Link to this sectionEntrenamiento de modelos con Ultralytics YOLO#

Link to this sectionIntroducción#

Entrenar un modelo de deep learning implica suministrarle datos y ajustar sus parámetros para que pueda realizar predicciones precisas. El modo de entrenamiento en Ultralytics YOLO26 está diseñado para un entrenamiento eficaz y eficiente de modelos de detección de objetos, aprovechando al máximo las capacidades del hardware moderno. Esta guía tiene como objetivo cubrir todos los detalles que necesitas para empezar a entrenar tus propios modelos utilizando el robusto conjunto de funciones de YOLO26.

Link to this section¿Por qué elegir Ultralytics YOLO para el entrenamiento?#

Aquí tienes algunas razones convincentes para elegir el modo de entrenamiento de YOLO26:

• Eficiencia: Aprovecha al máximo tu hardware, tanto si estás en una configuración de una sola GPU como si escalas entre varias GPU.
• Versatilidad: Entrena con conjuntos de datos personalizados además de los disponibles como COCO, VOC e ImageNet.
• Fácil de usar: Interfaces CLI y Python sencillas pero potentes para una experiencia de entrenamiento directa.
• Flexibilidad de hiperparámetros: Una amplia gama de hiperparámetros personalizables para ajustar el rendimiento del modelo. Para un mayor control, puedes personalizar el propio entrenador.
• Entrenamiento en la nube: Entrena en GPU en la nube a través de Ultralytics Platform con métricas en tiempo real y puntos de control automáticos.

Link to this sectionCaracterísticas clave del modo de entrenamiento#

Las siguientes son algunas características notables del modo de entrenamiento de YOLO26:

• Descarga automática de conjuntos de datos: Los conjuntos de datos estándar como COCO, VOC e ImageNet se descargan automáticamente en el primer uso.
• Soporte Multi-GPU: Escala tus esfuerzos de entrenamiento sin problemas a través de varias GPU para acelerar el proceso.
• Configuración de hiperparámetros: La opción de modificar hiperparámetros a través de archivos de configuración YAML o argumentos de CLI.
• Visualización y supervisión: Seguimiento en tiempo real de las métricas de entrenamiento y visualización del proceso de aprendizaje para obtener mejores resultados.

Link to this sectionEjemplos de uso#

Entrena YOLO26n en el conjunto de datos COCO8 durante 100 epochs con un tamaño de imagen de 640. El dispositivo de entrenamiento puede especificarse utilizando el argumento device. Si no se pasa ningún argumento, se utilizará la GPU device=0 cuando esté disponible; de lo contrario, se utilizará device='cpu'. Consulta la sección de Argumentos a continuación para obtener una lista completa de los argumentos de entrenamiento.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Link to this sectionEntrenamiento Multi-GPU#

El entrenamiento Multi-GPU permite un uso más eficiente de los recursos de hardware disponibles al distribuir la carga de entrenamiento entre varias GPU. Esta característica está disponible a través de la API de Python y la interfaz de línea de comandos. Para habilitar el entrenamiento Multi-GPU, especifica los ID de dispositivo de GPU que deseas utilizar.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

python -m torch.distributed.run --nproc_per_node 2 your_training_script.py

Link to this sectionEntrenamiento con GPU inactivas#

El entrenamiento con GPU inactivas permite la selección automática de las GPU menos utilizadas en sistemas Multi-GPU, optimizando el uso de recursos sin una selección manual de la GPU. Esta característica identifica las GPU disponibles basándose en métricas de utilización y disponibilidad de VRAM.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

El algoritmo de selección automática prioriza las GPU con:

1. Menor porcentaje de utilización actual
2. Mayor memoria disponible (VRAM libre)
3. Menor temperatura y consumo de energía

Esta función es especialmente valiosa en entornos informáticos compartidos o cuando se ejecutan múltiples trabajos de entrenamiento en diferentes modelos. Se adapta automáticamente a las condiciones cambiantes del sistema, garantizando una asignación óptima de recursos sin intervención manual.

Link to this sectionEntrenamiento con Apple Silicon MPS#

Con el soporte para chips de Apple silicon integrado en los modelos Ultralytics YOLO, ahora es posible entrenar tus modelos en dispositivos que utilizan el potente marco Metal Performance Shaders (MPS). El MPS ofrece una forma de alto rendimiento de ejecutar tareas de computación y procesamiento de imágenes en el silicio personalizado de Apple.

Para habilitar el entrenamiento en chips de Apple silicon, debes especificar 'mps' como tu dispositivo al iniciar el proceso de entrenamiento. A continuación, tienes un ejemplo de cómo podrías hacerlo en Python y a través de la línea de comandos:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Al aprovechar la potencia computacional de los chips de Apple silicon, esto permite un procesamiento más eficiente de las tareas de entrenamiento. Para obtener una guía más detallada y opciones de configuración avanzadas, consulta la documentación de PyTorch MPS.

