Uso de Python

¡Bienvenido a la documentación sobre el uso de Python con Ultralytics YOLO! Esta guía está diseñada para ayudarte a integrar sin problemas Ultralytics YOLO en tus proyectos de Python para detección de objetos, segmentación y clasificación. Aquí aprenderás cómo cargar y usar modelos preentrenados, entrenar nuevos modelos y realizar predicciones en imágenes. La interfaz de Python, fácil de usar, es un recurso valioso para cualquiera que busque incorporar YOLO en sus proyectos de Python, permitiéndote implementar rápidamente capacidades avanzadas de detección de objetos. ¡Empecemos!

Por ejemplo, los usuarios pueden cargar un modelo, entrenarlo, evaluar su rendimiento en un conjunto de validación e incluso exportarlo a formato ONNX con solo unas pocas líneas de código.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

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

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

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

Entrenar

El modo de entrenamiento se utiliza para entrenar un modelo YOLO con un conjunto de datos personalizado. En este modo, el modelo se entrena utilizando el conjunto de datos y los hiperparámetros especificados. El proceso de entrenamiento implica optimizar los parámetros del modelo para que pueda predecir con precisión las clases y ubicaciones de los objetos en una imagen.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # pass any model type
results = model.train(epochs=5)

Ejemplos de entrenamiento

Val

El modo de validación se utiliza para validar un modelo YOLO después de haberlo entrenado. En este modo, el modelo se evalúa en un conjunto de validación para medir su precisión y su rendimiento de generalización. Este modo se puede utilizar para ajustar los hiperparámetros del modelo y mejorar su rendimiento.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on training data
model.val()

Ejemplos de validación

Predecir

El modo de predicción se utiliza para realizar predicciones con un modelo YOLO entrenado en imágenes o vídeos nuevos. En este modo, el modelo se carga desde un archivo de punto de control (checkpoint) y el usuario puede proporcionar imágenes o vídeos para realizar la inferencia. El modelo predice las clases y ubicaciones de los objetos en las imágenes o vídeos de entrada.

import cv2
from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True)  # Display preds. Accepts all YOLO predict arguments

# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray
results = model.predict(source=[im1, im2])

Ejemplos de predicción

Exportar

El modo de exportación se utiliza para exportar un modelo YOLO a un formato que pueda ser utilizado para su implementación. En este modo, el modelo se convierte a un formato que pueden utilizar otras aplicaciones de software o dispositivos de hardware. Este modo es útil al implementar el modelo en entornos de producción.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)

Ejemplos de exportación

Seguimiento

El modo de seguimiento se utiliza para realizar un seguimiento de objetos en tiempo real con un modelo YOLO. En este modo, el modelo se carga desde un archivo de punto de control y el usuario puede proporcionar una transmisión de vídeo en directo para realizar el seguimiento de objetos en tiempo real. Este modo es útil para aplicaciones como sistemas de vigilancia o coches autónomos.

from ultralytics import YOLO

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

# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

Ejemplos de seguimiento

Evaluación (Benchmark)

El modo de evaluación (Benchmark) se utiliza para perfilar la velocidad y la precisión de varios formatos de exportación para YOLO. Los benchmarks proporcionan información sobre el tamaño del formato exportado, sus métricas de mAP50-95 (para detección de objetos y segmentación) o métricas de accuracy_top5 (para clasificación), y el tiempo de inferencia en milisegundos por imagen a través de varios formatos de exportación como ONNX, OpenVINO, TensorRT y otros. Esta información puede ayudar a los usuarios a elegir el formato de exportación óptimo para su caso de uso específico según sus requisitos de velocidad y precisión.

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Ejemplos de evaluación (Benchmark)

Uso de los entrenadores

La clase de modelo YOLO sirve como contenedor de alto nivel para las clases de entrenador. Cada tarea de YOLO tiene su propio entrenador, que hereda de BaseTrainer. Esta arquitectura permite una mayor flexibilidad y personalización en tus flujos de trabajo de aprendizaje automático.

from ultralytics.models.yolo.detect import DetectionPredictor, DetectionTrainer, DetectionValidator

# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best

# Validator
val = DetectionValidator(args=...)
val(model=trained_model)

# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)

# resume from last weight
overrides["resume"] = trainer.last
trainer = DetectionTrainer(overrides=overrides)

Puedes personalizar fácilmente los entrenadores para admitir tareas personalizadas o explorar ideas de investigación y desarrollo. El diseño modular de Ultralytics YOLO te permite adaptar el marco de trabajo a tus necesidades específicas, tanto si trabajas en una tarea novedosa de visión artificial como si ajustas modelos existentes para obtener un mejor rendimiento.

Tutoriales de personalización

Preguntas frecuentes

¿Cómo puedo integrar YOLO en mi proyecto de Python para la detección de objetos?

Integrar Ultralytics YOLO en tus proyectos de Python es sencillo. Puedes cargar un modelo preentrenado o entrenar un nuevo modelo desde cero. Aquí tienes cómo empezar:

from ultralytics import YOLO

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

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    result.show()

Consulta ejemplos más detallados en nuestra sección de Modo de predicción.

¿Cuáles son los diferentes modos disponibles en YOLO?

Ultralytics YOLO ofrece varios modos para satisfacer diferentes flujos de trabajo de aprendizaje automático. Estos incluyen:

• Train: Entrena un modelo usando conjuntos de datos personalizados.
• Val: Valida el rendimiento del modelo en un conjunto de validación.
• Predict: Realiza predicciones en nuevas imágenes o transmisiones de vídeo.
• Export: Exporta modelos a varios formatos como ONNX y TensorRT.
• Track: Seguimiento de objetos en tiempo real en transmisiones de vídeo.
• Benchmark: Evalúa el rendimiento del modelo en diferentes configuraciones.

Cada modo está diseñado para proporcionar funcionalidades integrales para diferentes etapas del desarrollo y despliegue de modelos.

¿Cómo entreno un modelo YOLO personalizado utilizando mi conjunto de datos?

Para entrenar un modelo YOLO personalizado, necesitas especificar tu conjunto de datos y otros hiperparámetros. Aquí tienes un ejemplo rápido:

from ultralytics import YOLO

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

# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)

Para obtener más detalles sobre el entrenamiento e hipervínculos a ejemplos de uso, visita nuestra página de Modo de entrenamiento.

¿Cómo exporto modelos YOLO para su implementación?

Exportar modelos YOLO en un formato adecuado para su implementación es sencillo con la función export. Por ejemplo, puedes exportar un modelo al formato ONNX:

from ultralytics import YOLO

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

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

Para ver varias opciones de exportación, consulta la documentación del Modo de exportación.

¿Puedo validar mi modelo YOLO en diferentes conjuntos de datos?

Sí, es posible validar modelos YOLO en diferentes conjuntos de datos. Después del entrenamiento, puedes usar el modo de validación para evaluar el rendimiento:

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")

Consulta la página del Modo de validación para ver ejemplos detallados y su uso.