Instalar Ultralytics#
Instala el paquete ultralytics con pip, conda o Docker, o desde el código fuente, y ejecuta tu primera predicción con un modelo YOLO26 preentrenado. Todos los métodos instalan las dependencias necesarias que aparecen en pyproject.toml.
Instala o actualiza el paquete ultralytics en un entorno con Python>=3.8 y PyTorch>=1.8:
pip install -U ultralyticsPara instalar la última versión de desarrollo, instálala directamente desde el repositorio de Ultralytics en GitHub:
pip install git+https://github.com/ultralytics/ultralytics.git@mainLos requisitos de PyTorch varían según el sistema operativo y la versión de CUDA. Para usar una compilación específica, instala primero PyTorch siguiendo las instrucciones de instalación de PyTorch y, a continuación, instala ultralytics. Para GPU AMD en Linux, instala una compilación de PyTorch con ROCm, tal como se describe en la guía de integración de AMD.
Usa Ultralytics con la CLI#
Ejecuta tu primera predicción desde el terminal con el comando yolo:
yolo predict model=yolo26n.ptLos pesos preentrenados de yolo26n.pt se descargan automáticamente, el modelo se ejecuta con dos imágenes de muestra incluidas y el comando indica dónde se han guardado los resultados anotados, runs/detect/predict, en la primera ejecución. Indica a source tu propia imagen, vídeo, directorio, URL o flujo, o una cámara web con source=0:
yolo predict model=yolo26n.pt source=0 show=Truepredict es el modo, lo que quieres hacer con el modelo: train, val, predict, export, track o benchmark. La tarea (detect, segment, semantic, depth, classify, pose o obb) se obtiene del archivo del modelo, por lo que la sintaxis yolo TASK MODE ARGS normalmente solo necesita el modo y pares arg=value como imgsz=640. Consulta la guía de la CLI para ver todos los modos y la página de configuración para consultar todos los argumentos.
Usa Ultralytics con Python#
La misma predicción en Python:
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # cargar un modelo de detección YOLO26n preentrenado
results = model("https://ultralytics.com/images/bus.jpg", save=True) # predecir y guardar la imagen anotadaresults es una lista de objetos Results, uno por imagen, que contienen cuadros, máscaras, puntos clave o probabilidades de clase, según la tarea. La guía de Python explica cómo entrenar, validar, exportar y hacer seguimiento con la misma clase YOLO.
Ver: Guía de inicio rápido de Ultralytics YOLO
Configuración de Ultralytics#
La configuración persistente, como los directorios de conjuntos de datos, pesos y ejecuciones, la clave de API de Ultralytics Platform y los interruptores de los registradores de experimentos, se guarda en un archivo JSON que se gestiona con yolo settings. Consulta la página de configuración para verla, modificarla o restablecerla.
Qué hacer a continuación#
Explora los modos en los que se ejecuta YOLO y los tamaños de los modelos YOLO26; después, entrena con tus propios datos tras prepararlos siguiendo la guía de conjuntos de datos.
Para echar un vistazo al futuro, explora YOLO27 (próximamente). Sus modelos aún no están disponibles; los ejemplos anteriores utilizan la familia YOLO26 ya publicada.
Preguntas frecuentes#
Instala Ultralytics con pip usando:
pip install -U ultralyticsEsto instala la última versión estable del paquete
ultralyticsdesde PyPI. Para instalar la versión de desarrollo directamente desde GitHub:pip install git+https://github.com/ultralytics/ultralytics.gitAsegúrate de que la herramienta de línea de comandos Git esté instalada en tu sistema.
Sí, crea un entorno de conda con Python y Ultralytics YOLO en un solo comando y, después, actívalo:
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-envEste método es una alternativa excelente a pip y garantiza la compatibilidad con otros paquetes. Para los entornos CUDA, añade el metapaquete
pytorch-gpual mismo comando para que conda seleccione una compilación de PyTorch habilitada para CUDA:conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-envPara obtener más instrucciones, consulta la guía de inicio rápido de Conda.
Docker proporciona un entorno aislado y coherente para Ultralytics YOLO, lo que garantiza un rendimiento fluido en distintos sistemas y evita las complicaciones de la instalación local. Hay imágenes oficiales de Docker disponibles en Docker Hub, con variantes para GPU, CPU, ARM64, NVIDIA Jetson y Conda. Para descargar y ejecutar la imagen más reciente:
# 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 --device nvidia.com/gpu=all ultralytics/ultralytics:latestEn Linux, las solicitudes de dispositivos CDI requieren Docker >= 28.2.0 y NVIDIA Container Toolkit >= 1.18. Para obtener instrucciones detalladas sobre Docker, consulta la guía de inicio rápido de Docker.
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 te permite contribuir al proyecto o experimentar con el código fuente más reciente. Para consultar cómo trabajar con bifurcaciones y fijar una rama personalizada, ve a Instalación para desarrollo.
La CLI de Ultralytics YOLO simplifica la ejecución de tareas de detección de objetos sin código Python y permite usar comandos de una sola línea para entrenar, validar y predecir directamente desde el terminal. La sintaxis básica es:
yolo TASK MODE ARGSPor ejemplo, para entrenar un modelo de detección:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Explora más comandos y ejemplos de uso en la guía completa de la CLI.