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

En esta publicación veremos las capacidades de los modelos YOLOv5 y YOLOv8 de Ultralytics 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 estás empezando como si eres un desarrollador con experiencia, descubrirás cómo Ultralytics admite diversos modelos y arquitecturas, incluidas distintas versiones de YOLO y modelos basados en transformers.

En su vídeo, Nicolai Nielsen explica cómo configurar y utilizar distintos modelos con el marco de trabajo de Ultralytics. Vamos a desglosar el proceso paso a paso y a ver cómo puedes empezar a utilizar estas herramientas.

Primeros pasos con los modelos de Ultralytics#

Ultralytics ofrece un marco de trabajo completo compatible con varios modelos de detección y segmentación de objetos. Incluye los populares modelos YOLO, desde YOLOv3 hasta YOLOv8 (sucedidos desde entonces por YOLO26), además de YOLO-NAS y SAM. Estos modelos están diseñados para realizar diversas tareas, como la detección en tiempo real, la segmentación y la estimación de poses.

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

Configura tu entorno#

Primero, asegúrate de tener Ultralytics instalado. Para ello, ejecuta:

pip install ultralytics

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

Características principales de Ultralytics YOLOv8#

Ultralytics YOLOv8 incorpora varias mejoras respecto a sus predecesores. Está diseñado para ser más rápido y preciso, por lo que es muy adecuado 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 ofrecer un mejor rendimiento

Ejecutar Ultralytics YOLOv8 en Python#

Aquí tienes cómo empezar a utilizar Ultralytics YOLOv8 con solo unas pocas líneas de código:

from ultralytics import YOLO

# Carga un modelo YOLOv8 preentrenado
model = YOLO("yolov8n.pt")

# Ejecuta la inferencia en una imagen
results = model("path/to/image.jpg")

¡Y listo! Acabas de ejecutar una inferencia con un modelo YOLOv8 sobre una imagen. Esta sencillez es lo que hace que los modelos Ultralytics sean tan fáciles de usar.

Detección en directo con la cámara web#

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

from ultralytics import YOLO

# Carga un modelo YOLOv8 preentrenado
model = YOLO("yolov8n.pt")

# Ejecuta la inferencia en la señal de la cámara web (source=0) y muestra los resultados
results = model.predict(source=0, show=True)

Este script abrirá la cámara web y utilizará el modelo Ultralytics YOLOv8 para detectar objetos en tiempo real.

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

Explora otros modelos#

Ultralytics no se limita a YOLOv8. También es compatible con otros modelos, como YOLOv5, YOLO-NAS y modelos basados en transformers para la detección en tiempo real. Cada modelo tiene sus puntos fuertes y sus 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 extremo a extremo de última generación que ofrece rendimiento en tiempo real y gran precisión. Utiliza una red troncal basada en convoluciones y un codificador híbrido eficiente para alcanzar velocidad en tiempo real, destaca en CUDA con TensorRT y permite ajustar con flexibilidad la velocidad de inferencia.

Así puedes ejecutar un modelo RT-DETR:

from ultralytics import RTDETR

# Carga un modelo RT-DETR-l preentrenado con COCO
model = RTDETR("rtdetr-l.pt")

# Ejecuta la inferencia en una imagen
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 todos los elementos de una imagen y ofrecer información detallada sobre la escena.

Ejecutar FastSAM#

FastSAM está optimizado para la segmentación en tiempo real. Así puedes ejecutarlo:

from ultralytics import FastSAM

# Crea un modelo FastSAM
model = FastSAM("FastSAM-s.pt")  # o FastSAM-x.pt

# Ejecuta la inferencia en una imagen
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

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

Rendimiento y comparativas#

Una función útil del ecosistema Ultralytics es la posibilidad de comparar distintos modelos lado a lado. Puedes determinar qué modelo funciona mejor para tu aplicación concreta consultando métricas de rendimiento como la velocidad de inferencia y la precisión media promedio (mAP).

Puntos clave#

Ultralytics facilita 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 gran precisión, Ultralytics tiene una solución para ti. No olvides ver el tutorial completo de Nicolai Nielsen en el canal de YouTube de Ultralytics para obtener información más detallada y ejemplos.

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