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 y empezar rápidamente a utilizar distintos modelos de IA para diversas tareas de vanguardia.

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

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 videovigilancia y el análisis del comercio 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 y desplegar rápidamente estos modelos de IA, lo que permite a usuarios de todos los niveles crear con facilidad aplicaciones avanzadas de visión artificial.

Sin embargo, si te interesa profundizar en cómo funciona todo o crear tus propias personalizaciones, la sección de referencia 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 del modelo y cómo puedes visualizar las predicciones.

En este artículo, veremos con más detalle la sección de referencia de la documentación de Ultralytics y cómo utilizarla al trabajar en proyectos de visión artificial. ¡Empecemos!

Un análisis más detallado del trabajo con los modelos Ultralytics YOLO#

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

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

Explica cómo está estructurado el paquete de Python de Ultralytics y abarca componentes clave como la configuración del modelo, la carga de datos, el proceso de entrenamiento y la generación y devolución de predicciones.

Todo está organizado en categorías claras, así que es fácil encontrar lo que buscas. Por ejemplo, si estás entrenando un modelo con tu propio conjunto de datos, puedes ir a la parte de la sección de referencia dedicada a los datos, donde entenderás mejor cómo se utilizarán para entrenar el modelo.

Cómo empezar con la sección de referencia#

Si vas a la sección de referencia de la documentación de Ultralytics YOLO, encontrarás un menú a la izquierda de la página con distintas categorías de referencia. Cada categoría representa una parte específica de la base de código de Ultralytics, como los modelos, la gestión de datos o las 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 referencia.

Del mismo modo, a la derecha 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 clases). Así podrás ir directamente a lo que buscas.

Fig. 3. A la derecha encontrarás el índice de la página de referencia que estés viendo.

Estructura del repositorio de GitHub de Ultralytics#

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

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

• Modelos: esta sección se centra en distintos modelos y sus modos, como generar predicciones, validar el rendimiento y exportar modelos entrenados.
• Motor: contiene la lógica central para entrenar, validar, generar predicciones, exportar y evaluar modelos.
• Datos: gestiona la carga, el procesamiento y el aumento de los conjuntos de datos. Incluye funciones para crear cargadores de datos (herramientas que proporcionan datos al modelo en lotes), aplicar transformaciones (cambios en las imágenes, como cambiarles el tamaño o voltearlas, para ayudar al modelo a aprender mejor) y preparar los datos (organizar y dar formato a las imágenes y las etiquetas) para el entrenamiento.
• Utilidades: esta sección ofrece 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 con Ultralytics HUB, una plataforma de visión artificial sin código, y permite utilizar funciones en la nube, como iniciar sesión, subir modelos y gestionar conjuntos de datos mediante una API.
• Rastreadores: implementa la lógica de seguimiento de objetos para aplicaciones que trabajan 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 de forma intencionada para que resulte más fácil alternar entre la lectura de la documentación y la exploración del código fuente.

De hecho, en muchas páginas de referencia también se muestra el código fuente real, para que puedas 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 referencia.

Comprender los componentes de modelos, motor y datos#

Ahora que hemos visto cómo está organizada la sección de referencia, vamos a examinar más de cerca tres partes clave del paquete de Ultralytics: los modelos, el motor y los datos.

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

Por su parte, el subdirectorio del motor gestiona todo el proceso en segundo plano. Mientras que el subdirectorio de modelos se centra en lo que debe hacer cada modelo, el subdirectorio del motor se ocupa de cómo ejecutar 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 los datos de entrenamiento estén limpios, estructurados y sean variados, lo que ayuda al modelo a aprender mejor y generalizar con mayor eficacia.

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

Ejemplos de uso de la sección de referencia#

Quizá te preguntes por qué es importante comprender las distintas partes de la base de código de Ultralytics. Si sabes qué parte del código se encarga de cada cosa, te resultará mucho más fácil encontrar la información que necesitas, hacer cambios o solucionar problemas.

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

• Si te preguntas «¿Cómo genera predicciones el modelo?», puedes ir a la categoría Modelos de la sección de referencia, seleccionar un tipo de modelo (como YOLO), elegir una tarea (como la detección) y abrir la página Predict para obtener más detalles.
• Si quieres saber cómo se aplican los aumentos de datos, puedes consultar la página Augment dentro de la categoría Datos. En ella se enumeran las técnicas de aumento integradas que se utilizan para mejorar el rendimiento del modelo y la variedad de los datos de entrenamiento.

Explorar los resultados desde la sección de referencia#

La sección de referencia también resulta útil cuando intentas comprender los resultados que devuelve tu modelo. Tras ejecutar una inferencia sobre una imagen con un modelo como Ultralytics YOLO11, 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 señalar su ubicación mediante un cuadro delimitador, junto con una puntuación de confianza —un valor entre 0 y 1 que indica el grado de certeza del modelo sobre la detección—.

Si intentas entender cómo utilizar esos resultados en tu proyecto, la sección de referencia puede orientarte. Incluye una página dedicada al módulo Results que explica qué contiene y cómo acceder a ello en tu código. Encontrarás información sobre cómo ver los cuadros de detección, consultar las puntuaciones de confianza, mostrar los resultados o guardarlos.

Fig. 5. Ejemplo de visualización de 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 que puedas empezar rápidamente.

Si te interesa saber qué ocurre en segundo plano, la sección de referencia de la documentación también lo explica paso a paso. Muestra cómo está estructurado el código, qué hace cada parte y cómo funciona todo en conjunto. Así te resultará más fácil aprender, personalizar y crear con confianza tus propios proyectos de visión artificial.

Forma parte de nuestra activa comunidad y explora el repositorio de GitHub para obtener más información sobre cómo crear con IA. ¿Listo para poner en marcha tus propias ideas de visión artificial? Visita nuestras opciones de licencia para empezar. Descubre cómo la IA visual en la automoción y la IA en la sanidad están teniendo impacto en nuestras páginas de soluciones.