Saltar al contenido

Modelos admitidos por Ultralytics

Bienvenido a la documentaci贸n sobre modelos de Ultralytics Ofrecemos soporte para una amplia gama de modelos, cada uno adaptado a tareas espec铆ficas como la detecci贸n de objetos, la segmentaci贸n de instancias, la clasificaci贸n de im谩genes, la estimaci贸n de poses y el seguimiento multiobjeto. Si est谩s interesado en contribuir con la arquitectura de tu modelo a Ultralytics, consulta nuestra Gu铆a de contribuci贸n.

Estos son algunos de los principales modelos compatibles:

  1. YOLOv3: La tercera iteraci贸n de la familia de modelos YOLO , original de Joseph Redmon, conocida por su eficaz capacidad de detecci贸n de objetos en tiempo real.
  2. YOLOv4: Una actualizaci贸n nativa de la red oscura de YOLOv3, publicada por Alexey Bochkovskiy en 2020.
  3. YOLOv5: Una versi贸n mejorada de la arquitectura YOLO de Ultralytics, que ofrece mejores prestaciones y velocidad en comparaci贸n con las versiones anteriores.
  4. YOLOv6: Lanzado por Meituan en 2022, y en uso en muchos de los robots aut贸nomos de reparto de la empresa.
  5. YOLOv7: Modelos actualizados de YOLO publicados en 2022 por los autores de YOLOv4.
  6. YOLOv8 NUEVO 馃殌: La 煤ltima versi贸n de la familia YOLO , con funciones mejoradas como la segmentaci贸n de instancias, la estimaci贸n de poses/puntos clave y la clasificaci贸n.
  7. YOLOv9: Un modelo experimental entrenado en el Ultralytics YOLOv5 c贸digo base que implementa la Informaci贸n de Gradiente Programable (PGI).
  8. Modelo de segmento de cualquier cosa (SAM): Modelo de Segmentar Cualquier Cosa de Meta (SAM).
  9. Modelo de cualquier cosa para segmentos m贸viles (MobileSAM): MobileSAM para aplicaciones m贸viles, por la Universidad Kyung Hee.
  10. Modelo R谩pido de Cualquier Segmento (FastSAM): FastSAM por el Grupo de An谩lisis de Imagen y V铆deo del Instituto de Automatizaci贸n de la Academia China de las Ciencias.
  11. YOLO-NAS: YOLO Modelos de b煤squeda de arquitectura neuronal (NAS).
  12. Transformadores de Detecci贸n en Tiempo Real (RT-DETR): Modelos de transformadores de detecci贸n en tiempo real de Baidu PaddlePaddle (RT-DETR).
  13. YOLO-Mundo: Modelos de Detecci贸n de Objetos de Vocabulario Abierto en tiempo real del Laboratorio de IA de Tencent.



Observa: Ejecuta los modelos de Ultralytics YOLO con s贸lo unas l铆neas de c贸digo.

Primeros pasos: Ejemplos de uso

Este ejemplo proporciona ejemplos sencillos de entrenamiento e inferencia de YOLO . Para obtener documentaci贸n completa sobre estos y otros modos, consulta las p谩ginas de documentaci贸n Predecir, Entrenar, Val y Exportar.

Ten en cuenta que el ejemplo siguiente es para los modelos YOLOv8 Detectar para la detecci贸n de objetos. Para otras tareas compatibles, consulta los documentos Segmentar, Clasificar y Pose.

Ejemplo

PyTorch preentrenado *.pt modelos, as铆 como la configuraci贸n *.yaml pueden pasarse a la funci贸n YOLO(), SAM(), NAS() y RTDETR() para crear una instancia del modelo en Python:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO('yolov8n.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 YOLOv8n model on the 'bus.jpg' image
results = model('path/to/bus.jpg')

CLI para ejecutar directamente los modelos:

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

Contribuir con nuevos modelos

驴Interesado en contribuir con tu modelo a Ultralytics? 隆Estupendo! Siempre estamos abiertos a ampliar nuestra cartera de modelos.

  1. Bifurca el repositorio: Comienza bifurcando el repositorio GitHub deUltralytics .

  2. Clona tu bifurcaci贸n: Clona tu bifurcaci贸n en tu m谩quina local y crea una nueva rama en la que trabajar.

  3. Implementa tu modelo: A帽ade tu modelo siguiendo las normas y directrices de codificaci贸n proporcionadas en nuestra Gu铆a de Contribuci贸n.

  4. Prueba a fondo: Aseg煤rate de probar tu modelo rigurosamente, tanto de forma aislada como formando parte del pipeline.

  5. Crea una Pull Request: Una vez que est茅s satisfecho con tu modelo, crea una pull request al repositorio principal para su revisi贸n.

  6. Revisi贸n del c贸digo y fusi贸n: Tras la revisi贸n, si tu modelo cumple nuestros criterios, se fusionar谩 en el repositorio principal.

Para conocer los pasos detallados, consulta nuestra Gu铆a de Contribuci贸n.



Creado 2023-11-12, Actualizado 2024-02-26
Autores: glenn-jocher (7), Laughing-q (1)

Comentarios