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

Te damos la bienvenida a otra entrada de blog en la que nos adentraremos en las capacidades de los modelos de Ultralytics' YOLOv5 y YOLOv8 en lo que respecta a la object detection y la segmentation. Exploraremos cómo integrar estos modelos fáciles de usar en tus proyectos con tan solo unas pocas líneas de código. Tanto si eres principiante como si eres 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 paso a paso por el proceso de configuración y uso de varios modelos dentro del ecosistema 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 marco de trabajo integral que es compatible con múltiples modelos de detección de objetos y segmentación. Esto incluye los populares modelos YOLO, que van desde YOLOv3 hasta el más reciente YOLOv8, así como los modelos YOLO-NAS y SAM. Estos modelos están diseñados para gestionar una gran variedad de tareas, como la detección en tiempo real, la segmentación y la estimación de postura.

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

Configuración de tu entorno#

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

pip install ultralytics

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

Características clave de Ultralytics YOLOv8#

Ultralytics YOLOv8 incluye varias mejoras respecto a sus predecesores. Está diseñado para ser más rápido y preciso, por lo que es perfecto para aplicaciones en tiempo real. Algunas características clave son:

• 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

Ejecutar Ultralytics YOLOv8 en Python#

Así es como puedes empezar con Ultralytics YOLOv8 en apenas unas pocas líneas de código:

from ultralytics import YOLO

# Load a pretrained Ultralytics 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.

Detección con cámara web en vivo#

¿Quieres ver Ultralytics YOLOv8 en acción con la señal de una cámara web en directo? Así es como puedes hacerlo:

from ultralytics import YOLO

# Load a pretrained Ultralytics 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 Ultralytics YOLOv8 para detectar objetos en tiempo real.

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

Exploración de otros modelos#

Ultralytics no se detiene en YOLOv8. También son compatibles con otros modelos como YOLOv5, YOLO-NAS y modelos basados en Transformer para la detección en tiempo real. Cada modelo tiene sus propias ventajas y casos de uso.

Modelos 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")

Modelos 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.

Ejecución 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.

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 las métricas de rendimiento, como la velocidad de inferencia y la precisión media (mAP).

Conclusiones 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.

¡Permanece atento para ver más tutoriales y actualizaciones de la comunidad de Ultralytics!