Detección de objetos

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

El resultado de un detector de objetos es un conjunto de cajas delimitadoras que encierran los objetos en la imagen, junto con etiquetas de clase y puntuaciones de confianza para cada caja. 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 o su forma exacta.

Modelos

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

Los modelos se descargan automáticamente desde la última versión de Ultralytics en su primer uso.

• Los valores de mAP^val son para un modelo único y una escala única en el conjunto de datos COCO val2017.
  Reprodúcelo mediante yolo val detect data=coco.yaml device=0
• La velocidad se promedió sobre las imágenes de validación de COCO utilizando una instancia Amazon EC2 P4d.
  Reprodúcelo mediante yolo val detect data=coco.yaml batch=1 device=0|cpu
• Los valores de parámetros y FLOPs corresponden al modelo fusionado después de model.fuse(), que combina las capas Conv y BatchNorm y, para los modelos de extremo a extremo, elimina la cabecera de detección auxiliar de uno a muchos. Los puntos de control preentrenados conservan la arquitectura de entrenamiento completa y pueden mostrar recuentos más altos.

Entrenamiento

Entrena YOLO26n en el conjunto de datos COCO8 durante 100 épocas con un tamaño de imagen de 640. Para obtener una lista completa de los argumentos disponibles, consulta 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 los detalles completos del modo train en la página de Entrenamiento. Los modelos de detección también pueden entrenarse en GPUs en la nube a través de la Plataforma Ultralytics.

Formato de conjunto de datos

El formato del conjunto de datos de detección YOLO puede encontrarse en detalle en la Guía de conjuntos de datos. Para convertir tu conjunto de datos existente desde otros formatos (como COCO, etc.) al formato YOLO, utiliza la herramienta JSON2YOLO de Ultralytics. También puedes anotar y gestionar conjuntos de datos de detección directamente en la Plataforma Ultralytics con herramientas de etiquetado asistido por IA.

Validación

Validate trained YOLO26n model accuracy on the COCO8 dataset. No arguments are needed as the model retains its training data and arguments as model attributes.

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

Usa 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 los detalles completos del modo predict en la página de Predicción.

Resultado de la salida

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

Para los campos Results específicos de cada tarea, consulta la sección Resultados de predicción por tarea.

Exportación

Exporta un modelo YOLO26n a un formato diferente 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 de YOLO26 disponibles se encuentran en la siguiente tabla. Puedes exportar a cualquier formato usando el argumento format, es decir, format='onnx' o format='engine'. Puedes predecir o validar directamente en modelos exportados, es decir, yolo predict model=yolo26n.onnx. Se muestran ejemplos de uso para tu modelo una vez que se completa la exportación.

Consulta los detalles completos de export en la página Export.

Preguntas frecuentes

¿Puedo entrenar y desplegar modelos de detección sin programar?

Sí. Ultralytics Platform ofrece un flujo de trabajo basado en navegador para anotar conjuntos de datos, entrenar modelos de detección en GPUs en la nube y desplegarlos en endpoints de inferencia. Consulta la guía de inicio rápido de la plataforma para empezar.

¿Cómo entreno un modelo YOLO26 con mi propio conjunto de datos?

Entrenar un modelo YOLO26 con un conjunto de datos personalizado implica algunos pasos:

1. Prepara el conjunto de datos: Asegúrate de que tu conjunto de datos esté en formato YOLO. Para obtener orientación, consulta nuestra Guía de conjuntos de datos.
2. Carga el modelo: Utiliza la librería Ultralytics YOLO para cargar un modelo preentrenado o crea uno nuevo a partir de un archivo YAML.
3. Entrena el modelo: Ejecuta el método train en Python o el comando yolo detect train en la CLI.

from ultralytics import YOLO

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

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

Para obtener opciones de configuración detalladas, visita la página Configuración.

¿Qué modelos preentrenados están disponibles en YOLO26?

Ultralytics YOLO26 ofrece varios modelos preentrenados para detección de objetos, segmentación de instancias, segmentación semántica y estimación de pose. Estos modelos están preentrenados con el conjunto de datos COCO, Cityscapes para segmentación semántica o ImageNet para tareas de clasificación. Aquí tienes algunos de los modelos disponibles:

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

Para obtener una lista detallada y métricas de rendimiento, consulta la sección Modelos.

¿Cómo puedo validar la precisión de mi modelo YOLO entrenado?

Para validar la precisión de tu modelo YOLO26 entrenado, puedes utilizar el método .val() en Python o el comando yolo detect val en la CLI. Esto te proporcionará métricas como mAP50-95, mAP50 y más.

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

Para obtener más detalles sobre la validación, visita la página Val.

¿A qué formatos puedo exportar un modelo YOLO26?

Ultralytics YOLO26 permite exportar modelos a varios formatos como ONNX, TensorRT, CoreML y otros, para garantizar la compatibilidad entre diferentes plataformas y dispositivos.

from ultralytics import YOLO

# Load the model
model = YOLO("yolo26n.pt")

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

Consulta la lista completa de formatos compatibles e instrucciones en la página Export.

¿Por qué debería utilizar Ultralytics YOLO26 para la detección de objetos?

Ultralytics YOLO26 está diseñado para ofrecer un rendimiento de vanguardia para detección de objetos, segmentación de instancias, segmentación semántica y estimación de pose. Aquí tienes algunas ventajas clave:

1. Modelos preentrenados: Utiliza modelos preentrenados en conjuntos de datos populares como COCO e ImageNet para un desarrollo más rápido.
2. Alta precisión: Logra puntuaciones mAP impresionantes, lo que garantiza una detección de objetos fiable.
3. Velocidad: Optimizado para inferencia en tiempo real, lo que lo hace ideal para aplicaciones que requieren un procesamiento rápido.
4. Flexibilidad: Exporta modelos a varios formatos como ONNX y TensorRT para su despliegue en múltiples plataformas.

Explora nuestro Blog para ver casos de uso e historias de éxito que muestran YOLO26 en acción.