<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

Guía completa de Ultralytics YOLOv5

¡Bienvenido a la documentación de YOLOv5🚀 de Ultralytics! Ultralytics YOLOv5, la quinta iteración del revolucionario modelo de detección de objetos "You Only Look Once", está diseñado para ofrecer resultados de alta velocidad y alta precisión en tiempo real. Aunque YOLOv5 sigue siendo una herramienta potente, considera explorar sus sucesores, Ultralytics YOLOv8, YOLO11 y YOLO26, para conocer los últimos avances.

Construido sobre PyTorch, este potente framework de deep learning ha ganado una inmensa popularidad por su versatilidad, facilidad de uso y alto rendimiento. Nuestra documentación te guía a través del proceso de instalación, explica los matices arquitectónicos del modelo, muestra varios casos de uso y proporciona una serie de tutoriales detallados. Estos recursos te ayudarán a aprovechar todo el potencial de YOLOv5 para tus proyectos de visión artificial. ¡Empecemos!

Explora y aprende

Aquí tienes una recopilación de tutoriales completos que te guiarán a través de los diferentes aspectos de YOLOv5.

• Entrenar con datos personalizados 🚀 RECOMENDADO: Aprende a entrenar el modelo YOLOv5 con tu propio conjunto de datos.
• Consejos para obtener los mejores resultados de entrenamiento ☘️: Descubre consejos prácticos para optimizar el proceso de entrenamiento de tu modelo.
• Entrenamiento multi-GPU: Entiende cómo aprovechar varias GPU para acelerar tu entrenamiento.
• PyTorch Hub 🌟 NUEVO: Aprende a cargar modelos preentrenados a través de PyTorch Hub.
• Exportación a TFLite, ONNX, CoreML, TensorRT 🚀: Entiende cómo exportar tu modelo a diferentes formatos.
• Aumento de datos durante la inferencia (TTA): Explora cómo usar TTA para mejorar la precisión de las predicciones de tu modelo.
• Ensamble de modelos: Aprende la estrategia de combinar varios modelos para mejorar el rendimiento.
• Poda/esparsidad del modelo: Entiende los conceptos de poda y esparsidad, y cómo crear un modelo más eficiente.
• Evolución de hiperparámetros: Descubre el proceso de ajuste de hiperparámetros automatizado para un mejor rendimiento del modelo.
• Transfer learning con capas congeladas: Aprende a implementar transfer learning congelando capas en YOLOv5.
• Resumen de la arquitectura 🌟 Adéntrate en los detalles estructurales del modelo YOLOv5. Lee la publicación del blog sobre YOLOv5 v6.0 para obtener más información.
• Integración de registro en ClearML 🌟 Aprende a integrar ClearML para un registro eficiente durante el entrenamiento de tu modelo.
• YOLOv5 con Neural Magic: Descubre cómo usar DeepSparse de Neural Magic para podar y cuantizar tu modelo YOLOv5.
• Integración de registro en Comet 🌟 NUEVO: Explora cómo utilizar Comet para mejorar el registro durante el entrenamiento del modelo.

Entornos compatibles

Ultralytics proporciona una serie de entornos listos para usar, cada uno de ellos preinstalado con las dependencias esenciales como CUDA, CuDNN, Python y PyTorch, para poner en marcha tus proyectos. También puedes gestionar tus modelos y conjuntos de datos mediante Ultralytics Platform.

• Notebooks con GPU gratuita:
• Google Cloud: Guía de inicio rápido de GCP
• Amazon: Guía de inicio rápido de AWS
• Azure: Guía de inicio rápido de AzureML
• Docker: Guía de inicio rápido de Docker

Estado del proyecto

Esta insignia indica que todas las pruebas de Integración Continua (CI) de GitHub Actions de YOLOv5 se están superando con éxito. Estas pruebas de CI comprueban rigurosamente la funcionalidad y el rendimiento de YOLOv5 en varios aspectos clave: entrenamiento, validación, inferencia, exportación y benchmarks. Garantizan un funcionamiento coherente y fiable en macOS, Windows y Ubuntu, con pruebas realizadas cada 24 horas y con cada nuevo commit.

