Modelos compatibles con Ultralytics

¡Bienvenido a la documentación de modelos de Ultralytics! Ofrecemos soporte para una amplia gama de modelos, cada uno adaptado a tareas específicas como detección de objetos, segmentación de instancias, segmentación semántica, clasificación de imágenes, estimación de poses y seguimiento multiobjeto. Si te interesa contribuir con tu arquitectura de modelo a Ultralytics, consulta nuestra Guía de contribución.

Modelos destacados

Estos son algunos de los modelos clave compatibles:

1. YOLOv3: La tercera iteración de la familia de modelos YOLO, creada originalmente por Joseph Redmon, conocida por sus eficientes capacidades de detección de objetos en tiempo real.
2. YOLOv4: Una actualización nativa de darknet para YOLOv3, publicada por Alexey Bochkovskiy en 2020.
3. YOLOv5: Una versión mejorada de la arquitectura YOLO por Ultralytics, que ofrece mejores compensaciones entre rendimiento y velocidad en comparación con versiones anteriores.
4. YOLOv6: Publicado por Meituan en 2022 y utilizado en muchos de los robots de reparto autónomos de la empresa.
5. YOLOv7: Modelos YOLO actualizados publicados en 2022 por los autores de YOLOv4. Solo se admite la inferencia.
6. YOLOv8: Un modelo versátil que cuenta con capacidades mejoradas como segmentación de instancias, estimación de poses/puntos clave y clasificación.
7. YOLOv9: Un modelo experimental entrenado en la base de código de YOLOv5 de Ultralytics que implementa información de gradiente programable (PGI).
8. YOLOv10: Creado por la Universidad Tsinghua, cuenta con entrenamiento sin NMS y una arquitectura orientada a la eficiencia y la precisión, ofreciendo un rendimiento y una latencia de vanguardia.
9. YOLO11: Los modelos YOLO de Ultralytics que ofrecen un alto rendimiento en múltiples tareas, incluyendo detección, segmentación, estimación de poses, seguimiento y clasificación.
10. YOLO26 🚀 NUEVO: El último modelo YOLO de próxima generación de Ultralytics, optimizado para la implementación en el borde (edge) con inferencia integral sin NMS.
11. Segment Anything Model (SAM): El modelo Segment Anything Model (SAM) original de Meta.
12. Segment Anything Model 2 (SAM2): La próxima generación del modelo Segment Anything Model de Meta para vídeos e imágenes.
13. Segment Anything Model 3 (SAM3) 🚀 NUEVO: La tercera generación del modelo Segment Anything Model de Meta con segmentación de conceptos sugeribles (Promptable Concept Segmentation) para segmentación basada en texto y ejemplos de imágenes.
14. Mobile Segment Anything Model (MobileSAM): MobileSAM para aplicaciones móviles, creado por la Universidad Kyung Hee.
15. Fast Segment Anything Model (FastSAM): FastSAM del grupo de análisis de imagen y vídeo del Instituto de Automatización de la Academia China de Ciencias.
16. YOLO-NAS: YOLO Neural Architecture Search (NAS) Models.
17. Real-Time Detection Transformers (RT-DETR): Modelos Transformer de detección en tiempo real (RT-DETR) de PaddlePaddle de Baidu.
18. YOLO-World: Modelos de detección de objetos de vocabulario abierto en tiempo real de Tencent AI Lab.
19. YOLOE: Un detector de objetos de vocabulario abierto mejorado que mantiene el rendimiento en tiempo real de YOLO mientras detecta clases arbitrarias más allá de sus datos de entrenamiento.

Primeros pasos: Ejemplos de uso

Este ejemplo proporciona ejemplos sencillos de entrenamiento e inferencia con YOLO. Para obtener la documentación completa sobre estos y otros modos, consulta las páginas de documentación de Predict, Train, Val y Export.

Ten en cuenta que el ejemplo siguiente destaca los modelos YOLO11 Detect para detección de objetos. Para tareas compatibles adicionales, consulta la documentación de Segment, Classify y Pose.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Cómo contribuir con nuevos modelos

¿Te interesa contribuir con tu modelo a Ultralytics? ¡Genial! Siempre estamos abiertos a ampliar nuestra cartera de modelos.

1. Haz un fork del repositorio: Comienza haciendo un fork del repositorio de GitHub de Ultralytics.

2. Clona tu fork: Clona tu fork en tu máquina local y crea una nueva rama en la que trabajar.

3. Implementa tu modelo: Añade tu modelo siguiendo los estándares de codificación y las directrices proporcionadas en nuestra Guía de contribución.

4. Prueba exhaustivamente: Asegúrate de probar tu modelo rigurosamente, tanto de forma aislada como parte del flujo de trabajo.

5. Crea una solicitud de extracción (PR): Una vez que estés satisfecho con tu modelo, crea una solicitud de extracción al repositorio principal para su revisión.

6. Revisión de código y fusión: Tras la revisión, si tu modelo cumple con nuestros criterios, se fusionará en el repositorio principal.

Para ver los pasos detallados, consulta nuestra Guía de contribución.

Preguntas frecuentes

¿Cuál es el último modelo YOLO de Ultralytics?

El último modelo YOLO de Ultralytics es YOLO26, publicado en enero de 2026. YOLO26 cuenta con inferencia integral sin NMS, implementación optimizada en el borde y admite detección, segmentación de instancias, segmentación semántica, 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.

¿Cómo puedo entrenar un modelo YOLO con datos personalizados?

Entrenar un modelo YOLO con datos personalizados se puede lograr fácilmente utilizando las bibliotecas de Ultralytics. Aquí tienes un ejemplo rápido:

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

Para obtener instrucciones más detalladas, visita la página de documentación de Train.

¿Qué versiones de YOLO son compatibles con Ultralytics?

Ultralytics admite una amplia gama de versiones de YOLO (You Only Look Once) desde YOLOv3 hasta YOLO26, junto con modelos como YOLO-NAS, SAM y RT-DETR. Cada versión está optimizada para varias tareas, como detección, segmentación, segmentación semántica y clasificación. Para obtener información detallada sobre cada modelo, consulta la documentación de Modelos compatibles con Ultralytics.

¿Por qué debería usar la plataforma de Ultralytics para proyectos de aprendizaje automático?

Ultralytics Platform proporciona una plataforma integral sin código para entrenar, implementar y gestionar modelos YOLO. Simplifica flujos de trabajo complejos, permitiendo a los usuarios centrarse en el rendimiento del modelo y la aplicación. El HUB también ofrece capacidades de entrenamiento en la nube, gestión integral de conjuntos de datos e interfaces fáciles de usar tanto para principiantes como para desarrolladores experimentados.

¿Qué tipos de tareas pueden realizar los modelos YOLO de Ultralytics?

Los modelos YOLO de Ultralytics son versátiles y pueden realizar tareas como detección de objetos, segmentación de instancias, segmentación semántica, clasificación, estimación de poses y detección de objetos orientados (OBB). El modelo más reciente, YOLO26, admite las seis tareas, además de la detección de vocabulario abierto. Para obtener detalles sobre tareas específicas, consulta las páginas de tareas.