Modos de Ultralytics YOLO26#
Introducción#
Ultralytics YOLO26 no es solo otro modelo de detección de objetos; es un marco versátil diseñado para cubrir todo el ciclo de vida de los modelos de machine learning: desde la ingesta de datos y el entrenamiento del modelo hasta la validación, la implementación y el seguimiento en el mundo real. Cada modo tiene un propósito específico y está diseñado para ofrecerte la flexibilidad y la eficiencia necesarias para distintas tareas y casos de uso.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Un vistazo a los modos#
Entender los distintos modos que soporta Ultralytics YOLO26 es fundamental para aprovechar al máximo tus modelos:
- Train (Entrenar): Ajusta tu modelo con 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 potencial predictivo de tu modelo con datos del mundo real.
- Export (Exportar): Prepara tu model deployment en varios formatos.
- Track (Seguir): Extiende tu modelo de detección de objetos a aplicaciones de seguimiento en tiempo real.
- Benchmark (Evaluar): Analiza la velocidad y la precisión de tu modelo en diversos entornos de implementación.
Esta guía completa pretende ofrecerte una visión general e información práctica sobre cada modo, ayudándote a aprovechar todo el potencial de YOLO26.
Train#
El modo Train se utiliza para entrenar un modelo YOLO26 con un conjunto de datos personalizado. En este modo, el modelo se entrena utilizando el conjunto de datos y los hiperparámetros especificados. 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 reconozcan objetos específicos relevantes para tu aplicación.
Val#
El modo Val se utiliza para validar un modelo YOLO26 una vez entrenado. 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 overfitting y proporciona métricas como la mean Average Precision (mAP) para cuantificar el rendimiento del modelo. Este modo es fundamental para ajustar los hiperparámetros y mejorar la eficacia global del modelo.
Predict#
El modo Predict se utiliza para realizar predicciones utilizando un modelo YOLO26 entrenado con nuevas imágenes o vídeos. En este modo, el modelo se carga desde un archivo de punto de control y el usuario puede proporcionar imágenes o vídeos para realizar la inferencia. El modelo identifica y localiza los objetos en el medio de entrada, dejándolo listo para aplicaciones reales. El modo Predict es la puerta de entrada para aplicar tu modelo entrenado a la resolución de problemas prácticos.
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 su implementación en entornos de producción. Exportar 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.
Track#
El modo Track amplía las capacidades de detección de objetos de YOLO26 para rastrear objetos a través de fotogramas de vídeo o transmisiones en directo. Este modo es especialmente valioso para aplicaciones que requieren una identificación persistente de objetos, como sistemas de vigilancia o coches autónomos. El modo Track implementa rastreadores sofisticados como BoT-SORT (por defecto) y ByteTrack para mantener la identidad de los objetos entre fotogramas, incluso cuando los objetos desaparecen temporalmente de la vista.
Benchmark#
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 tareas de detección o accuracy_top1 para 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 despliegue.
FAQ#
Entrenar un modelo personalizado de detección de objetos con Ultralytics YOLO26 implica usar el 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:
Ejemplofrom 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 obtener instrucciones más detalladas, puedes consultar 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 (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 verdaderas y el total de positivos detectados, mientras que el recall mide la relación entre las detecciones positivas verdaderas y el total de positivos reales.
Puedes ejecutar el siguiente comando para iniciar la validación:
Ejemplofrom 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.
Ultralytics YOLO26 ofrece una funcionalidad de exportación para convertir tu modelo entrenado en varios formatos de implementación como ONNX, TensorRT, CoreML y más. Utiliza el siguiente ejemplo para exportar tu modelo:
Ejemplofrom 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.
El modo Benchmark en Ultralytics YOLO26 se utiliza para analizar la velocidad y la accuracy de diversos formatos de exportación como ONNX, TensorRT y OpenVINO. Proporciona métricas como el tamaño del modelo,
mAP50-95para detección de objetos y el tiempo de inferencia en diferentes configuraciones de hardware, ayudándote a elegir el formato más adecuado para tus necesidades de implementación.Ejemplofrom 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, device=0)Para más detalles, consulta la Guía de benchmark.
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 seguir objetos a través de fotogramas de vídeo o transmisiones en directo. Utiliza el siguiente ejemplo para habilitar el seguimiento:
Ejemplofrom 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 instrucciones detalladas, visita la Guía de seguimiento.