Link to this sectionInstalar Ultralytics#

Ultralytics ofrece varios métodos de instalación, incluyendo pip, conda y Docker. Puedes instalar YOLO a través del paquete pip ultralytics para la última versión estable, o clonando el repositorio de GitHub de Ultralytics para obtener la versión más reciente. Docker es también una opción para ejecutar el paquete en un contenedor aislado, lo que evita la instalación local.

# Install or upgrade the ultralytics package from PyPI
pip install -U ultralytics

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

Consulta el archivo ultralytics pyproject.toml para ver una lista de dependencias. Ten en cuenta que todos los ejemplos anteriores instalan todas las dependencias necesarias.

Consejo

Los requisitos de PyTorch varían según el sistema operativo y los requisitos de CUDA, así que instala PyTorch primero siguiendo las instrucciones en PyTorch.

Link to this sectionInstalación en servidor headless#

Para entornos de servidor sin pantalla (por ejemplo, VMs en la nube, contenedores Docker, canalizaciones CI/CD), utiliza el paquete ultralytics-opencv-headless. Es idéntico al paquete ultralytics estándar, pero depende de opencv-python-headless en lugar de opencv-python, evitando dependencias innecesarias de GUI y posibles errores de libGL.

pip install ultralytics-opencv-headless

Ambos paquetes proporcionan la misma funcionalidad y API. La variante headless simplemente excluye los componentes de interfaz gráfica de OpenCV que requieren bibliotecas de visualización.

Link to this sectionInstalación avanzada#

Aunque los métodos de instalación estándar cubren la mayoría de los casos de uso, es posible que necesites una configuración más personalizada para desarrollo o configuraciones específicas.

Link to this sectionUsar Ultralytics con CLI#

La interfaz de línea de comandos (CLI) de Ultralytics permite comandos sencillos de una sola línea sin necesidad de un entorno Python. La CLI no requiere personalización ni código Python; ejecuta todas las tareas desde la terminal con el comando yolo. Para más información sobre el uso de YOLO desde la línea de comandos, consulta la Guía de CLI.

yolo TASK MODE ARGS

Guía de CLI

Link to this sectionUsar Ultralytics con Python#

La interfaz de Python de YOLO de Ultralytics ofrece una integración perfecta en proyectos de Python, facilitando la carga, ejecución y procesamiento de las salidas del modelo. Diseñada para la simplicidad, la interfaz de Python permite a los usuarios implementar rápidamente detección de objetos, segmentación de instancias, segmentación semántica y clasificación. Esto convierte a la interfaz de Python de YOLO en una herramienta valiosa para incorporar estas funcionalidades en tus proyectos de Python.

Por ejemplo, los usuarios pueden cargar un modelo, entrenarlo, evaluar su rendimiento y exportarlo al formato ONNX con solo unas pocas líneas de código. Explora la Guía de Python para aprender más sobre cómo usar YOLO dentro de tus proyectos de Python.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

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

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

Guía de Python

Link to this sectionAjustes de Ultralytics#

La biblioteca Ultralytics incluye un SettingsManager para un control detallado de los experimentos, permitiendo a los usuarios acceder y modificar los ajustes fácilmente. Almacenados en un archivo JSON dentro del directorio de configuración de usuario del entorno, estos ajustes se pueden ver o modificar en el entorno de Python o a través de la interfaz de línea de comandos (CLI).

Link to this sectionInspeccionar ajustes#

Para ver la configuración actual de tus ajustes:

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings["runs_dir"]

Link to this sectionModificar ajustes#

Ultralytics facilita la modificación de los ajustes de las siguientes formas:

from ultralytics import settings

# Update a setting
settings.update({"runs_dir": "/path/to/runs"})

# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})

# Reset settings to default values
settings.reset()

Link to this sectionComprender los ajustes#

La siguiente tabla ofrece una visión general de los ajustes configurables en Ultralytics, incluyendo valores de ejemplo, tipos de datos y descripciones.

Revisa estos ajustes a medida que avances en tus proyectos o experimentos para asegurar una configuración óptima.

Link to this sectionFAQ#

Link to this section¿Cómo instalo Ultralytics usando pip?#

Instala Ultralytics con pip usando:

pip install -U ultralytics

Esto instala la última versión estable del paquete ultralytics desde PyPI. Para instalar la versión de desarrollo directamente desde GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git

Asegúrate de que la herramienta de línea de comandos de Git esté instalada en tu sistema.

Link to this section¿Puedo instalar Ultralytics YOLO usando conda?#

Sí, instala Ultralytics YOLO usando conda con:

conda install -c conda-forge ultralytics

Este método es una gran alternativa a pip, asegurando la compatibilidad con otros paquetes. Para entornos CUDA, instala ultralytics, pytorch y pytorch-cuda juntos para resolver conflictos:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Para más instrucciones, consulta la Conda quickstart guide.

Link to this section¿Cuáles son las ventajas de usar Docker para ejecutar Ultralytics YOLO?#

Docker proporciona un entorno aislado y consistente para Ultralytics YOLO, asegurando un rendimiento fluido entre sistemas y evitando complejidades de instalación local. Las imágenes oficiales de Docker están disponibles en Docker Hub, con variantes para GPU, CPU, ARM64, NVIDIA Jetson y Conda. Para descargar y ejecutar la última imagen:

# Pull the latest ultralytics image from Docker Hub
sudo docker pull ultralytics/ultralytics:latest

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --runtime=nvidia --gpus all ultralytics/ultralytics:latest

Para instrucciones detalladas sobre Docker, consulta la Docker quickstart guide.

Link to this section¿Cómo clono el repositorio de Ultralytics para desarrollo?#

Clona el repositorio de Ultralytics y configura un entorno de desarrollo con:

# Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

Esto permite contribuir al proyecto o experimentar con el código fuente más reciente. Para más detalles, visita el Ultralytics GitHub repository.

Link to this section¿Por qué debería usar la CLI de Ultralytics YOLO?#

La CLI de Ultralytics YOLO simplifica la ejecución de tareas de detección de objetos sin código Python, permitiendo comandos de una sola línea para entrenamiento, validación y predicción directamente desde tu terminal. La sintaxis básica es:

yolo TASK MODE ARGS

Por ejemplo, para entrenar un modelo de detección:

yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

Explora más comandos y ejemplos de uso en la CLI Guide completa.