una comparación detallada de las características y métricas de rendimiento, visite la página de comparación YOLO página de comparación.

¿Cómo puedo contribuir al proyecto de código abierto Ultralytics ?

Contribuir a Ultralytics es una forma estupenda de mejorar el proyecto y ampliar tus conocimientos. A continuación te explicamos cómo puedes participar:

1. Fork del repositorio Ultralytics en GitHub.
2. Cree una nueva rama para su función o corrección de errores.
3. Haga sus cambios y asegúrese de que todas las pruebas pasan.
4. Envíe un pull request con una descripción clara de sus cambios.
5. Participar en el proceso de revisión del 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 se instala 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 obtener la versión de desarrollo más avanzada, instálela directamente desde el repositorio de GitHub:

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

Para obtener instrucciones de instalación específicas para cada entorno y consejos para solucionar problemas, consulte 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: Detecte y clasifique objetos de forma eficiente en escenarios en tiempo real.
• Modelos preformados: Acceda a una variedad de modelos preentrenados que equilibran velocidad y precisión para diferentes casos de uso.
• Formación personalizada: Ajuste fácilmente los modelos en conjuntos de datos personalizados con el canal de formación flexible.
• Amplias opciones de despliegue: Exporte modelos a varios formatos como TensorRT, ONNX, y CoreML para desplegarlos en diferentes plataformas.
• Documentación exhaustiva: Benefíciese de una documentación exhaus tiva y de una comunidad de apoyo que le guiarán en su viaje por la visión por ordenador.

Explore 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 ?

Puede mejorar el rendimiento de su modelo YOLO mediante varias técnicas:

1. Ajuste de hiperparámetros: Experimente con diferentes hiperparámetros utilizando la Guía de ajuste de hiperparámetros para optimizar el rendimiento del modelo.
2. Aumento de datos: Aplique técnicas como el volteo, la escala, la rotación y los ajustes de color para mejorar su conjunto de datos de entrenamiento y mejorar la generalización del modelo.
3. Aprendizaje por transferencia: Aproveche los modelos preentrenados y afínelos en su conjunto de datos específico mediante la guía Train YOLO11.
4. Exportación 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: Utilice el modo de evaluación comparativa para medir y mejorar sistemáticamente la velocidad y la precisión de las inferencias.

¿Puedo implantar los modelos Ultralytics YOLO en dispositivos móviles y periféricos?

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

• Móvil: Convierta modelos a TFLite o CoreML para una integración perfecta en las aplicaciones Android o iOS . Consulte la Guía de integración de TFLite y la Guía de integración deCoreML para obtener instrucciones específicas de la plataforma.
• Dispositivos Edge: Optimice 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 implementación de borde.

Para una visión general de las estrategias de implantación en las distintas plataformas, consulte la guía de opciones de implantación.

¿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. 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 conocer las técnicas de inferencia avanzadas, incluido el procesamiento por lotes, la inferencia de vídeo y el preprocesamiento personalizado, consulte la guía de predicción detallada.

¿Dónde puedo encontrar ejemplos y tutoriales para utilizar Ultralytics?

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

• 📚 Documentación oficial: Guías completas, referencias de API y mejores 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: Tutoriales en vídeo, 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 de Ultralytics .

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

Creado hace 1 año ✏️ Actualizado hace 2 meses

Comentarios