Ejecutar modelos de detección y segmentación de objetos de Ultralytics en unas pocas líneas de código

Bienvenido a otra entrada del blog donde analizaremos las capacidades de los modelos Ultralytics' YOLOv5 y YOLOv8 en lo que respecta a la detección de objetos y la segmentación. Exploraremos cómo integrar estos modelos fáciles de usar en tus proyectos con solo unas pocas líneas de código. Tanto si eres principiante como un desarrollador experimentado, verás cómo Ultralytics admite varios modelos y arquitecturas, incluidas diferentes versiones de YOLO y modelos basados en Transformer.

En su vídeo, Nicolai Nielsen nos guía por el proceso de configuración y uso de varios modelos dentro del framework de Ultralytics. Vamos a desglosarlo paso a paso y veamos cómo puedes empezar a utilizar estas increíbles herramientas.

Link to this sectionPrimeros pasos con los modelos de Ultralytics#

Ultralytics ofrece un framework integral que admite múltiples modelos de detección de objetos y segmentación. Esto incluye los populares modelos YOLO, desde YOLOv3 hasta el último YOLOv8, así como los modelos YOLO-NAS y SAM. Estos modelos están diseñados para gestionar una variedad de tareas como la detección en tiempo real, la segmentación y la estimación de pose.

Para empezar, visita la página de documentación de Ultralytics. Aquí encontrarás información detallada sobre cada modelo, incluidas sus características clave, arquitecturas y cómo utilizarlos en tus scripts de Python.

Link to this sectionConfiguración de tu entorno#

Primero, asegúrate de tener instalado Ultralytics. Puedes hacerlo ejecutando:

pip install ultralytics

Una vez hecho esto, puedes empezar a utilizar estos modelos en tus proyectos. Comencemos con el modelo YOLOv8 como ejemplo.

Link to this sectionCaracterísticas clave de YOLOv8#

YOLOv8 viene con varias mejoras respecto a sus predecesores. Está diseñado para ser más rápido y preciso, lo que lo hace perfecto para aplicaciones en tiempo real. Algunas características clave incluyen:

• Mayor velocidad y precisión
• Pesos preentrenados para múltiples tareas
• Compatibilidad con detección de objetos, segmentación y clasificación
• Arquitectura de modelo mejorada para un mayor rendimiento

Link to this sectionEjecución de YOLOv8 en Python#

Aquí tienes cómo puedes empezar con YOLOv8 en solo unas pocas líneas de código:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

¡Eso es todo! Acabas de ejecutar un modelo YOLOv8 en una imagen. Esta sencillez es lo que hace que los modelos de Ultralytics sean tan potentes y fáciles de usar.

Link to this sectionDetección con cámara web en vivo#

¿Quieres ver YOLOv8 en acción con una transmisión de cámara web en vivo? Aquí tienes cómo puedes hacerlo:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on the webcam feed (source=0) and display the results
results = model.predict(source=0, show=True)

Este script abrirá tu cámara web y aplicará el modelo YOLOv8 para detectar objetos en tiempo real.

Fig 1. Nicolai Nielsen explicando cómo ejecutar modelos de detección y segmentación de objetos de Ultralytics.

Link to this sectionExploración de otros modelos#

Ultralytics no se detiene en YOLOv8. También admiten varios otros modelos como YOLOv5, YOLO-NAS y modelos basados en Transformer para detección en tiempo real. Cada modelo tiene sus propios puntos fuertes y casos de uso.

Link to this sectionModelos Transformer y cómo ejecutarlos#

El modelo RT-DETR, desarrollado por Baidu y respaldado por Ultralytics, es un detector de objetos de extremo a extremo de última generación que ofrece un rendimiento en tiempo real y una alta precisión. Utiliza un backbone basado en convoluciones y un codificador híbrido eficiente para lograr una velocidad en tiempo real, destacando en CUDA con TensorRT, y admite un ajuste flexible de la velocidad de inferencia.

Aquí tienes cómo puedes ejecutar un modelo RT-DETR:

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Link to this sectionModelos Segment Anything#

Ultralytics también ofrece modelos para tareas de segmentación, como MobileSAM y FastSAM. Estos modelos están diseñados para segmentar todo lo que hay en una imagen, proporcionando información detallada sobre la escena.

Link to this sectionEjecución de FastSAM#

FastSAM está optimizado para la segmentación en tiempo real, y así es como puedes ejecutarlo:

from ultralytics import FastSAM

# Create a FastSAM model
model = FastSAM("FastSAM-s.pt")  # or FastSAM-x.pt

# Run inference on an image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

Este modelo es perfecto para aplicaciones que requieren una segmentación rápida y precisa.

Link to this sectionRendimiento y comparaciones#

Una de las grandes características del framework de Ultralytics es la capacidad de comparar diferentes modelos uno al lado del otro. Puedes determinar fácilmente qué modelo funciona mejor para tu aplicación específica observando las métricas de rendimiento, como la velocidad de inferencia y la precisión media (mAP).

Link to this sectionConclusiones principales#

Ultralytics hace que sea increíblemente fácil ejecutar modelos de detección de objetos y segmentación con solo unas pocas líneas de código. Tanto si trabajas en aplicaciones en tiempo real como si necesitas modelos de alta precisión, Ultralytics tiene una solución para ti. Asegúrate de consultar el tutorial completo de Nicolai Nielsen en el canal de YouTube de Ultralytics para obtener información y ejemplos más detallados.

¡Mantente atento para recibir más tutoriales y actualizaciones de la comunidad de Ultralytics!