Modelos compatibles con Ultralytics#
Te damos la bienvenida a la documentación de modelos de Ultralytics. Ofrecemos compatibilidad con una amplia variedad de modelos, cada uno adaptado a tareas específicas como la detección de objetos, la segmentación de instancias, la segmentación semántica, la estimación de profundidad, la clasificación de imágenes, la estimación de poses y las cajas delimitadoras orientadas. Si te interesa contribuir con la arquitectura de tu modelo a Ultralytics, consulta nuestra Guía de contribución.
Modelos destacados#
Empieza tu nuevo proyecto con YOLO26: es la versión más reciente de Ultralytics y la única que cubre las siete tareas. YOLO11 es la alternativa consolidada, con puntos de control preentrenados para cada una de sus cinco tareas. Elige una familia especializada solo si necesitas segmentación guiada por indicaciones (SAM 3), detección de vocabulario abierto (YOLOE, YOLO-World) o un detector Transformer (RT-DETR).
YOLO27 se encuentra en la fase final de I+D y se prevé su lanzamiento para finales de este año, aunque todavía no hay una fecha confirmada. Descubre su arquitectura, las siete tareas previstas y los resultados preliminares de las pruebas de rendimiento. Los pesos del modelo y la compatibilidad con el paquete aún no están disponibles; usa YOLO26 para tus proyectos actuales.
La tabla enumera los modelos publicados y las referencias de arquitectura, junto con sus tareas, los modos compatibles de entrenamiento, validación, predicción y exportación, y los casos de uso recomendados. Track no aparece por separado: se ejecuta sobre predict en los modelos Detect, Segment, Pose y OBB, mientras que SAM 2 y SAM 3 realizan el seguimiento mediante sus propios predictores de vídeo. Benchmark tampoco aparece, porque combina export y val en distintos formatos en lugar de añadir compatibilidad propia.
| Modelo | Tareas | Modos | Elígelo para |
|---|---|---|---|
| YOLO26 🚀 NUEVO | Detección, segmentación, semántica, profundidad, clasificación, pose, OBB | Entrenamiento, validación, predicción, exportación | Proyectos nuevos: inferencia opcional sin NMS, implementación optimizada para el edge y la cobertura de tareas más amplia |
| YOLO12 | Detección, segmentación, clasificación, pose, OBB | Entrenamiento, validación, predicción, exportación | Evaluación comparativa de la versión comunitaria centrada en la atención; los pesos preentrenados solo cubren la detección |
| YOLO11 | Detección, segmentación, clasificación, pose, OBB | Entrenamiento, validación, predicción, exportación | Cargas de trabajo de producción estables, con puntos de control preentrenados para todas las tareas compatibles |
| YOLOv10 | Detección | Entrenamiento, validación, predicción, exportación | Investigación sobre detección sin NMS de la Universidad de Tsinghua |
| YOLOv9 | Detección, segmentación | Entrenamiento, validación, predicción, exportación | Información de gradiente programable (PGI), implementada sobre la base de código de YOLOv5 de Ultralytics |
| YOLOv8 | Detección, segmentación, clasificación, pose, OBB | Entrenamiento, validación, predicción, exportación | Flujos de trabajo de YOLOv8 existentes e integraciones de terceros consolidadas |
| YOLOv7 | Detección | Predecir | Ejecución de una exportación de YOLOv7 entrenada en el repositorio original: el paquete realiza predicciones con un modelo ONNX o TensorRT compatible, nunca con el punto de control nativo |
| YOLOv6 | Detección | Entrenamiento, validación, predicción, exportación | Entrenamiento de la arquitectura de Meituan a partir de su YAML; Ultralytics no aloja puntos de control YOLOv6 .pt |
| YOLOv5 | Detección | Entrenamiento, validación, predicción, exportación | Proyectos heredados de Ultralytics; las versiones actuales cargan los puntos de control YOLOv5u actualizados |
| YOLOv4 | Ninguno | Ninguno | Solo como referencia de arquitectura: el modelo nativo de Darknet de Alexey Bochkovskiy no es compatible con el paquete |
| YOLOv3 | Detección | Entrenamiento, validación, predicción, exportación | Proyectos heredados basados en la arquitectura original de Joseph Redmon; las versiones actuales cargan los puntos de control YOLOv3u actualizados |
| SAM 3 🚀 NUEVO | Segmentación | Predecir | Segmentación conceptual guiada por indicaciones de Meta en imágenes y vídeo, a partir de ejemplos de texto o imágenes; sam3.pt y sam3.1_multiplex.pt de SAM 3.1 (imágenes) requieren autorización de acceso en Hugging Face |
| SAM 2 | Segmentación | Predecir | Segmentación guiada por indicaciones de Meta, con seguimiento de objetos a través de fotogramas de vídeo |
| SAM | Segmentación | Predecir | Segmentación original de Meta guiada por indicaciones, incluida la anotación automática |
| MobileSAM | Segmentación | Predecir | Segmentación guiada por indicaciones en móviles y otros dispositivos con recursos limitados (Universidad Kyung Hee) |
| FastSAM | Segmentación | Validación, predicción, exportación | Segmentación guiada por indicaciones basada en CNN para cuando la latencia de SAM es el cuello de botella (Academia China de Ciencias) |
| YOLO-NAS | Detección | Validación, predicción, exportación | Detectores optimizados con NAS de Deci, que se mantienen para inferencia y exportación; Deci dejó de mantenerlos tras la adquisición por parte de NVIDIA |
| RT-DETR | Detección | Entrenamiento, validación, predicción, exportación | Detector DETR en tiempo real de Baidu: una red troncal convolucional con un codificador híbrido Transformer |
| YOLO-World | Detección | Entrenamiento, validación, predicción, exportación | Detección de vocabulario abierto a partir de indicaciones de texto (Tencent AI Lab); la exportación requiere los puntos de control -worldv2 |
| YOLOE | Detección, segmentación | Entrenamiento, validación, predicción, exportación | Detección y segmentación de vocabulario abierto con inferencia basada en texto, información visual o sin indicaciones |
Ultralytics también incluye LLM, una interfaz compatible con OpenAI para modelos de lenguaje y visión de gran tamaño que permite comprender texto e imágenes. No tiene tareas ni modos propios, así que no aparece en la tabla anterior, pero se integra con cualquier flujo de trabajo de YOLO y funciona con OpenAI y otros proveedores en la nube, o en un servidor local completamente alojado en tus instalaciones.
