Cómo entrenar, validar, predecir, exportar y realizar benchmarks con los modelos YOLO de Ultralytics

Adentrémonos en el mundo de Ultralytics y exploremos los distintos modos disponibles para diferentes modelos YOLO. Tanto si entrenas modelos personalizados de detección de objetos como si trabajas en segmentación, entender estos modos es un paso fundamental. ¡Vamos allá!

En la documentación de Ultralytics encontrarás varios modos que puedes utilizar con tus modelos, ya sea para entrenar, validar, predecir, exportar, comparar el rendimiento o hacer seguimiento. Cada uno de estos modos tiene una finalidad única y te ayuda a optimizar el rendimiento y el despliegue de tu modelo.

Modo de entrenamiento#

Empecemos por el modo de entrenamiento. Aquí es donde construyes y perfeccionas tu modelo. En la documentación encontrarás instrucciones detalladas y guías en vídeo, lo que facilita empezar a entrenar tus modelos personalizados.

El entrenamiento de modelos consiste en proporcionar a un modelo un nuevo conjunto de datos para que aprenda distintos patrones. Una vez entrenado, el modelo puede utilizarse en tiempo real para detectar nuevos objetos con los que se ha entrenado. Antes de iniciar el proceso de entrenamiento, es fundamental anotar tu conjunto de datos en formato YOLO.

Modo de validación#

A continuación, profundicemos en el modo de validación. La validación es esencial para ajustar los hiperparámetros y garantizar que tu modelo funcione correctamente. Ultralytics ofrece diversas opciones de validación, incluidos ajustes automatizados, compatibilidad con varias métricas y compatibilidad con la API de Python. También puedes ejecutar la validación directamente mediante la interfaz de línea de comandos (CLI) con el comando siguiente.

¿Por qué validar?#

La validación es fundamental para:

• Precisión: garantizar que tu modelo detecte objetos con exactitud.
• Comodidad: agilizar el proceso de validación.
• Flexibilidad: ofrecer varios métodos de validación.
• Ajuste de hiperparámetros: optimizar tu modelo para mejorar el rendimiento.

Ultralytics también ofrece ejemplos para usuarios que puedes copiar y pegar en tus scripts de Python. Estos ejemplos incluyen parámetros como el tamaño de imagen, el tamaño del lote, el dispositivo (CPU o GPU) y la intersección sobre unión (IoU).

Modo de predicción#

Una vez que hayas entrenado y validado tu modelo, llega el momento de realizar predicciones. El modo de predicción te permite ejecutar inferencias sobre datos nuevos y ver tu modelo en acción. Este modo es perfecto para probar el rendimiento de tu modelo con datos del mundo real. ¡Con el fragmento de código Python siguiente podrás ejecutar predicciones sobre tus imágenes!

Modo de exportación#

Después de validar y realizar predicciones, es posible que quieras desplegar tu modelo. El modo de exportación te permite convertir tu modelo a diversos formatos, como ONNX o TensorRT, lo que facilita su despliegue en distintas plataformas.

Modo de evaluación comparativa#

Por último, tenemos el modo de evaluación comparativa. Las pruebas de rendimiento son esenciales para evaluar el rendimiento de tu modelo en distintos escenarios. Este modo te ayuda a tomar decisiones fundamentadas sobre la asignación de recursos, la optimización y la rentabilidad.

Cómo realizar una evaluación comparativa#

Para realizar una evaluación comparativa, puedes utilizar los ejemplos para usuarios proporcionados en la documentación. Estos ejemplos abarcan métricas clave y formatos de exportación, incluidos ONNX y TensorRT. También puedes especificar parámetros como la cuantización de enteros (INT8) o la cuantización de coma flotante (FP16) para comprobar cómo afectan las distintas configuraciones al rendimiento.

Ejemplo de evaluación comparativa en el mundo real#

Veamos un ejemplo real de evaluación comparativa. Al evaluar nuestro modelo de PyTorch, observamos una velocidad de inferencia de 68 milisegundos en una GPU RTX 3070. Después de exportarlo a TorchScript, la velocidad de inferencia se reduce a 4 milisegundos, lo que demuestra una mejora significativa.

En los modelos ONNX alcanzamos una velocidad de inferencia de 21 milisegundos. Al probar estos modelos en una CPU (una Intel i9 de 13.ª generación), observamos resultados variables. TorchScript tarda 115 milisegundos, mientras que ONNX ofrece un mejor resultado, con 84 milisegundos. Por último, OpenVINO optimizado para hardware Intel alcanza unos impresionantes 23 milisegundos.

Fig. 1. Nicolai Nielsen demuestra cómo realizar una evaluación comparativa con modelos YOLO de Ultralytics.

La importancia de la evaluación comparativa#

La evaluación comparativa demuestra cómo el hardware y los formatos de exportación pueden afectar al rendimiento de tu modelo. Es fundamental evaluar tus modelos, especialmente si tienes previsto desplegarlos en hardware personalizado o dispositivos edge. Este proceso garantiza que tu modelo esté optimizado para el entorno de destino y ofrezca el mejor rendimiento posible.

Conclusión#

En resumen, los modos de la documentación de Ultralytics son herramientas potentes para entrenar, validar, predecir, exportar y comparar el rendimiento de tus modelos YOLO. Cada modo desempeña un papel fundamental en la optimización de tu modelo y en su preparación para el despliegue.

No olvides explorar y unirte a nuestra comunidad, y probar los fragmentos de código proporcionados en tus proyectos. Con estas herramientas, puedes crear modelos de alto rendimiento y garantizar que funcionen de forma eficiente en cualquier entorno.