Ejecutando modelos de detección de objetos y segmentación de Ultralytics en pocas líneas de código

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

En su video, Nicolai Nielsen nos guía a través del proceso de configuración y uso de varios modelos dentro del framework de Ultralytics. Analicemos paso a paso y veamos cómo puedes empezar con estas increíbles herramientas.

Primeros pasos con los modelos de Ultralytics

Ultralytics ofrece un marco de trabajo completo que admite múltiples modelos de detección de objetos y segmentación. Esto incluye los populares modelos YOLO, que van desde YOLOv3 hasta el último YOLOv8, así como los modelos YOLO-NAS y SAM. Estos modelos están diseñados para manejar 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, incluyendo sus características clave, arquitecturas y cómo utilizarlos en tus scripts de Python.

Configurando Su Entorno

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

bash

Copiar código

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

Características clave de YOLOv8

YOLOv8 viene con varias mejoras con 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 pre-entrenados para múltiples tareas
• Soporte para detección de objetos, segmentación y clasificación
• Arquitectura de modelo mejorada para un mejor rendimiento

Ejecución de YOLOv8 en Python

Así es como puede empezar a utilizar YOLOv8 con tan solo unas pocas líneas de código:

Copiar código

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

Detección en vivo con webcam

¿Quiere ver YOLOv8 en acción en una transmisión en vivo de una cámara web? Aquí le mostramos cómo puede hacerlo:

python

Copiar código

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

Explorando otros modelos

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

Modelos Transformer y cómo ejecutarlos

El modelo RT-DETR desarrollado por Baidu y soportado por Ultralytics, es un detector de objetos de última generación, end-to-end, que ofrece rendimiento en tiempo real y alta precisión. Utiliza un backbone basado en conv y un codificador híbrido eficiente para la velocidad en tiempo real, sobresaliendo en CUDA con TensorRT, y soporta un ajuste flexible de la velocidad de inferencia.

Aquí le mostramos cómo ejecutar un modelo RT-DETR:

Copiar código

Modelos de Segmentación de Cualquier Cosa

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

Ejecución de FastSAM

FastSAM está optimizado para la segmentación en tiempo real, y aquí le mostramos cómo puede ejecutarlo:

Copiar código

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

Rendimiento 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 métricas de rendimiento como la velocidad de inferencia y la precisión media promedio (mAP).

Principales conclusiones

Ultralytics hace que sea increíblemente fácil ejecutar modelos de detección de objetos y segmentación con tan solo unas pocas líneas de código. Tanto si trabaja en aplicaciones en tiempo real como si necesita modelos de alta precisión, Ultralytics tiene una solución para usted. Asegúrese 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 más tutoriales y actualizaciones de la comunidad de Ultralytics!