31 de mayo de 2024
Descubra cómo entrenar modelos YOLO personalizados sin esfuerzo con Ultralytics HUB. Esta guía paso a paso de la intuitiva plataforma ofrece una visión de la integración perfecta, el seguimiento en tiempo real y la formación en la nube.
En nuestro constante esfuerzo por la innovación impulsada por la IA, acompáñenos a conocer Ultralytics HUB, una plataforma diseñada para simplificar la formación de modelos YOLO personalizados de Ultralytics. Tanto si es un desarrollador experimentado como un principiante, Ultralytics HUB ofrece una experiencia perfecta para crear y gestionar modelos de visión por ordenador. Exploremos cómo entrenar sus modelos YOLO personalizados en tan solo unos clics.
Ultralytics HUB es una plataforma integral diseñada para gestionar sus conjuntos de datos, proyectos y modelos, facilitando el entrenamiento y despliegue de modelos de aprendizaje automático.
Se integra con varias plataformas, admite actualizaciones en tiempo real a través de su aplicación móvil (disponible tanto en Android como en iOS) y evoluciona continuamente con nuevas funciones. Para obtener más información técnica y un flujo de trabajo paso a paso, consulta nuestro artículo de Medium sobre cómo entrenar modelos de visión artificial en la nube.
Lo primero que notará en Ultralytics HUB es su intuitiva interfaz. La página de inicio facilita el acceso a los conjuntos de datos, proyectos, modelos e integraciones. Aunque todavía está en fase beta, la plataforma ya cuenta con una serie de potentes funciones.
Ultralytics HUB viene precargado con conjuntos de datos estándar como VOC, COCO y Simpsons, que se utilizan habitualmente para la evaluación comparativa. Estos conjuntos de datos son considerables: COCO incluye 80 clases y 140.000 imágenes. Sin embargo, la plataforma también admite conjuntos de datos más pequeños, lo que la hace ideal para usuarios de todos los niveles. Puede cargar su conjunto de datos personalizado o conectarse con herramientas externas como Roboflow para la anotación de imágenes y la preparación del conjunto de datos.
Crear un nuevo proyecto en Ultralytics HUB es increíblemente sencillo. Aquí tienes una guía paso a paso para empezar:
Una vez configurado el proyecto, el entrenamiento del modelo está a un solo clic. Ultralytics HUB ofrece múltiples opciones de formación:
Para entrenar el modelo en Google Colab:
Ultralytics HUB proporciona un seguimiento en tiempo real del progreso del entrenamiento de su modelo. Puede supervisar métricas clave como la exactitud, la precisión, la recuperación y las funciones de pérdida. La plataforma también visualiza los datos de entrenamiento, lo que le permite ver cómo mejora su modelo con el tiempo.
Ultralytics HUB ha introducido el entrenamiento en la nube, que permite a los usuarios entrenar modelos directamente en la nube sin necesidad de configuración local. La plataforma también se integra con Roboflow para anotar imágenes y preparar conjuntos de datos. Esta integración agiliza el flujo de trabajo desde la preparación de datos hasta la formación de modelos.
La aplicación Ultralytics HUB lleva la detección de objetos en tiempo real a su dispositivo móvil. Utilizando modelos preentrenados, la aplicación puede detectar objetos del conjunto de datos COCO con gran precisión, funcionando a 30 fotogramas por segundo en un iPhone 14 Pro. Esta función es perfecta para probar modelos en situaciones reales y demostrar las capacidades de los modelos entrenados.
Ultralytics HUB cambia las reglas del juego en el mundo de la visión por ordenador, facilitando más que nunca el entrenamiento de modelos YOLO personalizados. Su interfaz fácil de usar, sus sólidas funciones y sus integraciones sin fisuras lo convierten en una herramienta imprescindible tanto para desarrolladores como para investigadores. Tanto si desea entrenar modelos localmente, en la nube o sobre la marcha con la aplicación móvil, Ultralytics HUB es la solución.
¿Por qué esperar? Sumérjase hoy mismo en Ultralytics HUB y libere el potencial de sus proyectos de aprendizaje automático con unos pocos clics.
ES
EN
ZH
KO
JA
RU
DE
FR
PT
IT
TR
VI
AR
