yolov8_test/docs/es/modes/index.md

comments	description	keywords
true	Desde el entrenamiento hasta el seguimiento, aprovecha al máximo YOLOv8 con Ultralytics. Obtén información y ejemplos para cada modo compatible incluyendo validación, exportación y evaluación comparativa.	Ultralytics, YOLOv8, Aprendizaje Automático, Detección de Objetos, Entrenamiento, Validación, Predicción, Exportación, Seguimiento, Benchmarking

Modos de Ultralytics YOLOv8

Introducción

Ultralytics YOLOv8 no es solo otro modelo de detección de objetos; es un marco de trabajo versátil diseñado para cubrir todo el ciclo de vida de los modelos de aprendizaje automático, desde la ingesta de datos y el entrenamiento del modelo hasta la validación, implementación y seguimiento en el mundo real. Cada modo sirve para un propósito específico y está diseñado para ofrecerte la flexibilidad y eficiencia necesarias para diferentes tareas y casos de uso.

Mira: Tutorial de Modos Ultralytics: Entrenar, Validar, Predecir, Exportar y Hacer Benchmarking.

Modos a Primera Vista

Comprender los diferentes modos que soporta Ultralytics YOLOv8 es crítico para sacar el máximo provecho a tus modelos:

• Modo Entrenar (Train): Afina tu modelo en conjuntos de datos personalizados o pre-cargados.
• Modo Validar (Val): Un punto de control post-entrenamiento para validar el rendimiento del modelo.
• Modo Predecir (Predict): Libera el poder predictivo de tu modelo en datos del mundo real.
• Modo Exportar (Export): Prepara tu modelo para la implementación en varios formatos.
• Modo Seguir (Track): Extiende tu modelo de detección de objetos a aplicaciones de seguimiento en tiempo real.
• Modo Benchmark (Benchmark): Analiza la velocidad y precisión de tu modelo en diversos entornos de implementación.

Esta guía completa tiene como objetivo proporcionarte una visión general y conocimientos prácticos de cada modo, ayudándote a aprovechar todo el potencial de YOLOv8.

Entrenar (Train)

El modo Entrenar se utiliza para entrenar un modelo YOLOv8 en un conjunto de datos personalizado. En este modo, el modelo se entrena utilizando el conjunto de datos y los hiperparámetros especificados. El proceso de entrenamiento implica optimizar los parámetros del modelo para que pueda predecir con precisión las clases y ubicaciones de los objetos en una imagen.

Ejemplos de Entrenamiento{ .md-button }

Validar (Val)

El modo Validar se usa para validar un modelo YOLOv8 después de haber sido entrenado. En este modo, el modelo se evalúa en un conjunto de validación para medir su precisión y rendimiento de generalización. Este modo se puede usar para ajustar los hiperparámetros del modelo y mejorar su rendimiento.

Ejemplos de Validación{ .md-button }

Predecir (Predict)

El modo Predecir se utiliza para realizar predicciones usando un modelo YOLOv8 entrenado en imágenes o videos nuevos. En este modo, el modelo se carga desde un archivo de punto de control, y el usuario puede proporcionar imágenes o videos para realizar inferencias. El modelo predice las clases y ubicaciones de los objetos en las imágenes o videos de entrada.

Ejemplos de Predicción{ .md-button }

Exportar (Export)

El modo Exportar se utiliza para exportar un modelo YOLOv8 a un formato que se pueda usar para la implementación. En este modo, el modelo se convierte a un formato que puede ser utilizado por otras aplicaciones de software o dispositivos de hardware. Este modo es útil al implementar el modelo en entornos de producción.

Ejemplos de Exportación{ .md-button }

Seguir (Track)

El modo Seguir se usa para rastrear objetos en tiempo real utilizando un modelo YOLOv8. En este modo, el modelo se carga desde un archivo de punto de control, y el usuario puede proporcionar un flujo de video en vivo para realizar seguimiento de objetos en tiempo real. Este modo es útil para aplicaciones como sistemas de vigilancia o coches autónomos.

Ejemplos de Seguimiento{ .md-button }

Benchmark (Benchmark)

El modo Benchmark se utiliza para perfilar la velocidad y precisión de varios formatos de exportación de YOLOv8. Los benchmarks proporcionan información sobre el tamaño del formato de exportación, sus métricas de mAP50-95 (para detección de objetos, segmentación y pose) o métricas de accuracy_top5 (para clasificación), y el tiempo de inferencia en milisegundos por imagen a través de varios formatos de exportación como ONNX, OpenVINO, TensorRT y otros. Esta información puede ayudar a los usuarios a elegir el formato de exportación óptimo para su caso de uso específico, basado en sus requerimientos de velocidad y precisión.

Ejemplos de Benchmarking{ .md-button }