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 secuencia de vídeo.

El resultado de un detector de objetos es un conjunto de cuadros delimitadores (bounding boxes) que encierran los objetos en la imagen, junto con etiquetas de clase y puntuaciones de confianza para 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 o su forma exacta.

Modelos#

Aquí se muestran los modelos Detect preentrenados de YOLO26. Los modelos 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 de la última versión de Ultralytics en el primer uso.

• Los valores de mAP^val corresponden a un solo modelo y una sola escala en el conjunto de datos COCO val2017.
  Reprodúcelo con yolo val detect data=coco.yaml device=0
• La velocidad se calcula como un promedio en las imágenes de validación de COCO utilizando una instancia Amazon EC2 P4d.
  Reprodúcelo con yolo val detect data=coco.yaml batch=1 device=0|cpu
• Los valores de Params y FLOPs corresponden al modelo fusionado después de model.fuse(), el cual combina las capas Conv y BatchNorm y, para los modelos end2end, elimina la cabeza de detección auxiliar de uno a muchos. Los puntos de control preentrenados conservan toda la arquitectura de entrenamiento y pueden mostrar recuentos mayores.

Entrenar#

Entrena YOLO26n en el conjunto de datos COCO8 durante 100 épocas con un tamaño de imagen de 640. Para ver 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 Train. Los modelos de detección también se pueden entrenar con el entrenamiento en la nube de Ultralytics Platform.

Formato del conjunto de datos#

El formato de los conjuntos de datos de detección de YOLO se puede consultar en detalle en la Guía de conjuntos de datos. Para convertir tu conjunto de datos existente de otros formatos (como COCO, etc.) al formato YOLO, utiliza la herramienta JSON2YOLO de Ultralytics. También puedes anotar y gestionar conjuntos de datos de detección con las herramientas de anotación asistidas por IA de Ultralytics Platform.

Validar#

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

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 las cajas, los ID de clase y las puntuaciones de confianza de cada objeto detectado.

Para ver los campos de Results específicos de cada tarea en todas ellas, consulta la sección Predict Results by Task.

Exportar#

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 utilizando el argumento format, es decir, format='onnx' o format='engine'. Puedes predecir o validar directamente en los modelos exportados, es decir, yolo predict model=yolo26n.onnx. Se muestran ejemplos de uso para tu modelo una vez que finaliza la exportación.

Consulta todos los detalles de export en la página Export.

FAQ#