Modos de Ultralytics YOLO26
Introducción#
Ultralytics YOLO26 es mucho más que un modelo de detección de objetos: el marco Ultralytics abarca el ciclo de vida completo de los modelos de aprendizaje automático, desde el entrenamiento y la validación hasta la predicción, la exportación, el seguimiento y las pruebas comparativas. Cada modo cumple una función específica en ese flujo de trabajo.
Para conocer los planes de compatibilidad con YOLO27, consulta la vista previa de YOLO27. YOLO27 llegará próximamente y aún no está disponible; esta guía utiliza los modelos YOLO26 publicados.
Ver: Tutorial sobre los modos de Ultralytics: entrenar, validar, predecir, exportar y comparar el rendimiento.
Resumen de los modos#
Ultralytics YOLO26 admite los siguientes modos:
- Modo Train: Entrena o ajusta tu modelo con conjuntos de datos personalizados o integrados.
- Modo Val: Valida el rendimiento del modelo después del entrenamiento.
- Modo Predict: Ejecuta inferencias con tu modelo en imágenes, vídeos y transmisiones nuevos.
- Modo Export: Convierte tu modelo a formatos listos para la implementación del modelo.
- Modo Track: Realiza el seguimiento de objetos en tiempo real a través de fotogramas de vídeo y transmisiones en directo.
- Modo Benchmark: Analiza la velocidad y la precisión de tu modelo en distintos entornos de despliegue.
Las secciones siguientes resumen cada modo y enlazan con su guía completa.
Entrenar#
El modo Train se utiliza para entrenar un modelo YOLO26 con un conjunto de datos personalizado. En este modo, el modelo se entrena con el conjunto de datos y los hiperparámetros especificados. El proceso de entrenamiento optimiza los parámetros del modelo para que pueda predecir con precisión las clases y las ubicaciones de los objetos de una imagen. El entrenamiento es esencial para crear modelos capaces de reconocer objetos específicos relevantes para tu aplicación.
Validar#
El modo Val se utiliza para validar un modelo YOLO26 después de entrenarlo. En este modo, el modelo se evalúa con un conjunto de validación para medir su precisión y su capacidad de generalización. La validación ayuda a identificar posibles problemas, como el sobreajuste, y proporciona métricas como la precisión media promedio (mAP) para cuantificar el rendimiento del modelo. Los resultados de la validación orientan el ajuste de hiperparámetros y otras mejoras del modelo.
Predecir#
El modo Predict se utiliza para hacer predicciones con un modelo YOLO26 entrenado sobre imágenes o vídeos nuevos. En este modo, el modelo se carga desde un archivo de punto de control y puedes proporcionar imágenes o vídeos para realizar inferencias. El modelo identifica y localiza objetos en los medios de entrada. El modo Predict te permite aplicar tu modelo entrenado a problemas prácticos.
Exportar#
El modo Export se utiliza para convertir un modelo YOLO26 a formatos adecuados para su despliegue en distintas plataformas y dispositivos. Este modo transforma tu modelo PyTorch en formatos optimizados, como ONNX, TensorRT o CoreML, para permitir su despliegue en entornos de producción. La exportación es esencial para integrar tu modelo con distintas aplicaciones de software o dispositivos de hardware y, a menudo, mejora significativamente el rendimiento.
Seguimiento#
El modo Track amplía las capacidades de detección de objetos de YOLO26 para seguir objetos a través de fotogramas de vídeo o transmisiones en directo. Este modo resulta especialmente útil en aplicaciones que requieren la identificación persistente de objetos, como los sistemas de vigilancia o los coches autónomos. Incluye seis rastreadores: TrackTrack (predeterminado), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT y FastTracker.
Evaluación comparativa#
El modo Benchmark analiza la velocidad y la precisión de varios formatos de exportación para YOLO26. Este modo proporciona métricas exhaustivas sobre el tamaño del modelo, la precisión (mAP50-95 para detección, segmentación, pose y OBB; mIoU para segmentación semántica; δ1 para profundidad o accuracy_top1 para clasificación) y el tiempo de inferencia en distintos formatos, como ONNX, OpenVINO y TensorRT. Los benchmarks te ayudan a elegir el formato de exportación óptimo según tus requisitos específicos de velocidad y precisión en el entorno de despliegue.
Ejemplos de evaluación comparativa
Preguntas frecuentes#
Para entrenar un modelo personalizado de detección de objetos con Ultralytics YOLO26, se utiliza el modo de entrenamiento. Necesitas un conjunto de datos con formato YOLO, que contenga imágenes y los archivos de anotaciones correspondientes. Usa el siguiente comando para iniciar el proceso de entrenamiento:
Ejemplofrom ultralytics import YOLO # Carga un modelo YOLO preentrenado (puedes elegir las versiones n, s, m, l o x) model = YOLO("yolo26n.pt") # Inicia el entrenamiento con tu conjunto de datos personalizado model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)Para obtener instrucciones más detalladas, consulta la Guía de entrenamiento de Ultralytics.
