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 detección de objetos, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación de imágenes, estimación de pose y cajas delimitadoras orientadas. Si te interesa aportar tu arquitectura de modelo a Ultralytics, consulta nuestra Guía de contribución.
Modelos destacados#
Empieza con YOLO26 para un proyecto nuevo: es la versión más reciente de Ultralytics y la única que cubre las siete tareas. YOLO11 es la alternativa consolidada, con checkpoints preentrenados para cada una de sus cinco tareas. Elige una familia especializada solo cuando necesites segmentación guiada por prompts (SAM 3), detección de vocabulario abierto (YOLOE, YOLO-World) o un detector Transformer (RT-DETR).
YOLO27 se encuentra en fase de investigación y desarrollo final para un lanzamiento previsto para finales de este año, sin una fecha de lanzamiento fija. Obtén una vista previa de la arquitectura de YOLO27, las siete tareas planificadas de YOLO27 y los benchmarks preliminares de YOLO27. Los pesos de los modelos de YOLO27 y la compatibilidad con paquetes de YOLO27 aún no están disponibles; utiliza YOLO26 para los proyectos actuales.
La tabla enumera los modelos publicados y las referencias de arquitectura con sus tareas, los modos compatibles de train, val, predict y export y los casos de uso recomendados. Track no se enumera por separado: Track se ejecuta sobre predict para los modelos de Detect, Segment, Pose y OBB, mientras que SAM 2 y SAM 3 realizan el seguimiento a través de sus propios predictores de video. Benchmark tampoco se enumera, porque Benchmark envuelve export y val en todos los formatos en lugar de añadir su propia compatibilidad.
| Modelo | Tareas | Modos | Elígelo para |
|---|---|---|---|
| YOLO26 🚀 NUEVO | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Nuevos proyectos: inferencia sin NMS opcional, despliegue optimizado para el borde y la mayor cobertura de tareas |
| YOLO12 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Evaluación comparativa de la versión comunitaria centrada en la atención; los pesos preentrenados solo cubren la detección |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Cargas de trabajo de producción estables, con checkpoints preentrenados para todas las tareas compatibles |
| YOLOv10 | Detect | Train, Val, Predict, Export | Investigación sobre detección sin NMS de la Universidad de Tsinghua |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Información de gradiente programable (PGI), implementada sobre el código base de YOLOv5 de Ultralytics |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Pipelines existentes de YOLOv8 e integraciones de terceros consolidadas |
| YOLOv7 | Detect | Predecir | Ejecutar una exportación de YOLOv7 entrenada originalmente: el paquete predice a partir de un modelo ONNX o TensorRT compatible, nunca a partir del checkpoint nativo |
| YOLOv6 | Detect | Train, Val, Predict, Export | Entrenamiento de la arquitectura de Meituan a partir de su YAML; Ultralytics no aloja checkpoints .pt de YOLOv6 |
| YOLOv5 | Detect | Train, Val, Predict, Export | Proyectos antiguos de Ultralytics; las versiones actuales cargan los checkpoints actualizados de YOLOv5u |
| YOLOv4 | Ninguno | Ninguno | Solo como referencia de arquitectura: el modelo nativo de Darknet de Alexey Bochkovskiy no es compatible con el paquete |
| YOLOv3 | Detect | Train, Val, Predict, Export | Proyectos antiguos basados en la arquitectura original de Joseph Redmon; las versiones actuales cargan los checkpoints actualizados de YOLOv3u |
| SAM 3 🚀 NUEVO | Segment | Predecir | La segmentación conceptual interactiva de Meta en imágenes y vídeo, a partir de texto o ejemplos de imágenes; sam3.pt y SAM 3.1 sam3.1_multiplex.pt (imágenes) requieren aprobación de acceso en Hugging Face |
| SAM 2 | Segment | Predecir | Segmentación guiada por prompts de Meta, con seguimiento de objetos entre fotogramas de vídeo |
| SAM | Segment | Predecir | Segmentación guiada por prompts original de Meta, incluida la anotación automática |
| MobileSAM | Segment | Predecir | Segmentación guiada por prompts en dispositivos móviles y otros dispositivos con recursos limitados (Universidad Kyung Hee) |
| FastSAM | Segment | Val, Predict, Export | Segmentación guiada por prompts basada en CNN cuando la latencia de SAM es el cuello de botella (Academia China de Ciencias) |
| YOLO-NAS | Detect | Val, Predict, Export | Detectores optimizados mediante NAS de Deci, conservados para inferencia y exportación; Deci ya no los mantiene tras la adquisición por NVIDIA |
| RT-DETR | Detect | Train, Val, Predict, Export | Detector DETR en tiempo real de Baidu: una base convolucional con un codificador Transformer híbrido |
| YOLO-World | Detect | Train, Val, Predict, Export | Detección de vocabulario abierto a partir de prompts de texto (Tencent AI Lab); la exportación requiere los checkpoints -worldv2 |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Detección y segmentación de vocabulario abierto con inferencia basada en texto, elementos visuales o sin prompts |
Ultralytics también incluye LLM, una interfaz compatible con OpenAI para modelos de lenguaje y visión de gran tamaño, destinada a la comprensión de texto e imágenes. No tiene tareas ni modos propios, por lo que no aparece en la tabla anterior, pero se combina con cualquier pipeline de YOLO y funciona con OpenAI y otros proveedores cloud, o con un servidor local on-premise completamente independiente.
