Fundamentos de visión artificial
Aprende el criterio que hay detrás de cada sistema de visión funcional: definir la tarea, elegir entre las siete tareas de Ultralytics YOLO, auditar los datos y las etiquetas, dividir los datos de forma rigurosa e interpretar las métricas, con ejemplos ejecutables de YOLO26 sobre imágenes y conjuntos de datos reales.
Por Ultralytics Academy
Define un problema de visión artificial, elige la tarea y las etiquetas adecuadas, comprueba que tus datos reflejan la realidad y aprende a reconocer qué significa hacerlo bien antes de entrenar.
Convierte una idea de producto en una especificación de tarea de tres líneas y mantén las reglas de negocio en el código, no en el modelo.
Asocia el resultado con una de las siete tareas adecuadas: clasificación, detección, segmentación de instancias, segmentación semántica, estimación de profundidad, pose u OBB.
Interpreta los resultados del detector y establece los umbrales de confianza e IoU según el coste de cada error.
Audita un conjunto de datos real para detectar lagunas de cobertura, etiquetas incorrectas e imágenes casi duplicadas que se filtran entre las particiones.
Interpreta conjuntamente la precisión, la exhaustividad, mAP50-95, AP por clase y la matriz de confusión para decidir si lanzar, iterar o replantear el proyecto.
Una especificación de tarea para tu proyecto, con una regla de decisión escrita como código sobre los resultados de YOLO26.
Una auditoría del conjunto de datos y una comprobación de etiquetas para un conjunto de datos real, con un plan de recopilación priorizado.
Una comprobación de filtraciones y una división por grupos que mantienen las imágenes casi idénticas fuera de la validación.
Un informe de evaluación que identifica la clase limitante y el umbral para el lanzamiento.
Una primera ejecución de YOLO26 con tus propias imágenes, comprobada con tu especificación.
No necesitas experiencia previa en visión artificial: los conceptos se explican por sí solos.
Opcional, pero recomendado: Python 3.10 o posterior y
pip install ultralyticspara ejecutar los ejemplos. Todo funciona en segundos en la CPU de un portátil.
Contenido del curso
4 módulos · 10 leccionesMódulo 1
Módulo 2
Las siete tareas de visión
Asocia una línea de salida con clasificación, detección, segmentación de instancias, segmentación semántica, estimación de profundidad, pose u OBB y elige los pesos de YOLO26 para empezar.
Entender la detección de objetos
Interpreta los resultados de un detector —clase, caja y confianza— y fija los umbrales de confianza e IoU según el coste de cada error.
Cajas frente a máscaras: cuándo necesitas realmente la segmentación
Mide qué aporta una máscara respecto a una caja en una imagen real y decide, según el consumidor posterior, si tu proyecto necesita conocer la forma.
Estimación de pose y OBB
Lee los puntos clave y las cajas rotadas de YOLO26, escribe una regla sobre cada uno y reconoce cuándo la señal real es la postura o el ángulo.
Módulo 3
Conjuntos de datos que reflejan la realidad
Audita un conjunto de datos real para detectar carencias de cobertura antes de etiquetar más datos y convierte esas carencias en un plan de recopilación con negativos difíciles.
Calidad de las anotaciones
Descubre qué contiene una etiqueta YOLO, comprueba los archivos de etiquetas para detectar filas incorrectas y mantén la coherencia entre anotadores con una guía y una ronda de calibración cuantificada.
Módulo 4
Divisiones que reflejan la realidad
Detecta imágenes casi duplicadas que se filtren entre entrenamiento y validación, y divide los datos según la unidad que será nueva durante el despliegue.
Interpretar correctamente las métricas de detección
Ejecuta la validación, analiza la precisión, la exhaustividad, mAP50-95, AP por clase y la matriz de confusión, y elige un umbral para producción a partir de un objetivo.
Del laboratorio a producción
Instala Ultralytics, ejecuta YOLO26 con tus propias imágenes, comprueba el resultado según tus especificaciones y elige el siguiente paso.