yolov8_test/docs/es/tasks/detect.md

comments	description	keywords
true	Documentación oficial de YOLOv8 de Ultralytics. Aprende a entrenar, validar, predecir y exportar modelos en varios formatos. Incluyendo estadísticas detalladas de rendimiento.	YOLOv8, Ultralytics, detección de objetos, modelos preentrenados, entrenamiento, validación, predicción, exportación de modelos, COCO, ImageNet, PyTorch, ONNX, CoreML

Detección de Objetos

La detección de objetos es una tarea que implica identificar la ubicación y clase de objetos en una imagen o flujo de video.

La salida de un detector de objetos es un conjunto de cajas delimitadoras que encierran a los objetos en la imagen, junto con etiquetas de clase y puntajes de confianza para cada caja. La detección de objetos es una buena opción cuando necesitas identificar objetos de interés en una escena, pero no necesitas saber exactamente dónde se encuentra el objeto o su forma exacta.

Ver: Detección de Objetos con Modelo Preentrenado YOLOv8 de Ultralytics.

!!! tip "Consejo"

Los modelos YOLOv8 Detect son los modelos predeterminados de YOLOv8, es decir, `yolov8n.pt` y están preentrenados en [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).

Modelos

Los modelos preentrenados de YOLOv8 Detect se muestran aquí. Los modelos de Detect, Segment y Pose están preentrenados en el conjunto de datos COCO, mientras que los modelos de Classify están preentrenados en el conjunto de datos ImageNet.

Los modelos se descargan automáticamente desde el último lanzamiento de Ultralytics release en el primer uso.

Modelo	tamaño (píxeles)	mAPval 50-95	Velocidad CPU ONNX (ms)	Velocidad A100 TensorRT (ms)	parámetros (M)	FLOPs (B)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

• Los valores de mAP^val son para un solo modelo a una sola escala en el conjunto de datos COCO val2017.
  Reproduce utilizando yolo val detect data=coco.yaml device=0
• La Velocidad es el promedio sobre las imágenes de COCO val utilizando una instancia Amazon EC2 P4d.
  Reproduce utilizando yolo val detect data=coco128.yaml batch=1 device=0|cpu

Entrenamiento

Entrena a YOLOv8n en el conjunto de datos COCO128 durante 100 épocas a tamaño de imagen 640. Para una lista completa de argumentos disponibles, consulta la página Configuración.

!!! ejemplo ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n.yaml')  # construye un nuevo modelo desde YAML
    model = YOLO('yolov8n.pt')  # carga un modelo preentrenado (recomendado para entrenamiento)
    model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # construye desde YAML y transfiere los pesos

    # Entrenar el modelo
    results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # Construir un nuevo modelo desde YAML y comenzar entrenamiento desde cero
    yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

    # Comenzar entrenamiento desde un modelo *.pt preentrenado
    yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

    # Construir un nuevo modelo desde YAML, transferir pesos preentrenados y comenzar entrenamiento
    yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
    ```

Formato del conjunto de datos

El formato del conjunto de datos de detección de YOLO se puede encontrar en detalle en la Guía de Conjuntos de Datos. Para convertir tu conjunto de datos existente desde otros formatos (como COCO, etc.) al formato YOLO, por favor usa la herramienta JSON2YOLO de Ultralytics.

Validación

Valida la precisión del modelo YOLOv8n entrenado en el conjunto de datos COCO128. No es necesario pasar ningún argumento, ya que el modelo retiene sus datos de entrenamiento y argumentos como atributos del modelo.

!!! ejemplo ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n.pt')  # cargar un modelo oficial
    model = YOLO('ruta/a/mejor.pt')  # cargar un modelo personalizado

    # Validar el modelo
    metrics = model.val()  # sin argumentos necesarios, el conjunto de datos y configuraciones se recuerdan
    metrics.box.map    # map50-95
    metrics.box.map50  # map50
    metrics.box.map75  # map75
    metrics.box.maps   # una lista contiene map50-95 de cada categoría
    ```
=== "CLI"

    ```bash
    yolo detect val model=yolov8n.pt  # validar modelo oficial
    yolo detect val model=ruta/a/mejor.pt  # validar modelo personalizado
    ```

Predicción

Utiliza un modelo YOLOv8n entrenado para realizar predicciones en imágenes.

!!! ejemplo ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n.pt')  # cargar un modelo oficial
    model = YOLO('ruta/a/mejor.pt')  # cargar un modelo personalizado

    # Predecir con el modelo
    results = model('https://ultralytics.com/images/bus.jpg')  # predecir en una imagen
    ```
=== "CLI"

    ```bash
    yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # predecir con modelo oficial
    yolo detect predict model=ruta/a/mejor.pt source='https://ultralytics.com/images/bus.jpg'  # predecir con modelo personalizado
    ```

Consulta los detalles completos del modo predict en la página Predicción.

Exportación

Exporta un modelo YOLOv8n a un formato diferente como ONNX, CoreML, etc.

!!! ejemplo ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n.pt')  # cargar un modelo oficial
    model = YOLO('ruta/a/mejor.pt')  # cargar un modelo entrenado personalizado

    # Exportar el modelo
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n.pt format=onnx  # exportar modelo oficial
    yolo export model=ruta/a/mejor.pt format=onnx  # exportar modelo entrenado personalizado
    ```

Los formatos de exportación de YOLOv8 disponibles se encuentran en la tabla a continuación. Puedes predecir o validar directamente en modelos exportados, es decir, yolo predict model=yolov8n.onnx. Ejemplos de uso se muestran para tu modelo después de que la exportación se completa.

Formato	Argumento format	Modelo	Metadata	Argumentos
PyTorch	-	yolov8n.pt	✅	-
TorchScript	torchscript	yolov8n.torchscript	✅	imgsz, optimizar
ONNX	onnx	yolov8n.onnx	✅	imgsz, mitad, dinámico, simplificar, conjunto de operaciones
OpenVINO	openvino	modelo_yolov8n_openvino/	✅	imgsz, mitad
TensorRT	engine	yolov8n.engine	✅	imgsz, mitad, dinámico, simplificar, espacio de trabajo
CoreML	coreml	yolov8n.mlpackage	✅	imgsz, mitad, int8, nms
TF SavedModel	saved_model	modelo_guardado_yolov8n/	✅	imgsz, keras
TF GraphDef	pb	yolov8n.pb	❌	imgsz
TF Lite	tflite	yolov8n.tflite	✅	imgsz, mitad, int8
TF Edge TPU	edgetpu	yolov8n_edgetpu.tflite	✅	imgsz
TF.js	tfjs	modelo_web_yolov8n/	✅	imgsz
PaddlePaddle	paddle	modelo_yolov8n_paddle/	✅	imgsz
ncnn	ncnn	modelo_ncnn_yolov8n/	✅	imgsz, mitad

Consulta los detalles completos de la exportación en la página Exportar.