Modos de Ultralytics YOLO26#
Introducción#
Ultralytics YOLO26 no es simplemente otro modelo de detección de objetos, sino un marco versátil diseñado para cubrir todo el ciclo de vida de los modelos de aprendizaje automático: desde la ingesta de datos y el entrenamiento del modelo hasta la validación, el despliegue y el seguimiento en el mundo real. Cada modo tiene una finalidad específica y está diseñado para ofrecerte la flexibilidad y eficiencia que necesitas para distintas tareas y casos de uso.
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#
Comprender los distintos modos compatibles con Ultralytics YOLO26 es fundamental para sacar el máximo partido a tus modelos:
- Modo Train: Ajusta tu modelo con conjuntos de datos personalizados o precargados.
- Modo Val: Utiliza un checkpoint posterior al entrenamiento para validar el rendimiento del modelo.
- Modo Predict: Aprovecha la capacidad predictiva de tu modelo con datos del mundo real.
- Modo Export: Prepara tu modelo para el despliegue en distintos formatos.
- Modo Track: Amplía tu modelo de detección de objetos para utilizarlo en aplicaciones de seguimiento en tiempo real.
- Modo Benchmark: Analiza la velocidad y la precisión de tu modelo en distintos entornos de despliegue.
Esta guía completa te ofrece una visión general y consejos prácticos sobre cada modo para ayudarte a aprovechar todo el potencial de YOLO26.
Entrenamiento#
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 ubicaciones de los objetos en una imagen. El entrenamiento es esencial para crear modelos capaces de reconocer objetos específicos relevantes para tu aplicación.
Validación#
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 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. Este modo es fundamental para ajustar los hiperparámetros y mejorar la eficacia general del modelo.
Predicción#
El modo Predict se utiliza para hacer predicciones con un modelo YOLO26 entrenado a partir de imágenes o vídeos nuevos. En este modo, el modelo se carga desde un archivo de checkpoint y puedes proporcionar imágenes o vídeos para realizar inferencias. El modelo identifica y localiza objetos en el contenido multimedia de entrada, lo que permite utilizarlo en aplicaciones del mundo real. El modo Predict es la puerta de entrada para aplicar tu modelo entrenado a problemas prácticos.
Exportación#
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 de seguimiento amplía las capacidades de detección de objetos de YOLO26 para seguir objetos en fotogramas de vídeo o transmisiones en directo. Este modo resulta especialmente útil para aplicaciones que requieren identificar objetos de forma persistente, como los sistemas de vigilancia o los coches autónomos. Incluye seis trackers: TrackTrack (predeterminado), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT y FastTracker.
Evaluación comparativa#
El modo de evaluación comparativa mide la velocidad y la precisión de varios formatos de exportación para YOLO26. Proporciona métricas completas sobre el tamaño del modelo, la precisión (mAP50-95 para detección, segmentación, pose y OBB; mIoU para segmentación semántica; delta1 para profundidad; o accuracy_top1 para clasificación) y el tiempo de inferencia en distintos formatos, como ONNX, OpenVINO y TensorRT. La evaluación comparativa te ayuda 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 el solapamiento entre las cajas delimitadoras predichas y las 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 de evaluación comparativa de Ultralytics YOLO26 se utiliza para analizar la velocidad y la precisión de varios formatos de exportación, como ONNX, TensorRT y OpenVINO. Proporciona métricas como el tamaño del modelo,
mAP50-95para 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.