Link to this sectionModos de Ultralytics YOLO26#

Link to this sectionIntroducción#

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.

Link to this sectionUn 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.

Link to this sectionTrain#

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.

Ejemplos de Train

Link to this sectionVal#

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.

Ejemplos de Val

Link to this sectionPredict#

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.

Ejemplos de Predict

Link to this sectionExport#

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.

Ejemplos de Export

Link to this sectionTrack#

El modo Track amplía las capacidades de detección de objetos de YOLO26 para realizar el 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 los sistemas de vigilancia o los coches autónomos. El modo Track implementa rastreadores sofisticados como BoT-SORT (predeterminado) y ByteTrack para mantener la identidad de los objetos entre fotogramas, incluso cuando estos desaparecen temporalmente de la vista.

Ejemplos de Track

Link to this sectionBenchmark#

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. Evaluar tu modelo te ayuda a seleccionar el formato de exportación óptimo en función de tus requisitos específicos de velocidad y precisión en tu entorno de implementación.

Ejemplos de Benchmark

Link to this sectionFAQ#

Link to this section¿Cómo entreno un modelo personalizado de object detection con Ultralytics YOLO26?#

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:

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 Guía de entrenamiento de Ultralytics.

Link to this section¿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. 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:

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.

Link to this section¿Cómo puedo exportar mi modelo YOLO26 para su implementación?#

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:

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.

Link to this section¿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 diversos formatos de exportación como ONNX, TensorRT y OpenVINO. Proporciona métricas como el tamaño del modelo, mAP50-95 para 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.

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.

Link to this section¿Cómo puedo realizar 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 seguir 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 instrucciones detalladas, visita la Guía de seguimiento.