Modelos compatibles con Ultralytics#
¡Bienvenido a la documentación de modelos de Ultralytics! Ofrecemos compatibilidad con una amplia gama de modelos, cada uno adaptado a tareas específicas como detection de objetos, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación de imágenes, estimación de posturas y seguimiento multiobjeto. Si te interesa contribuir con tu arquitectura de modelos a Ultralytics, consulta nuestra Guía de contribución.
Modelos destacados#
Comienza con YOLO26 para un proyecto nuevo: es el lanzamiento más reciente de Ultralytics y el único que cubre las siete tareas. YOLO11 es la alternativa madura, con puntos de control preentrenados para cada una de sus cinco tareas. Elige una familia especializada únicamente cuando necesites segmentación guiada por avisos (SAM 3), detección de vocabulario abierto (YOLOE, YOLO-World) o un detector basado en Transformer (RT-DETR).
La tabla enumera todos los modelos documentados junto con las tareas que cubren, cuáles de los modos de entrenamiento, validación, predicción y exportación admite Ultralytics para ellos y cuándo elegirlos. Track no se muestra por separado: se ejecuta sobre la predicción para los modelos Detect, Segment, Pose y OBB, mientras que SAM 2 y SAM 3 realizan el seguimiento a través de sus propios predictores de vídeo. Benchmark tampoco aparece porque encapsula la exportación y la validación en todos los formatos en lugar de añadir compatibilidad propia.
| Modelo | Tareas | Modos | Elegirlo para |
|---|---|---|---|
| YOLO26 🚀 NUEVO | Detect, Segment, Semantic, Depth, Classify, Pose, OBB | Train, Val, Predict, Export | Nuevos proyectos: inferencia de extremo a extremo sin NMS, 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 cubren únicamente la detección |
| YOLO11 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Cargas de trabajo de producción estables, con puntos de control preentrenados para cada tarea que admite |
| YOLOv10 | Detectar | Train, Val, Predict, Export | Investigación de detección sin NMS de la Universidad de Tsinghua |
| YOLOv9 | Detect, Segment | Train, Val, Predict, Export | Información de gradiente programable (PGI), implementada en la base de código de YOLOv5 de Ultralytics |
| YOLOv8 | Detect, Segment, Classify, Pose, OBB | Train, Val, Predict, Export | Canalizaciones existentes de YOLOv8 e integraciones establecidas de terceros |
| YOLOv7 | Detectar | Predecir | Ejecución de una exportación de YOLOv7 entrenada en el código fuente principal: el paquete predice a partir de un modelo ONNX o TensorRT compatible, nunca desde el punto de control nativo |
| YOLOv6 | Detectar | Train, Val, Predict, Export | Entrenamiento de la arquitectura de Meituan a partir de su archivo YAML; Ultralytics no aloja puntos de control .pt de YOLOv6 |
| YOLOv5 | Detectar | Train, Val, Predict, Export | Proyectos heredados de Ultralytics; las versiones actuales cargan los puntos de control actualizados de YOLOv5u |
| YOLOv4 | Ninguna | Ninguna | Solo como referencia de arquitectura: el paquete no es compatible con el modelo nativo de Darknet de Alexey Bochkovskiy |
| YOLOv3 | Detectar | Train, Val, Predict, Export | Proyectos heredados en la arquitectura original de Joseph Redmon; las versiones actuales cargan los puntos de control actualizados de YOLOv3u |
| SAM 3 🚀 NUEVO | Segmentar | Predecir | Segmentación de conceptos guiada por avisos de Meta en imágenes y vídeo, a partir de texto o ejemplos de imágenes; sam3.pt requiere la aprobación de acceso en Hugging Face |
| SAM 2 | Segmentar | Predecir | Segmentación guiada por avisos de Meta, realizando el seguimiento de objetos en fotogramas de vídeo |
| SAM | Segmentar | Predecir | Segmentación guiada por avisos original de Meta, incluida la anotación automática |
| MobileSAM | Segmentar | Predecir | Segmentación guiada por avisos en móviles y otros dispositivos con recursos limitados (Universidad Kyung Hee) |
| FastSAM | Segmentar | Val, Predict, Export | Segmentación guiada por avisos basada en CNN cuando la latencia de SAM es el cuello de botella (Academia China de Ciencias) |
| YOLO-NAS | Detectar | Val, Predict, Export | Detectores optimizados mediante NAS de Deci, conservados para inferencia y exportación; Deci ya no los mantiene tras la adquisición por parte de NVIDIA |
| RT-DETR | Detectar | Train, Val, Predict, Export | Detector DETR en tiempo real de Baidu: una columna vertebral convolucional con un codificador transformer híbrido |
| YOLO-World | Detectar | Train, Val, Predict, Export | Detección de vocabulario abierto a partir de indicaciones de texto (Tencent AI Lab); la exportación requiere los puntos de control de -worldv2 |
| YOLOE | Detect, Segment | Train, Val, Predict, Export | Detección y segmentación de vocabulario abierto con inferencia basada en texto, visual o sin indicaciones |
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 siguiente ejemplo destaca los modelos Detect de YOLO26 para la detección de objetos. Para ver otras tareas compatibles, consulta 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 de 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")Cómo contribuir con nuevos modelos#
¿Te interesa contribuir con tu modelo a Ultralytics? ¡Genial! Siempre estamos abiertos a ampliar nuestra cartera de modelos.
-
Bifurca el repositorio: Comienza bifurcando el repositorio de GitHub de Ultralytics.
-
Clona tu fork: Clona tu fork en tu máquina local y crea una nueva rama en la que trabajar.
-
Implementa tu modelo: Añade tu modelo siguiendo las normas y directrices de codificación proporcionadas en nuestra Guía de contribución.
-
Prueba exhaustivamente: Asegúrate de probar tu modelo rigurosamente, tanto de forma aislada como parte de la tubería.
-
Crea un Pull Request: Una vez estés satisfecho con tu modelo, crea un pull request al repositorio principal para su revisión.
-
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.
FAQ#
El modelo YOLO de Ultralytics más reciente es YOLO26, lanzado en enero de 2026. YOLO26 incluye inferencia de extremo a extremo sin NMS, despliegue optimizado en el borde y es compatible con detección, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación, estimación de posturas y OBB, además de versiones de vocabulario abierto. Para cargas de trabajo de producción estables, se recomienda elegir tanto YOLO26 como YOLO11.
Entrenar un modelo YOLO con datos personalizados se puede lograr fácilmente utilizando las librerías 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, junto 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 un modelo exportado en formato ONNX o TensorRT. Consulta Modelos destacados para conocer las tareas y modos disponibles para cada uno.
Ultralytics Platform ofrece una plataforma integral sin código para entrenar, desplegar y gestionar modelos YOLO. Simplifica las flujos de trabajo complejos, lo que permite a los usuarios centrarse en el rendimiento y la aplicación de los modelos. También ofrece capacidades de entrenamiento en la nube, una gestión exhaustiva 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 posturas y detección de objetos orientados (OBB). El modelo más reciente, YOLO26, admite las siete tareas además de la detección de vocabulario abierto. Para obtener detalles sobre tareas específicas, consulta las Páginas de tareas.