Link to this sectionReanudación de entrenamientos interrumpidos#

Reanudar el entrenamiento desde un estado guardado previamente es una característica crucial al trabajar con modelos de deep learning. Esto puede ser útil en varias situaciones, como cuando el proceso de entrenamiento se ha interrumpido inesperadamente, o cuando deseas continuar entrenando un modelo con nuevos datos o durante más epochs.

Cuando se reanuda el entrenamiento, Ultralytics YOLO carga los pesos del último modelo guardado y también restaura el estado del optimizador, el planificador de learning rate y el número de epoch. Esto te permite continuar el proceso de entrenamiento sin problemas desde donde se quedó.

Puedes reanudar fácilmente el entrenamiento en Ultralytics YOLO estableciendo el argumento resume en True al llamar al método train, y especificando la ruta al archivo .pt que contiene los pesos del modelo parcialmente entrenado.

A continuación se muestra un ejemplo de cómo reanudar un entrenamiento interrumpido usando Python y a través de la línea de comandos:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

Al establecer resume=True, la función train continuará el entrenamiento desde donde se quedó, utilizando el estado almacenado en el archivo 'path/to/last.pt'. Si se omite el argumento resume o se establece en False, la función train iniciará una nueva sesión de entrenamiento.

Recuerda que los puntos de control se guardan al final de cada epoch de forma predeterminada, o a intervalos fijos utilizando el argumento save_period, por lo que debes completar al menos 1 epoch para reanudar una ejecución de entrenamiento.

Link to this sectionConfiguración de entrenamiento#

Los ajustes de entrenamiento para los modelos YOLO abarcan diversos hiperparámetros y configuraciones utilizados durante el proceso de entrenamiento. Estos ajustes influyen en el rendimiento, la velocidad y la accuracy del modelo. Los ajustes de entrenamiento clave incluyen el tamaño del lote, la tasa de aprendizaje, el momento y la caída de peso. Además, la elección del optimizador, la loss function y la composición del conjunto de datos de entrenamiento pueden afectar al proceso de entrenamiento. El ajuste cuidadoso y la experimentación con estos parámetros son cruciales para optimizar el rendimiento.

Link to this sectionOptimizador MuSGD#

En YOLO26, MuSGD es un optimizador híbrido que combina actualizaciones estándar de SGD con actualizaciones ortogonalizadas al estilo Muon.

Se recomienda para ejecuciones de entrenamiento de YOLO26 más largas y conjuntos de datos más grandes, donde las actualizaciones ortogonalizadas de Muon pueden ayudar a estabilizar la optimización.

Solo los parámetros con param.ndim >= 2 (como los pesos convolucionales) reciben la actualización al estilo Muon junto con SGD, mientras que los parámetros de menor dimensión, como las capas de normalización de lotes y los términos de sesgo, permanecen en SGD estándar.

Cuando se utiliza optimizer=auto, Ultralytics selecciona automáticamente MuSGD para ejecuciones de entrenamiento más largas (normalmente cuando las iteraciones > 10000). Para ejecuciones más cortas, el entrenador vuelve a AdamW.

Ejemplo de uso:

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

Consulta la implementación en ultralytics/optim/muon.py y la lógica de selección automática del optimizador en BaseTrainer.build_optimizer.

Link to this sectionConfiguración de aumentación e hiperparámetros#

Las técnicas de aumentación son esenciales para mejorar la robustez y el rendimiento de los modelos YOLO al introducir variabilidad en los datos de entrenamiento, ayudando al modelo a generalizar mejor a datos no vistos. La siguiente tabla describe el propósito y efecto de cada argumento de aumentación:

Estos ajustes pueden modificarse para satisfacer los requisitos específicos del conjunto de datos y la tarea en cuestión. Experimentar con diferentes valores puede ayudarte a encontrar la estrategia de aumento óptima que conduzca al mejor rendimiento del modelo.

Link to this sectionRegistro (Logging)#

Al entrenar un modelo YOLO26, puede resultar valioso realizar un seguimiento del rendimiento del modelo a lo largo del tiempo. Aquí es donde entra en juego el registro. Ultralytics YOLO ofrece soporte para tres tipos de registradores: Comet, ClearML y TensorBoard.

Para usar un registrador, selecciónalo en el menú desplegable del fragmento de código anterior y ejecútalo. El registrador elegido se instalará e inicializará.

Link to this sectionComet#

Comet es una plataforma que permite a los científicos de datos y desarrolladores realizar un seguimiento, comparar, explicar y optimizar experimentos y modelos. Proporciona funcionalidades como métricas en tiempo real, diferencias de código y seguimiento de hiperparámetros.

Para usar Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Recuerda iniciar sesión en tu cuenta de Comet en su sitio web y obtener tu clave API. Deberás añadirla a tus variables de entorno o a tu script para registrar tus experimentos.

Link to this sectionClearML#

ClearML es una plataforma de código abierto que automatiza el seguimiento de experimentos y ayuda a compartir recursos de manera eficiente. Está diseñada para ayudar a los equipos a gestionar, ejecutar y reproducir su trabajo de ML de forma más eficaz.

