Ultralytics YOLO27: Únete a la lista de espera.
Get Started
Desde la instalación con pip hasta un detector personalizado listo para desplegar
Itinerario de nivel Fundamentosprincipiante ~4 horas 10 leccionesExamen final · Certificado

Entrena tu primer modelo YOLO

Lleva Ultralytics YOLO26 desde una instalación limpia hasta un detector personalizado, entrenado, validado y exportado. Harás predicciones sobre imágenes, prepararás un conjunto de datos real, entrenarás y diagnosticarás un detector de pastillas, ejecutarás modelos en vídeo con seguimiento y exportarás a ONNX, comprobando que los resultados coinciden con PyTorch. Cada paso se ejecuta en Python y desde la CLI, en la CPU de un portátil, y se muestran los resultados reales. La planificación, recopilación y anotación del propio conjunto de datos se aborda en Creación de conjuntos de datos YOLO de alto rendimiento.

Por Ultralytics Academy

Empezar el cursoInicia sesión para guardar tu progreso
Qué aprenderás

Entrena, valida y exporta un modelo Ultralytics YOLO26 con un conjunto de datos personalizado, ejecútalo en vídeo y aprende a diagnosticar cada paso cuando algo falla, tanto desde Python como desde la línea de comandos.

  • Instala Ultralytics, comprueba qué dispositivo utilizará y ejecuta predicciones de YOLO26 en Python y desde la CLI.

  • Elige el tamaño del modelo a partir de un presupuesto de latencia medido, no de una clasificación.

  • Prepara un conjunto de datos en el formato YOLO de Ultralytics, convierte las etiquetas y escribe un data.yaml que se resuelva desde cualquier ubicación.

  • Entrena, valida, reanuda ejecuciones e inicia el entrenamiento con pesos ya entrenados; después, convierte los resultados de validación en una lista de correcciones.

  • Transmite y sigue vídeo, expórtalo a ONNX, TensorRT, OpenVINO y otros formatos, y demuestra que la exportación coincide con PyTorch.

Qué crearás

  • Un conjunto de datos de pastillas en formato YOLO, con un data.yaml que Ultralytics lee sin ninguna etiqueta corrupta.

  • Un detector best.pt entrenado, con sus métricas de validación junto a las del modelo base preentrenado.

  • Un script de vídeo en streaming que cuenta objetos únicos con seguimiento y comprueba que puede seguir el ritmo de la frecuencia de fotogramas.

  • Una exportación ONNX cuyas detecciones y mAP coinciden con las del modelo PyTorch con los mismos ajustes.

Requisitos previos

  • Python 3.10 o posterior y soltura ejecutando scripts de Python y comandos de shell.

  • No necesitas GPU: todos los ejemplos de este curso se ejecutan en la CPU de un portátil en cuestión de minutos. Una GPU NVIDIA o Apple Silicon acelera las ejecuciones de mayor tamaño.

  • Recomendación: completa primero Fundamentos de visión artificial y Creación de conjuntos de datos YOLO de alto rendimiento.

Contenido del curso

5 módulos · 10 lecciones

Módulo 1

Configuración
1

Instala Ultralytics

Instala Ultralytics en un entorno limpio, lee el informe de comprobaciones de yolo para confirmar qué dispositivo usarás y verifica la configuración con una predicción.

Módulo 2

Predecir
2

Predecir una imagen

Ejecuta un modelo YOLO26 preentrenado desde Python, lee las clases, las confianzas y las cajas en píxeles de los resultados, y ajusta los argumentos que resuelven la mayoría de los casos en los que no se detecta un objeto.

3

Elige el tamaño de modelo de Ultralytics YOLO

Compara YOLO26 n, s, m, l y x, evalúalos en el hardware de destino y elige el tamaño más pequeño que se ajuste a tu presupuesto de latencia.

Módulo 3

Datos
4

Prepara un conjunto de datos personalizado

Organiza las imágenes y las etiquetas en el formato Ultralytics YOLO, convierte las cajas en píxeles a líneas de etiquetas normalizadas y detecta las etiquetas defectuosas antes de entrenar.

5

Escribe un YAML para el conjunto de datos

Escribe el archivo data.yaml para indicar a Ultralytics dónde están tus carpetas y cómo se llaman tus clases, consigue que las rutas funcionen desde cualquier ubicación y haz una prueba rápida con yolo val.

Módulo 4

Entrenar
6

Entrena tu primer modelo

Ajusta YOLO26 a tu conjunto de datos con una sola llamada, lee el registro de entrenamiento en directo línea a línea y encuentra best.pt y los gráficos importantes en la carpeta de ejecución.

7

Validar y diagnosticar

Valida best.pt frente a una referencia, lee la matriz de confusión, las cifras por clase y las imágenes de predicción, y conviértelas en una lista concreta de correcciones.

8

Reanudar e iterar

Reanuda exactamente una ejecución interrumpida, inicia una nueva ronda desde best.pt con una tasa de aprendizaje que se aplique de verdad y compara las ejecuciones una al lado de la otra.

Módulo 5

Publicar
9

Ejecutar inferencia en vídeo

Ejecuta YOLO26 con archivos de vídeo y cámaras en directo con memoria acotada, sigue objetos para contar cada uno una sola vez y comprueba que el modelo mantiene la frecuencia de fotogramas.

10

Exportar para el despliegue

Exporta best.pt a ONNX, OpenVINO, TensorRT, CoreML, LiteRT o QNN y, antes de desplegarlo, demuestra que la exportación coincide con el modelo PyTorch.