Ultralytics YOLO27:

Instala Ultralytics#

Instala el paquete ultralytics con pip, conda, Docker o desde el código fuente, y luego ejecuta tu primera predicción con un modelo YOLO26 preentrenado. Cada método instala todas las dependencias necesarias enumeradas en pyproject.toml.

Instalación

Instala o actualiza el paquete ultralytics en un entorno Python>=3.8 con PyTorch>=1.8:

pip install -U ultralytics

Para obtener la última versión de desarrollo, instálala directamente desde el repositorio de GitHub de Ultralytics:

pip install git+https://github.com/ultralytics/ultralytics.git@main
Consejo

Los requisitos de PyTorch varían según el sistema operativo y la versión de CUDA. Para utilizar una compilación específica, instala primero PyTorch siguiendo las instrucciones de instalación de PyTorch y, a continuación, instala ultralytics.

Usar Ultralytics con la CLI#

Ejecuta tu primera predicción desde el terminal con el comando yolo:

yolo predict model=yolo26n.pt

Los pesos preentrenados de yolo26n.pt se descargan automáticamente, el modelo se ejecuta en dos imágenes de ejemplo incluidas y el comando muestra dónde se han guardado los resultados anotados, runs/detect/predict en la primera ejecución. Indica a source que apunte a tu propia imagen, vídeo, directorio, URL, flujo o a una cámara web con source=0:

yolo predict model=yolo26n.pt source=0 show=True

predict es el modo, qué hacer con el modelo: train, val, predict, export, track o benchmark. La tarea (detect, segment, semantic, depth, classify, pose o obb) se lee a partir del archivo del modelo, por lo que la sintaxis de yolo TASK MODE ARGS normalmente solo necesita el modo más pares de arg=value como imgsz=640. Consulta la Guía de la CLI para conocer todos los modos y la página de Configuración para ver todos los argumentos.

Usar Ultralytics con Python#

La misma predicción en Python:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # predict and save the annotated image

results 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 cubre el entrenamiento, la validación, la exportación y el seguimiento con la misma clase YOLO.



Watch: Ultralytics YOLO Quick Start Guide

Configuración de Ultralytics#

Los ajustes persistentes, como los directorios de conjuntos de datos, pesos y ejecuciones, la clave de API de Plataforma de Ultralytics y los selectores del registrador de experimentos, se encuentran en un archivo JSON gestionado con yolo settings. Consulta la página de Ajustes para verlos, modificarlos o restablecerlos.

¿Y ahora qué?#

Explora los modos en los que se ejecutan las ejecuciones de YOLO y los tamaños de los modelos YOLO26, y luego entrena con tus propios datos después de darles el formato adecuado con la Guía de conjuntos de datos.

Para echar un vistazo al futuro, explora YOLO27 (Coming Soon). Los modelos de YOLO27 (Coming Soon) aún no están disponibles; los ejemplos anteriores utilizan la familia de YOLO26 ya publicada.

Preguntas frecuentes#

  • 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.

  • Sí, instala Ultralytics YOLO usando conda con:

    conda install -c conda-forge ultralytics

    Este método es una gran alternativa a pip, ya que garantiza la compatibilidad con otros paquetes. Para entornos CUDA, instala ultralytics junto con el metapaquete pytorch-gpu para que conda seleccione una compilación de PyTorch compatible con CUDA:

    conda install -c conda-forge ultralytics pytorch-gpu

    Para más instrucciones, consulta la Conda quickstart guide.

  • Docker proporciona un entorno aislado y coherente para Ultralytics YOLO, lo que garantiza un rendimiento fluido en todos los sistemas y evita las complejidades de la 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 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:latest

    En 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 permite realizar contribuciones al proyecto o experimentar con el código fuente más reciente. Para bifurcaciones y para fijar una rama personalizada, consulta Instalación para desarrollo.

  • El Ultralytics YOLO CLI simplifica la ejecución de tareas de detección de objetos sin código Python, lo que permite comandos de una sola línea para el entrenamiento, la validación y la 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.

Colaboradores
GLglenn-jocher39RIRizwanMunawar6RAraimbekovm4LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

Comentarios