Ejecución de modelos de detección y segmentación de objetos de Ultralytics con unas pocas líneas de código

Te damos la bienvenida a otra entrada del blog en la que profundizaremos en las capacidades de los modelos YOLOv5 de Ultralytics y YOLOv8 para 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 si tienes experiencia en desarrollo, verás cómo Ultralytics admite varios modelos y arquitecturas, incluidas distintas 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 a ver cómo puedes empezar a utilizar estas increíbles herramientas.

Primeros pasos con los modelos de Ultralytics#

Ultralytics ofrece un framework completo compatible con varios modelos de detección y segmentación de objetos. Incluye los populares modelos YOLO, desde YOLOv3 hasta el más reciente YOLOv8, además de YOLO-NAS y los modelos SAM. Estos modelos están diseñados para realizar diversas tareas, como la detección en tiempo real, la segmentación y la estimación de la pose.

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

Configuración del entorno#

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

pip install ultralytics

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

Características principales de Ultralytics YOLOv8#

Ultralytics YOLOv8 incorpora varias mejoras con respecto a sus predecesores. Está diseñado para ser más rápido y preciso, por lo que es perfecto para aplicaciones en tiempo real. Entre sus características principales se incluyen:

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

Ejecución de Ultralytics YOLOv8 en Python#

Así puedes empezar a utilizar Ultralytics YOLOv8 con 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 sobre una imagen. Esta sencillez es lo que hace que los modelos de Ultralytics sean tan potentes y fáciles de usar.

Detección en directo con la webcam#

¿Quieres ver Ultralytics YOLOv8 en acción con la señal de una webcam en directo? Así 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 webcam y aplicará el modelo Ultralytics YOLOv8 para detectar objetos en tiempo real.

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

Exploración de otros modelos#

Ultralytics no se limita a YOLOv8. También admite otros modelos, como YOLOv5, YOLO-NAS y modelos basados en Transformer 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 compatible con Ultralytics, es un detector de objetos de última generación, de extremo a extremo, que ofrece rendimiento en tiempo real y una gran precisión. Utiliza un backbone basado en convoluciones y un codificador híbrido eficiente para alcanzar velocidad en tiempo real; destaca en CUDA con TensorRT y permite ajustar de forma flexible la velocidad de inferencia.

Así 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")

Modelos Segment Anything#

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

Ejecución de FastSAM#

FastSAM está optimizado para la segmentación en tiempo real y así 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.

Rendimiento y comparaciones#

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

Conclusiones principales#

Ultralytics facilita enormemente la ejecución de modelos de detección y segmentación de objetos 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. No te pierdas el tutorial completo de Nicolai Nielsen en el canal de YouTube de Ultralytics para obtener información y ejemplos más detallados.

¡No te pierdas los próximos tutoriales y novedades de la comunidad de Ultralytics!