Watch: Run Ultralytics YOLO models in just a few lines of code.
Primeros pasos: ejemplos de uso#
Este ejemplo proporciona ejemplos sencillos de entrenamiento e inferencia con YOLO. Para consultar la documentación completa sobre 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.
Los modelos *.pt preentrenados de PyTorch, así como los archivos de configuración *.yaml, se pueden pasar a las clases YOLO(), SAM(), NAS() y RTDETR() para crear una instancia del modelo en Python:
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")Contribuir con modelos nuevos#
¿Te interesa contribuir con tu modelo a Ultralytics? ¡Genial! Siempre estamos abiertos a ampliar nuestra cartera de modelos.
-
Bifurca el repositorio: empieza bifurcando el repositorio de Ultralytics en GitHub.
-
Clona tu bifurcación: clona tu bifurcación en tu equipo local y crea una rama nueva en la que trabajar.
-
Implementa tu modelo: añade tu modelo siguiendo los estándares y las directrices de programación indicados en nuestra Guía de contribución.
-
Prueba a fondo: asegúrate de probar rigurosamente tu modelo, tanto de forma aislada como dentro del pipeline.
-
Crea una solicitud de incorporación de cambios: cuando estés satisfecho con tu modelo, crea una solicitud de incorporación de cambios al 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, revisa nuestra Guía de contribución.
Preguntas frecuentes#
El último modelo Ultralytics YOLO publicado es YOLO26, publicado en enero de 2026. YOLO26 incluye inferencia de extremo a extremo opcional sin NMS, implementación en el borde optimizada y es compatible con la detección, la segmentación de instancias, la segmentación semántica, la estimación de profundidad, la clasificación, la estimación de posturas y OBB, además de versiones de vocabulario abierto. Para cargas de trabajo de producción estables, tanto YOLO26 como YOLO11 son opciones recomendadas.
YOLO27 es la próxima familia, actualmente en investigación y desarrollo final. YOLO27 aún no está disponible y YOLO27 no tiene una fecha de lanzamiento fija.
Entrenar un modelo YOLO con datos personalizados es muy sencillo utilizando las bibliotecas de Ultralytics. Aquí tienes un ejemplo rápido:
Ejemplofrom 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.
Ultralytics es compatible de forma nativa con YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 y YOLO26, además de 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 YAML para YOLOv4 o YOLOv7: YOLOv4 se documenta únicamente como referencia de arquitectura, mientras que YOLOv7 funciona como modelo ONNX o TensorRT exportado. Consulta Modelos destacados para conocer las tareas y los modos disponibles para cada uno.
Ultralytics Platform proporciona una plataforma integral sin código para entrenar, desplegar y gestionar modelos YOLO. Simplifica los flujos de trabajo complejos y permite centrarse en el rendimiento del modelo y la aplicación. También ofrece capacidades de entrenamiento en la nube, una gestión integral de conjuntos de datos e interfaces fáciles de usar tanto para principiantes como para desarrolladores experimentados.
Los modelos YOLO de Ultralytics 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 información detallada sobre tareas específicas, consulta las páginas de tareas.