Cómo utilizar la sección Reference de la documentación de Ultralytics YOLO

Hoy en día, la inteligencia artificial (AI) es más accesible que nunca, lo que permite a cualquiera iniciarse rápidamente en el uso de distintos modelos de AI para diversas tareas innovadoras.

Por ejemplo, la visión artificial es una rama de la AI que permite a los ordenadores interpretar y comprender la información visual de imágenes y vídeos, y los modelos de visión artificial como Ultralytics YOLO11 son fáciles de empezar a utilizar.

Ultralytics YOLO11 admite tareas como la detección de objetos, la segmentación de instancias y la clasificación de imágenes, y puede utilizarse en aplicaciones como la conducción autónoma, la supervisión de seguridad y el análisis minorista.

Fig. 1. Ultralytics YOLO11 puede utilizarse para detectar varios objetos.

En concreto, el paquete de Python de Ultralytics proporciona herramientas fáciles de usar para entrenar, personalizar e implementar rápidamente estos modelos de AI, lo que permite a usuarios de cualquier nivel crear fácilmente aplicaciones avanzadas de visión artificial.

Sin embargo, si te interesa profundizar en cómo funciona todo o crear tus propias personalizaciones, la sección Reference de la documentación de Ultralytics es un recurso excelente. Explica el funcionamiento interno del paquete de Python de Ultralytics, incluido cómo se gestionan tus datos, el proceso de entrenamiento de los modelos y cómo puedes visualizar las predicciones.

En este artículo, analizaremos más detenidamente la sección Reference de la documentación de Ultralytics y cómo utilizarla al trabajar en proyectos de visión artificial. ¡Empecemos!

Una mirada más profunda al trabajo con modelos de Ultralytics YOLO#

Trabajar con el paquete de Python de Ultralytics es sencillo y directo. Puedes entrenar modelos YOLO o detectar objetos en imágenes utilizando solo unas pocas líneas de código.

Sin embargo, una vez que te familiarices con el trabajo con modelos de visión artificial, la sección Reference de la documentación de Ultralytics te ayudará a profundizar en cómo funciona el código y en qué funciones admite el paquete. También incluye explicaciones fáciles de seguir, opciones configurables y enlaces al código relevante disponible en el repositorio de Ultralytics en GitHub.

Explica cómo está estructurado el paquete de Python de Ultralytics y abarca componentes clave como la configuración de modelos, la carga de datos, el proceso de entrenamiento y cómo se generan y devuelven las predicciones.

Todo está organizado en categorías claras, por lo que es fácil encontrar lo que buscas. Por ejemplo, si entrenas un modelo con tu propio conjunto de datos, puedes ir a la parte de la sección Reference centrada en los datos, que te dará una idea más clara de cómo se utilizarán tus datos para entrenar el modelo.

Cómo empezar a utilizar la sección Reference#

Si accedes a la sección Reference de la documentación de Ultralytics YOLO, encontrarás un menú en el lado izquierdo de la página con distintas categorías de referencia. Cada categoría representa una parte específica de la base de código de Ultralytics, como modelos, gestión de datos o funciones de entrenamiento.

Al hacer clic en una categoría, accederás a una página con más información.

Fig. 2. A la izquierda encontrarás un menú con distintas categorías de Reference.

Del mismo modo, en el lado derecho de la página encontrarás el índice, que desglosa cada página de referencia en componentes clave como funciones (bloques de código reutilizables), clases (plantillas para crear objetos) y métodos (funciones definidas dentro de las clases). Esto facilita ir directamente a lo que buscas.

Fig. 3. A la derecha encontrarás el índice de la página Reference específica que estás consultando.

La estructura del repositorio de Ultralytics en GitHub#

El repositorio de Ultralytics en GitHub está organizado en subdirectorios o subpaquetes basados en distintas partes del paquete de Ultralytics, como modelos, entrenamiento y datos. La sección Reference de la documentación sigue esta misma estructura, lo que facilita entender cómo encaja todo.

Estas son algunas de las principales categorías o subdirectorios que verás tanto en el repositorio de Ultralytics en GitHub como en la sección Reference de la documentación de Ultralytics:

• Modelos: Esta sección se centra en distintos modelos y sus modos, como realizar predicciones, validar el rendimiento y exportar modelos entrenados.
• Motor: Contiene la lógica principal para entrenar, validar, predecir, exportar y evaluar modelos.
• Datos: Gestiona cómo se cargan, procesan y aumentan los conjuntos de datos. Esto incluye funciones para crear cargadores de datos (herramientas que introducen datos en el modelo por lotes), aplicar transformaciones (cambios realizados en las imágenes, como cambiar su tamaño o voltearlas, para ayudar al modelo a aprender mejor) y preparar los datos (organizar y dar formato a las imágenes y etiquetas) para el entrenamiento.
• Utilidades: Esta sección proporciona una amplia variedad de funciones auxiliares utilizadas en toda la base de código, como herramientas de visualización, gestión de archivos y cálculo de métricas.
• HUB: Se conecta a Ultralytics HUB, una plataforma de visión artificial sin código, y habilita funciones en la nube como iniciar sesión, cargar modelos y gestionar conjuntos de datos mediante una API.
• Rastreadores: Implementa la lógica de seguimiento de objetos para aplicaciones relacionadas con vídeo o secuencias de imágenes fotograma a fotograma.

