Modos de Ultralytics YOLO26

Introducción

Ultralytics YOLO26 no es simplemente otro modelo de detección de objetos; es un framework versátil diseñado para cubrir el ciclo de vida completo de los modelos de machine learning: desde la ingesta de datos y el entrenamiento del modelo hasta la validación, implementación y seguimiento en el mundo real. Cada modo cumple un propósito específico y está diseñado para ofrecerte la flexibilidad y eficiencia necesarias para diferentes tareas y casos de uso.

Resumen de modos

Entender los diferentes modos que admite Ultralytics YOLO26 es fundamental para aprovechar al máximo tus modelos:

• Train (Entrenar): ajusta tu modelo en conjuntos de datos personalizados o precargados.
• Val (Validar): un punto de control posterior al entrenamiento para validar el rendimiento del modelo.
• Predict (Predecir): libera el poder predictivo de tu modelo en datos del mundo real.
• Export (Exportar): prepara tu model deployment en diversos formatos.
• Track (Rastrear): extiende tu modelo de detección de objetos a aplicaciones de seguimiento en tiempo real.
• Benchmark (Evaluar): analiza la velocidad y precisión de tu modelo en diversos entornos de implementación.

Esta guía integral tiene como objetivo ofrecerte una visión general y conocimientos prácticos sobre cada modo, ayudándote a aprovechar todo el potencial de YOLO26.

Train

El modo Train se utiliza para entrenar un modelo YOLO26 en un conjunto de datos personalizado. En este modo, el modelo se entrena utilizando el conjunto de datos especificado y los hiperparámetros. El proceso de entrenamiento implica optimizar 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 que puedan reconocer objetos específicos relevantes para tu aplicación.

Ejemplos de Train

Val

El modo Val se utiliza para validar un modelo YOLO26 después de haberlo entrenado. En este modo, el modelo se evalúa en un conjunto de validación para medir su precisión y rendimiento de generalización. La validación ayuda a identificar posibles problemas como el overfitting y proporciona métricas como la mean Average Precision (mAP) para cuantificar el rendimiento del modelo. Este modo es crucial para ajustar hiperparámetros y mejorar la eficacia general del modelo.

Ejemplos de Val

Predict

El modo Predict se utiliza para realizar predicciones utilizando un modelo YOLO26 entrenado en imágenes o vídeos nuevos. En este modo, el modelo se carga desde un archivo de punto de control y el usuario puede proporcionar imágenes o vídeos para realizar inferencias. El modelo identifica y localiza objetos en los medios de entrada, dejándolos listos para aplicaciones del mundo real. El modo Predict es la puerta de entrada para aplicar tu modelo entrenado a la resolución de problemas prácticos.

Ejemplos de Predict

Export

El modo Export se utiliza para convertir un modelo YOLO26 a formatos adecuados para su implementación en diferentes plataformas y dispositivos. Este modo transforma tu modelo de PyTorch en formatos optimizados como ONNX, TensorRT o CoreML, lo que permite la implementación en entornos de producción. La exportación es esencial para integrar tu modelo con diversas aplicaciones de software o dispositivos de hardware, lo que a menudo resulta en mejoras de rendimiento significativas.

Ejemplos de Export

Track

El modo Track extiende las capacidades de detección de objetos de YOLO26 para rastrear objetos a través de fotogramas de vídeo o transmisiones en directo. Este modo es particularmente valioso para aplicaciones que requieren la identificación persistente de objetos, como surveillance systems o self-driving cars. El modo Track implementa algoritmos sofisticados como ByteTrack para mantener la identidad del objeto a través de los fotogramas, incluso cuando los objetos desaparecen temporalmente de la vista.

Ejemplos de Track

Benchmark

El modo Benchmark perfila la velocidad y precisión de varios formatos de exportación para YOLO26. Este modo proporciona métricas completas sobre el tamaño del modelo, la precisión (mAP50-95 para tareas de detección o accuracy_top5 para tareas de clasificación) y el tiempo de inferencia en diferentes formatos como ONNX, OpenVINO y TensorRT. El benchmarking te ayuda a seleccionar el formato de exportación óptimo según tus requisitos específicos de velocidad y precisión en tu entorno de implementación.

Ejemplos de Benchmark

Preguntas frecuentes

¿Cómo entreno un modelo personalizado de object detection con Ultralytics YOLO26?

Entrenar un modelo personalizado de detección de objetos con Ultralytics YOLO26 implica el uso del modo train. Necesitas un conjunto de datos formateado en YOLO format, que contenga imágenes y sus correspondientes archivos de anotación. Utiliza el siguiente comando para iniciar el proceso de entrenamiento:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Para instrucciones más detalladas, puedes consultar la Guía de entrenamiento de Ultralytics.

¿Qué métricas utiliza Ultralytics YOLO26 para validar el rendimiento del modelo?

Ultralytics YOLO26 utiliza varias métricas durante el proceso de validación para evaluar el rendimiento del modelo. Estas incluyen:

• mAP (mean Average Precision): evalúa la precisión de la detección de objetos.
• IOU (Intersection over Union): mide la superposición entre los cuadros delimitadores predichos y los reales.
• Precision y Recall: la precisión mide la relación entre las detecciones positivas reales y el total de positivos detectados, mientras que el recall mide la relación entre las detecciones positivas reales y el total de positivos reales.

Puedes ejecutar el siguiente comando para iniciar la validación:

from ultralytics import YOLO

# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

Consulta la Guía de validación para más detalles.

¿Cómo puedo exportar mi modelo YOLO26 para su implementación?

Ultralytics YOLO26 ofrece una funcionalidad de exportación para convertir tu modelo entrenado a varios formatos de implementación como ONNX, TensorRT, CoreML y más. Utiliza el siguiente ejemplo para exportar tu modelo:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

Los pasos detallados para cada formato de exportación se pueden encontrar en la Guía de exportación.

¿Cuál es el propósito del modo benchmark en Ultralytics YOLO26?

El modo Benchmark en Ultralytics YOLO26 se utiliza para analizar la velocidad y la accuracy 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 diferentes configuraciones de hardware, lo que te ayuda a elegir el formato más adecuado para tus necesidades de implementación.

from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Para más detalles, consulta la Guía de benchmark.

¿Cómo puedo realizar el seguimiento de objetos en tiempo real usando Ultralytics YOLO26?

El seguimiento de objetos en tiempo real se puede lograr utilizando el modo track en Ultralytics YOLO26. Este modo extiende las capacidades de detección de objetos para rastrear objetos a través de fotogramas de vídeo o transmisiones en directo. Utiliza el siguiente ejemplo para habilitar el seguimiento:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Para obtener instrucciones detalladas, visita la Guía de seguimiento.