中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية

Documentación de Ultralytics YOLO#

Ultralytics YOLO es una familia de modelos de visión por computador en tiempo real para detección de objetos, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación, estimación de poses, cuadros delimitadores orientados y seguimiento, disponibles a través de un único paquete de Python y CLI. YOLO26 está construido sobre avances de aprendizaje profundo y visión por computador, e incluye inferencia de extremo a extremo sin NMS e implementación optimizada en el borde. Su diseño optimizado lo hace adecuado para diversas aplicaciones y fácilmente adaptable a diferentes plataformas de hardware, desde dispositivos de borde hasta API en la nube. Para cargas de trabajo de producción estables, se recomiendan tanto YOLO26 como YOLO11.

Explora la documentación de Ultralytics, un recurso completo que abarca el paquete y la CLI de YOLO, así como la Ultralytics Platform, que añade anotación de datos, entrenamiento en la nube e implementación sobre los mismos modelos. Ya seas un profesional experimentado en aprendizaje automático o nuevo en el campo, estos recursos te ayudan a aprovechar al máximo YOLO en tus proyectos.

Solicita una licencia empresarial para uso comercial en Ultralytics Licensing.

Empieza en dos comandos#

# Install the ultralytics package from PyPI
pip install ultralytics

# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'

Los pesos del modelo y la imagen de ejemplo se descargan automáticamente, y el resultado anotado se guarda en runs/detect/predict.

Consulta la guía de Quickstart para obtener la referencia completa de instalación y uso.

¿Qué quieres hacer?#

Cómo está organizada esta documentación#

La mayoría de los comandos del flujo de trabajo de modelos yolo siguen una gramática, yolo [TASK] MODE ARGS, donde la tarea (Task) es opcional, y esta documentación está organizada en torno a las mismas tres partes, más un acceso directo:

• Task responde a qué quieres de una imagen: detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation o oriented boxes.
• Mode responde a cómo usas un modelo: train, validate, predict, export, track o benchmark.
• Args configura el comando, desde qué model ejecutar con model= hasta hiperparámetros como epochs y imgsz.
• Solutions es el acceso directo: una aplicación terminada, como el recuento de objetos o una alarma de seguridad, que omite por completo Task y Mode.

Todo lo demás respalda esa gramática: Models enumera cada arquitectura que puedes pasar a model= —YOLO26, YOLO11, SAM 3, RT-DETR y más—, Datasets proporciona aquello en lo que se entrena cada Task, Guides es una amplia colección de guías prácticas detalladas que abarcan la implementación de hardware, el ajuste de hiperparámetros, la conversión de conjuntos de datos y tutoriales completos de proyectos, Integrations conecta la canalización con las herramientas de entrenamiento e implementación que ya usas, y la sección Reference documenta cada clase y función en la API de Python.

Más allá del paquete de Python, otras dos superficies se ejecutan en los mismos modelos: la Ultralytics Platform para anotación, entrenamiento e implementación en la nube, y Ultralytics Inference, una biblioteca de Rust independiente y una CLI para ejecutar modelos exportados sin un entorno de ejecución de Python.

Licencias de YOLO: ¿Cómo tiene licencia Ultralytics YOLO?#

Ultralytics ofrece dos opciones de licencia para adaptarse a diversos casos de uso:

• Licencia AGPL-3.0: Esta licencia de código abierto aprobada por la OSI es ideal para estudiantes y entusiastas, ya que promueve la colaboración abierta y el intercambio de conocimientos. Consulta el archivo LICENSE para obtener más detalles.
• Licencia Enterprise: Para uso en desarrollo y producción, esta licencia permite una integración fluida del software y los modelos de IA de Ultralytics en productos y servicios comerciales, incluidas herramientas internas, flujos de trabajo automatizados y despliegues en producción, eludiendo los requisitos de código abierto de AGPL-3.0. Para empezar, ponte en contacto con nosotros a través de Licenciamiento de Ultralytics.

Nuestra estrategia de licencias está diseñada para garantizar que cualquier mejora en nuestros proyectos de código abierto sea devuelta a la comunidad. Creemos en el código abierto y nuestra misión es asegurar que nuestras contribuciones puedan ser utilizadas y ampliadas de maneras que beneficien a todos.

FAQ#

¿Qué es Ultralytics YOLO y cómo mejora la detección de objetos?#

Ultralytics YOLO es la aclamada serie YOLO (You Only Look Once) para la detección de objetos y la segmentación de imágenes en tiempo real. El modelo más reciente, YOLO26, se basa en versiones anteriores al introducir inferencia de extremo a extremo sin NMS e implementación optimizada en el borde. YOLO admite varias vision AI tasks como detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation y tracking. Su arquitectura eficiente garantiza una velocidad y una precisión excelentes, lo que lo hace adecuado para diversas aplicaciones, incluidos dispositivos de borde y API en la nube.

¿Cómo puedo empezar con la instalación y configuración de YOLO?#

Comenzar con YOLO es rápido y sencillo. Instala el paquete de Ultralytics desde pip con pip install ultralytics, y luego ejecuta tu primera predicción con yolo predict model=yolo26n.pt; los pesos del modelo se descargan automáticamente. Para obtener instrucciones completas que cubran conda, Docker y la instalación desde el código fuente, visita la página de Quickstart.

¿Cómo puedo entrenar un modelo YOLO personalizado en mi conjunto de datos?#

Entrenar un modelo YOLO personalizado con tu conjunto de datos implica unos pocos pasos detallados:

1. Prepara tu conjunto de datos anotado y descríbelo en un archivo YAML de conjunto de datos.
2. Carga un modelo preentrenado, por ejemplo, YOLO("yolo26n.pt") en Python.
3. Comienza el entrenamiento con model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640), o desde la línea de comandos con yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.

Para ver una explicación detallada, consulta nuestra guía Train a Model, que incluye ejemplos y consejos para optimizar tu proceso de entrenamiento.

¿Cuáles son las opciones de licencia disponibles para Ultralytics YOLO?#

Ultralytics ofrece dos opciones de licencia para YOLO:

• Licencia AGPL-3.0: Esta licencia de código abierto es ideal para uso educativo y no comercial, promoviendo la colaboración abierta.
• Licencia Enterprise: Para uso en desarrollo y producción, incluyendo herramientas internas, flujos de trabajo automatizados e implementaciones en producción, evitando los requisitos de código abierto de AGPL-3.0.

Para obtener más detalles, visita nuestra página de Licensing.

¿Cómo se puede utilizar Ultralytics YOLO para el seguimiento de objetos en tiempo real?#

Ultralytics YOLO admite un seguimiento multiobjeto eficiente y personalizable. Llama a YOLO("yolo26n.pt").track(source="path/to/video.mp4") en Python o ejecuta yolo track source=path/to/video.mp4 desde la línea de comandos; ambos funcionan con archivos de vídeo, transmisiones en directo y entrada de cámara web. Para obtener una guía detallada sobre cómo configurar y ejecutar el seguimiento de objetos, consulta nuestra documentación de Track Mode, que explica la configuración y las aplicaciones prácticas en escenarios en tiempo real.