Ultralytics YOLO26 utiliza varias métricas durante el proceso de validación para evaluar el rendimiento del modelo. Entre ellas se incluyen:
- mAP (precisión media promedio): evalúa la precisión de la detección de objetos.
- IoU (intersección sobre unión): mide la superposición entre los cuadros delimitadores predichos y los reales.
- Precisión y exhaustividad: la precisión mide la proporción de detecciones positivas verdaderas respecto al total de detecciones positivas, mientras que la exhaustividad mide la proporción de detecciones positivas verdaderas respecto al total de positivos reales.
Puedes ejecutar el siguiente comando para iniciar la validación:
Ejemplofrom ultralytics import YOLO # Carga un modelo YOLO preentrenado o personalizado model = YOLO("yolo26n.pt") # Ejecuta la validación en tu conjunto de datos model.val(data="path/to/validation.yaml")Consulta la Guía de validación para obtener más información.
Ultralytics YOLO26 ofrece funciones de exportación para convertir el modelo entrenado a varios formatos de despliegue, como ONNX, TensorRT, CoreML y otros. Usa el siguiente ejemplo para exportar el modelo:
Ejemplofrom ultralytics import YOLO # Carga tu modelo YOLO entrenado model = YOLO("yolo26n.pt") # Exporta el modelo al formato ONNX (puedes especificar otros formatos según sea necesario) model.export(format="onnx")Encontrarás los pasos detallados para cada formato de exportación en la Guía de exportación.
El modo Benchmark de Ultralytics YOLO26 se utiliza para analizar la precisión y la velocidad de varios formatos de exportación, como ONNX, TensorRT y OpenVINO. Proporciona métricas como el tamaño del modelo, mAP50-95 para la detección de objetos y el tiempo de inferencia en distintas configuraciones de hardware, lo que te ayuda a elegir el formato más adecuado para tus necesidades de despliegue.
Ejemplofrom ultralytics.utils.benchmarks import benchmark # Ejecuta la evaluación comparativa en la GPU (dispositivo 0) # Puedes ajustar parámetros como el modelo, el conjunto de datos, el tamaño de imagen y la precisión según sea necesario benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)Para obtener más información, consulta la Guía de evaluación comparativa.
Puedes realizar el seguimiento de objetos en tiempo real con el modo de seguimiento de Ultralytics YOLO26. Este modo amplía las capacidades de detección de objetos para seguirlos en fotogramas de vídeo o transmisiones en directo. Usa el siguiente ejemplo para activar el seguimiento:
Ejemplofrom ultralytics import YOLO # Cargar un modelo YOLO preentrenado model = YOLO("yolo26n.pt") # Empieza a seguir objetos en un vídeo # También puedes usar transmisiones de vídeo en directo o la señal de una cámara web model.track(source="path/to/video.mp4")Para obtener instrucciones detalladas, visita la Guía de seguimiento.
Comentarios7
Haz una pregunta, comparte tus resultados o ayuda a otra persona.
Monkey1GIt
The Chinese web page translation is very bad, for example, "train" should be "训练", but translated into "火车"
And can not switch to English page, click the EN button, will still switch to Chinese page
2
Glenn JocherUltralyticsHey there! 😊 Thanks for bringing this to our attention. We're sorry for the inconvenience caused by the translation errors and the issue with the language switch button. We're constantly working on improving our documentation and its accessibility, including accurate translations.
For the translation issue, we'll look into it and aim to correct those errors, like "train" being incorrectly translated. Your feedback is invaluable in helping us enhance the user experience.
Regarding the language switch issue, we're investigating this and will work on a fix. In the meantime, if you're still unable to switch to the English page, you might try clearing your browser's cache or using a different browser as a temporary workaround.
If you have any more feedback or need further assistance, please don't hesitate to reach out. Thanks for your support and understanding! 🙏
myangel1972
what is the difference between version 8.3.6 and 11?
1
Glenn JocherUltralytics(editado)@myangel1972
8.3.6is a release number of theultralyticsPython package, while YOLO11 is a model family. YOLO26 is now the latest and recommended model, offering improved performance across tasks like detection, segmentation, and tracking. For detailed differences, please refer to the release notes on the Ultralytics GitHub page.myangel1972
thanks a lot for your quickly reply!but I still have a question,on the right top of this page,there is a tag with 8.3.7(yesterday it was 8.3.6), so i am confused that what is the relatonship between 8.3.7 and yolo 11?
Glenn JocherUltralytics(editado)@myangel1972 version numbers like 8.3.7 are releases of the
ultralyticspackage (which supports YOLOv8, YOLO11 and later models), including improvements and bug fixes. YOLO11 is a separate model family released in that package line, so the two numbers are not comparable.1myangel1972
Thanks a lot! Now I understand it very clearly! Great Job!
