Detección de objetos con Ultralytics YOLO#

La detección de objetos es una tarea que consiste en identificar la ubicación y la clase de los objetos en una imagen o flujo de vídeo.

La salida de un detector de objetos es un conjunto de cuadros delimitadores que encierran los objetos de la imagen, junto con las etiquetas de clase y las puntuaciones de confianza de cada cuadro. La detección de objetos es una buena opción cuando necesitas identificar objetos de interés en una escena, pero no necesitas saber exactamente dónde está el objeto ni cuál es su forma exacta.

Modelos#

Aquí se muestran los modelos Detect de YOLO26 preentrenados. Los modelos Detect, Segment y Pose están preentrenados con el conjunto de datos COCO, los modelos Semantic están preentrenados con Cityscapes y los modelos Classify están preentrenados con el conjunto de datos ImageNet.

Los modelos se descargan automáticamente desde la versión más reciente de Ultralytics al utilizarlos por primera vez.

• Los valores de mAP^val corresponden a un modelo único y una sola escala en el conjunto de datos de COCO val2017.
  Reprodúcelo mediante yolo val detect data=coco.yaml device=0. Añade nms=False para reproducir la columna e2e.
• La velocidad se calcula como la media en las imágenes de validación de COCO utilizando una instancia Amazon EC2 P4d.
  Reprodúcela con yolo val detect data=coco.yaml batch=1 device=0|cpu nms=False
• Los valores de Params y FLOPs corresponden a modelos fusionados después del plegado de Conv/BatchNorm y la eliminación de la rama de detección no utilizada. Los puntos de control preentrenados conservan la arquitectura de entrenamiento completa y pueden mostrar recuentos más altos.

Consulta la vista previa no publicada de YOLO27 para ver los resultados preliminares de detección en COCO.

Entrenar#

Entrena YOLO26n con el conjunto de datos COCO8 durante 100 épocas con un tamaño de imagen de 640. Para consultar la lista completa de argumentos disponibles, visita la página de Configuración.

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)

Consulta todos los detalles del modo train en la página de entrenamiento. Los modelos de detección también se pueden entrenar con el entrenamiento en la nube de Ultralytics Platform.

Formato del conjunto de datos#

Puedes encontrar en detalle el formato del conjunto de datos de detección de YOLO en la Guía de conjuntos de datos. Para convertir un conjunto de datos JSON de COCO existente al formato de YOLO, utiliza la función integrada convert_coco descrita en la Guía de COCO a YOLO. También puedes etiquetar y gestionar conjuntos de datos de detección con las herramientas de etiquetado asistidas por IA de la Plataforma Ultralytics.

Val#

Valida la precisión del modelo YOLO26n entrenado con el conjunto de datos COCO8. No se necesitan argumentos, ya que model conserva su data de entrenamiento y sus argumentos como atributos del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Predecir#

Utiliza un modelo YOLO26n entrenado para realizar predicciones en imágenes.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xywh = result.boxes.xywh  # center-x, center-y, width, height
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # top-left-x, top-left-y, bottom-right-x, bottom-right-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # class name of each box
    confs = result.boxes.conf  # confidence score of each box

Consulta todos los detalles del modo predict en la página Predecir.

Salida de resultados#

La detección de objetos devuelve un objeto Results por imagen. El campo de predicción principal es result.boxes, que contiene las coordenadas de los cuadros, los ID de clase y las puntuaciones de confianza de cada objeto detectado.

Para consultar los campos específicos de la tarea de Results en todas las tareas, visita la sección Resultados de predicción por tarea.

Exportar#

Exporta un modelo YOLO26n a otro formato, como ONNX, CoreML, etc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

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

Los formatos de exportación disponibles para YOLO26 se muestran en la tabla siguiente. Puedes exportar a cualquier formato mediante el argumento format, es decir, format='onnx' o format='engine'. Puedes predecir o validar directamente con los modelos exportados, es decir, yolo predict model=yolo26n.onnx. Tras completar la exportación, se muestran ejemplos de uso para tu modelo.

nms=None se establece por defecto en salidas sin procesar para la NMS externa. Configura nms=False para seleccionar una cabeza libre de NMS disponible; los formatos no compatibles recurren a su ruta de salida nativa. Las entradas nms anteriores identifican los formatos que pueden incrustar la NMS con nms=True.

Consulta todos los detalles de export en la página Exportar.

Preguntas frecuentes#