Ver: Ejecuta modelos Ultralytics YOLO con tan solo unas líneas de código.
Primeros pasos: ejemplos de uso#
Este ejemplo incluye ejemplos sencillos de entrenamiento e inferencia con YOLO. Para consultar la documentación completa de estos y otros modos, visita las páginas de documentación de Predict, Train, Val y Export.
Ten en cuenta que el ejemplo siguiente se centra en los modelos YOLO26 de Detect para la detección de objetos. Para consultar otras tareas compatibles, visita la documentación de Segment, Semantic, Depth, Classify, Pose y OBB.
Puedes pasar modelos *.pt preentrenados de PyTorch, así como archivos de configuración *.yaml, a las clases YOLO(), SAM(), NAS() y RTDETR() para crear una instancia del modelo en Python:
from ultralytics import YOLO
# Carga un modelo YOLO26n preentrenado en COCO
model = YOLO("yolo26n.pt")
# Mostrar información del modelo (opcional)
model.info()
# Entrena el modelo durante 100 épocas con el conjunto de datos de ejemplo COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Ejecuta inferencias con el modelo YOLO26n en la imagen 'bus.jpg'
results = model("path/to/bus.jpg")Contribuir con modelos nuevos#
¿Te interesa contribuir con tu modelo a Ultralytics? ¡Genial! Siempre estamos dispuestos a ampliar nuestro catálogo de modelos.
-
Bifurca el repositorio: empieza por bifurcar el repositorio de Ultralytics en GitHub.
-
Clona tu bifurcación: clona tu bifurcación en tu equipo local y crea una rama nueva para trabajar.
-
Implementa tu modelo: añade tu modelo siguiendo los estándares y las directrices de programación de nuestra Guía de contribución.
-
Haz pruebas exhaustivas: asegúrate de probar rigurosamente tu modelo, tanto de forma aislada como integrado en el flujo de trabajo.
-
Crea una solicitud de cambios: cuando estés satisfecho con tu modelo, crea una solicitud de cambios en el repositorio principal para que se revise.
-
Revisión y fusión del código: tras la revisión, si tu modelo cumple nuestros criterios, se fusionará con el repositorio principal.
Para consultar los pasos detallados, echa un vistazo a nuestra Guía de contribución.
Preguntas frecuentes#
El modelo YOLO más reciente publicado por Ultralytics es YOLO26, lanzado en enero de 2026. YOLO26 ofrece inferencia integral opcional sin NMS, implementación optimizada para el edge y compatibilidad con detección, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación, estimación de poses y OBB, además de versiones de vocabulario abierto. Para cargas de trabajo de producción estables, se recomiendan tanto YOLO26 como YOLO11.
YOLO27 es la próxima familia y se encuentra actualmente en la fase final de I+D. Aún no está disponible y no hay una fecha de lanzamiento confirmada.
Entrenar un modelo YOLO con datos personalizados es muy sencillo con las bibliotecas de Ultralytics. Aquí tienes un ejemplo rápido:
Ejemplofrom ultralytics import YOLO # Cargar un modelo YOLO model = YOLO("yolo26n.pt") # o cualquier otro modelo YOLO # Entrenar el modelo con un conjunto de datos personalizado results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)Para consultar instrucciones más detalladas, visita la página de documentación de Train.
Ultralytics es compatible de forma nativa con YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 y YOLO26, además de con la familia SAM (SAM 3, SAM 2, SAM, MobileSAM y FastSAM), YOLO-NAS, RT-DETR, YOLO-World y YOLOE. El paquete no publica pesos ni archivos YAML para YOLOv4 o YOLOv7: YOLOv4 se documenta únicamente como referencia de arquitectura, mientras que YOLOv7 se ejecuta como modelo ONNX o TensorRT exportado. Consulta Modelos destacados para ver las tareas y los modos disponibles para cada uno.
Ultralytics Platform ofrece una plataforma integral sin código para entrenar, desplegar y gestionar modelos YOLO. Simplifica los flujos de trabajo complejos y permite a los usuarios centrarse en el rendimiento de los modelos y en su aplicación. También ofrece capacidades de entrenamiento en la nube, una gestión completa de conjuntos de datos e interfaces fáciles de usar tanto para principiantes como para desarrolladores con experiencia.
Los modelos Ultralytics YOLO son versátiles y pueden realizar tareas como detección de objetos, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación, estimación de pose y detección de objetos orientados (OBB). El modelo más reciente, YOLO26, admite las siete tareas y también la detección de vocabulario abierto. Para obtener más información sobre tareas concretas, consulta las páginas de tareas.