Conecta y contribuye

Tu viaje con YOLOv5 no tiene por qué ser solitario. Únete a nuestra vibrante comunidad en GitHub, conecta con profesionales en LinkedIn, comparte tus resultados en Twitter y encuentra recursos educativos en YouTube. Síguenos en TikTok y BiliBili para ver más contenido interesante.

¿Te interesa contribuir? Aceptamos contribuciones de todo tipo, desde mejoras de código y notificaciones de errores hasta actualizaciones de la documentación. Consulta nuestras directrices de contribución para obtener más información.

Estamos deseando ver las formas innovadoras en las que utilizarás YOLOv5. ¡Sumérgete, experimenta y revoluciona tus proyectos de visión artificial! 🚀

Preguntas frecuentes

¿Cuáles son las características clave de Ultralytics YOLOv5?

Ultralytics YOLOv5 es famoso por sus capacidades de detección de objetos de alta velocidad y alta precisión. Construido sobre PyTorch, es versátil y fácil de usar, lo que lo hace adecuado para varios proyectos de visión artificial. Sus características principales incluyen inferencia en tiempo real, soporte para múltiples trucos de entrenamiento como el aumento de datos durante la inferencia (TTA) y el ensamble de modelos, y compatibilidad con formatos de exportación como TFLite, ONNX, CoreML y TensorRT. Para profundizar en cómo Ultralytics YOLOv5 puede mejorar tu proyecto, explora nuestra guía de exportación a TFLite, ONNX, CoreML y TensorRT.

¿Cómo puedo entrenar un modelo YOLOv5 personalizado con mi conjunto de datos?

Entrenar un modelo YOLOv5 personalizado con tu conjunto de datos implica algunos pasos clave. Primero, prepara tu conjunto de datos en el formato requerido, anotado con etiquetas. Luego, configura los parámetros de entrenamiento de YOLOv5 e inicia el proceso de entrenamiento usando el script train.py. Para obtener un tutorial detallado sobre este proceso, consulta nuestra guía para entrenar con datos personalizados. Proporciona instrucciones paso a paso para garantizar resultados óptimos para tu caso de uso específico.

¿Por qué debería usar Ultralytics YOLOv5 en lugar de otros modelos de detección de objetos como RCNN?

Se prefiere Ultralytics YOLOv5 frente a modelos como R-CNN debido a su velocidad y precisión superiores en la detección de objetos en tiempo real. YOLOv5 procesa la imagen completa de una sola vez, lo que lo hace significativamente más rápido en comparación con el enfoque basado en regiones de RCNN, que implica múltiples pasadas. Además, la integración perfecta de YOLOv5 con varios formatos de exportación y su amplia documentación lo convierten en una excelente opción tanto para principiantes como para profesionales. Obtén más información sobre las ventajas arquitectónicas en nuestro resumen de la arquitectura.

¿Cómo puedo optimizar el rendimiento del modelo YOLOv5 durante el entrenamiento?

Optimizar el rendimiento del modelo YOLOv5 implica ajustar varios hiperparámetros e incorporar técnicas como aumento de datos y transfer learning. Ultralytics proporciona recursos completos sobre evolución de hiperparámetros y poda/esparsidad para mejorar la eficiencia del modelo. Puedes descubrir consejos prácticos en nuestra guía de consejos para obtener los mejores resultados de entrenamiento, que ofrece ideas prácticas para lograr un rendimiento óptimo durante el entrenamiento.

¿Qué entornos son compatibles para ejecutar aplicaciones YOLOv5?

Ultralytics YOLOv5 admite una gran variedad de entornos, incluidos notebooks con GPU gratuitos en Gradient, Google Colab y Kaggle, así como las principales plataformas en la nube como Google Cloud, Amazon AWS y Azure. También hay imágenes de Docker disponibles para una configuración cómoda. Para obtener una guía detallada sobre la configuración de estos entornos, consulta nuestra sección de entornos compatibles, que incluye instrucciones paso a paso para cada plataforma.