Para usar ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Después de ejecutar este script, deberás iniciar sesión en tu cuenta de ClearML en el navegador y autenticar tu sesión.

Link to this sectionTensorBoard#

TensorBoard es un kit de herramientas de visualización para TensorFlow. Te permite visualizar tu grafo de TensorFlow, trazar métricas cuantitativas sobre la ejecución de tu grafo y mostrar datos adicionales como imágenes que pasan a través de él.

Para usar TensorBoard en Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

Para usar TensorBoard localmente, ejecuta el siguiente comando y visualiza los resultados en localhost:6006.

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

Esto cargará TensorBoard y lo dirigirá al directorio donde se guardan tus registros de entrenamiento.

Una vez configurado tu registrador, podrás proceder con el entrenamiento de tu modelo. Todas las métricas de entrenamiento se registrarán automáticamente en la plataforma elegida, y podrás acceder a estos registros para controlar el rendimiento de tu modelo a lo largo del tiempo, comparar diferentes modelos e identificar áreas de mejora.

Link to this sectionFAQ#

Link to this section¿Puedo entrenar sin una GPU local?#

Sí. Ultralytics Platform admite el entrenamiento en la nube con créditos gratuitos para empezar. Sube tu conjunto de datos, selecciona un modelo y una GPU, y entrena directamente desde el navegador. Consulta la guía de entrenamiento en la nube para obtener más detalles.

Link to this section¿Cómo entreno un modelo de detección de objetos usando Ultralytics YOLO26?#

Para entrenar un modelo de detección de objetos usando Ultralytics YOLO26, puedes utilizar la API de Python o la CLI. A continuación, se muestra un ejemplo para ambos:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Para obtener más detalles, consulta la sección Ajustes de entrenamiento.

Link to this section¿Cuáles son las características clave del modo Entrenamiento de Ultralytics YOLO26?#

Las características clave del modo Entrenamiento de Ultralytics YOLO26 incluyen:

• Descarga automática de conjuntos de datos: Descarga automáticamente conjuntos de datos estándar como COCO, VOC e ImageNet.
• Soporte Multi-GPU: Escala el entrenamiento a través de múltiples GPUs para un procesamiento más rápido.
• Configuración de hiperparámetros: Personaliza los hiperparámetros mediante archivos YAML o argumentos de CLI.
• Visualización y monitoreo: Seguimiento en tiempo real de las métricas de entrenamiento para obtener mejores perspectivas.

Estas características hacen que el entrenamiento sea eficiente y personalizable según tus necesidades. Para obtener más detalles, consulta la sección Características clave del modo Entrenamiento.

Link to this section¿Cómo retomo el entrenamiento desde una sesión interrumpida en Ultralytics YOLO26?#

Para retomar el entrenamiento desde una sesión interrumpida, establece el argumento resume como True y especifica la ruta al último punto de control (checkpoint) guardado.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

Consulta la sección sobre Cómo retomar entrenamientos interrumpidos para obtener más información.

Link to this section¿Cómo entreno un modelo con un conjunto de datos desequilibrado?#

El desequilibrio de clases ocurre cuando algunas clases tienen significativamente menos ejemplos que otras en tus datos de entrenamiento. Esto puede provocar que el modelo tenga un bajo rendimiento en las clases raras. Ultralytics YOLO admite la ponderación de clases mediante el argumento cls_pw para solucionar este problema.

El argumento cls_pw controla la potencia de ponderación de clases basada en la frecuencia inversa de clase:

• cls_pw=0.0 (predeterminado): Desactiva la ponderación de clases
• cls_pw=1.0: Aplica la ponderación completa por frecuencia inversa
• Valores entre 0.0 y 1.0: Proporcionan una ponderación parcial para un desequilibrio moderado

The class weights are computed as (1.0 / class_counts) ^ cls_pw and normalized so their mean equals 1.0.

from ultralytics import YOLO

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

# Train with full class weighting for severely imbalanced data
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=1.0)

# Or use partial weighting (0.25) for moderate imbalance
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=0.25)

Link to this section¿Puedo entrenar modelos YOLO26 en chips de silicio de Apple?#

Sí, Ultralytics YOLO26 admite el entrenamiento en chips de silicio de Apple utilizando el marco de trabajo Metal Performance Shaders (MPS). Especifica 'mps' como tu dispositivo de entrenamiento.

from ultralytics import YOLO

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

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Para obtener más detalles, consulta la sección Entrenamiento en Apple Silicon MPS.

Link to this section¿Cuáles son los ajustes de entrenamiento comunes y cómo los configuro?#

Ultralytics YOLO26 te permite configurar una variedad de ajustes de entrenamiento, como el tamaño de lote, la tasa de aprendizaje, las épocas y más, a través de argumentos. Aquí tienes un breve resumen:

Para obtener una guía detallada sobre los ajustes de entrenamiento, consulta la sección Ajustes de entrenamiento.