Ultralytics YOLO27:

Modos de Ultralytics YOLO26#

Ultralytics YOLO ecosystem and integrations

Introducción#

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

Para ver el soporte planificado de YOLO27, consulta la vista previa de YOLO27. YOLO27 llegará pronto y aún no está disponible; esta guía utiliza modelos de YOLO26 publicados.



Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.

Modos de un vistazo#

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

  • Train mode: Ajusta tu modelo con conjuntos de datos personalizados o precargados.
  • Val mode: Un punto de control posterior al entrenamiento para validar el rendimiento del modelo.
  • Predict mode: Desata el poder predictivo de tu modelo en datos del mundo real.
  • Export mode: Prepara tu model deployment en varios formatos.
  • Track mode: Extiende tu modelo de detección de objetos a aplicaciones de seguimiento en tiempo real.
  • Benchmark mode: Analiza la velocidad y la precisión de tu modelo en diversos entornos de despliegue.

Esta guía completa pretende ofrecerte una visión general e información práctica sobre cada modo, ayudándote a aprovechar todo el potencial de YOLO26.

Entrenar#

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 indicados. 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.

Train Examples

Val#

El modo Val se utiliza para validar un modelo YOLO26 después de que se haya entrenado. En este modo, el modelo se evalúa en un conjunto de validación para medir su precisión y su 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 los hiperparámetros y mejorar la eficacia general del modelo.

Val Examples

Predecir#

El modo Predict se utiliza para realizar predicciones con un modelo YOLO26 entrenado en 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 inferencias. El modelo identifica y localiza objetos en el contenido multimedia de entrada, preparándolo para aplicaciones del mundo real. El modo Predict es la puerta de entrada para aplicar tu modelo entrenado a la resolución de problemas prácticos.

Predict Examples

Exportar#

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

Export Examples

Track#

El modo Track amplía las capacidades de detección de objetos de YOLO26 para realizar un seguimiento de 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 surveillance systems o self-driving cars. Incluye seis rastreadores: TrackTrack (por defecto), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT y FastTracker.

Track Examples

Benchmark#

El modo Benchmark perfila la velocidad y la 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_top1 para clasificación) y el tiempo de inferencia en diferentes formatos como ONNX, OpenVINO y TensorRT. La evaluación comparativa te ayuda a seleccionar el formato de exportación óptimo en función de tus requisitos específicos de velocidad y precisión en tu entorno de despliegue.

Benchmark Examples

Preguntas frecuentes#

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

    Ejemplo
    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 obtener instrucciones más detalladas, puedes consultar la Ultralytics Train Guide.

  • 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 proporción de detecciones de verdaderos positivos respecto al total de positivos detectados, mientras que la recuperación mide la proporción de detecciones de verdaderos positivos respecto al total de positivos reales.

    Puedes ejecutar el siguiente comando para iniciar la validación:

    Ejemplo
    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 Validation Guide para obtener más detalles.

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

    Ejemplo
    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 Export Guide.

  • 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 despliegue.

    Ejemplo
    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, device=0)

    Para obtener más detalles, consulta la Benchmark Guide.

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

    Ejemplo
    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 Track Guide.

Colaboradores
GLglenn-jocher17RAraimbekovm3ONonuralpszr2MImiles-deans-ultralytics1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

Comentarios