Cada uno de estos subdirectorios del repositorio de GitHub tiene una sección correspondiente en la documentación. Esta estructura se replica intencionadamente, lo que facilita alternar entre la lectura de la documentación y la exploración del código fuente.

De hecho, en muchas páginas de Reference también se muestra el código fuente real, por lo que puedes ver exactamente cómo se implementan las funciones y las clases sin salir de la documentación.

Fig. 4. El código fuente también se incluye en las páginas de Reference.

Comprender los componentes de modelos, motor y datos#

Ahora que hemos visto cómo está organizada la sección Reference, analizaremos más detenidamente tres partes clave del paquete de Ultralytics: modelos, motor y datos.

El subdirectorio de modelos contiene el código que define cómo funciona cada tipo de modelo. Está organizado tanto por tipos de modelos (como YOLO, FastSAM o RT-DETR) como por tareas, como detección, segmentación o clasificación. Dentro de cada uno encontrarás archivos o módulos que gestionan acciones específicas; por ejemplo, cómo realiza predicciones el modelo, cómo se entrena o cómo se evalúa su rendimiento.

Por su parte, el subdirectorio del motor trabaja entre bastidores para gestionar todo el proceso. Mientras que el subdirectorio de modelos se centra en lo que debe hacer cada modelo, el subdirectorio del motor se centra en cómo ejecutar realmente esas tareas de forma coherente y eficiente.

Además, el subdirectorio de datos se encarga de cargar y preparar los conjuntos de datos. Esta parte de la base de código garantiza que tus datos de entrenamiento estén limpios, estructurados y sean variados, lo que ayuda al modelo a aprender mejor y generalizar de forma más eficaz.

Esta separación clara facilita el mantenimiento del código y ofrece a los usuarios flexibilidad para personalizarlo.

Ejemplos de uso de la sección Reference#

Quizá te preguntes por qué es importante comprender las distintas partes de la base de código de Ultralytics. Si sabes qué parte del código gestiona cada función, resulta mucho más fácil encontrar la información que necesitas, realizar cambios o solucionar problemas.

Estos son algunos ejemplos de cómo puedes utilizar la sección Reference de la documentación:

• Si te preguntas «¿Cómo realiza predicciones el modelo?», puedes ir a la categoría Models de la sección Reference, seleccionar un tipo de modelo (como YOLO), elegir una tarea (como detect) y abrir la página Predict para consultar los detalles.
• Si quieres saber cómo se aplican los aumentos de datos, puedes explorar la página Augment dentro de la categoría Data. En ella se enumeran las técnicas de aumento integradas utilizadas para mejorar el rendimiento del modelo y la variedad de los datos de entrenamiento.

Explorar los resultados mediante la sección Reference#

La sección Reference también resulta útil cuando intentas comprender las salidas que devuelve tu modelo. Después de utilizar un modelo como Ultralytics YOLO11 para realizar una inferencia sobre una imagen, este devuelve un conjunto de resultados que describe lo que se ha detectado.

Por ejemplo, en una transmisión de cámara, podría detectar a una persona y resaltar su ubicación mediante un cuadro delimitador, junto con una puntuación de confianza: un valor entre 0 y 1 que indica hasta qué punto el modelo está seguro de la detección.

Si intentas comprender cómo utilizar esa salida en tu proyecto, la sección Reference puede orientarte. Incluye una página para el módulo Results que desglosa su contenido y cómo acceder a él en tu código. Encontrarás información sobre cómo ver los cuadros de detección, comprobar las puntuaciones de confianza, mostrar los resultados o guardarlos.

Fig. 5. Un ejemplo de cómo se pueden visualizar los resultados devueltos por YOLO11.

Conclusiones clave#

La documentación de Ultralytics te ayuda a comprender cómo utilizar eficazmente los modelos YOLO. Explica procesos clave como el entrenamiento de modelos, la preparación de datos y el trabajo con resultados. Cada página incluye explicaciones claras y fragmentos de código de ejemplo para ayudarte a empezar rápidamente.

Si sientes curiosidad por lo que ocurre entre bastidores, la sección Reference de la documentación también lo desglosa paso a paso. Muestra cómo está estructurado el código, qué hace cada parte y cómo funciona todo en conjunto. Esto facilita aprender, personalizar y crear tus propios proyectos de visión artificial con confianza.

Forma parte de nuestra comunidad activa y explora el repositorio de GitHub para obtener más información sobre cómo desarrollar con AI. ¿Listo para poner en marcha tus propias ideas de visión artificial? Visita nuestras opciones de licencia para empezar. Descubre cómo la AI de visión en la automoción y la AI en la atención sanitaria están generando un impacto visitando nuestras páginas de soluciones.