Link to this sectionRoboflow#

Roboflow ofrece herramientas para el etiquetado de datos y la exportación de datasets en varios formatos, incluido YOLO. Esta guía abarca el etiquetado, la exportación y el despliegue de datos para modelos Ultralytics YOLO.

Esta guía demuestra cómo buscar, etiquetar y organizar datos para entrenar un modelo Ultralytics YOLO26 personalizado utilizando Roboflow.

• Recopilar datos para el entrenamiento
• Etiquetar datos
• Gestión de datasets
• Exportar datos
• Desplegar modelos
• Evaluar modelos
• Preguntas frecuentes

Link to this sectionRecopilar datos para el entrenamiento de un modelo YOLO26 personalizado#

Roboflow ofrece dos servicios principales para ayudar en la recopilación de datos para modelos YOLO de Ultralytics: Universe y Collect. Para obtener información más general sobre las estrategias de recopilación de datos, consulta nuestra Guía de recopilación y anotación de datos.

Link to this sectionRoboflow Universe#

Roboflow Universe es un repositorio en línea de datasets de visión. Puedes exportar datasets en formato YOLO para utilizarlos con los modelos de Ultralytics.

Link to this sectionRoboflow Collect#

Si prefieres recopilar imágenes tú mismo, Roboflow Collect es un proyecto de código abierto que permite la recopilación automática de imágenes a través de una webcam en dispositivos edge. Puedes utilizar prompts de texto o imagen para especificar los datos que se van a recopilar, ayudando a capturar solo las imágenes necesarias para tu modelo de visión.

Link to this sectionSubir, convertir y etiquetar datos para el formato YOLO26#

Roboflow Annotate es una herramienta en línea para etiquetar imágenes para diversas tareas de visión artificial, incluidas la detección de objetos, la clasificación y la segmentación.

Para etiquetar datos para un modelo YOLO de Ultralytics, crea un proyecto en Roboflow, sube tus imágenes y empieza a anotar.

Link to this sectionHerramientas de anotación#

• Anotación de cuadro delimitador: Presiona B o haz clic en el icono de cuadro. Haz clic y arrastra para crear el cuadro delimitador. Aparecerá una ventana emergente que te pedirá que selecciones una clase para la anotación.
• Anotación de polígono: Se utiliza para la segmentación de instancias. Presiona P o haz clic en el icono de polígono. Haz clic en los puntos alrededor del objeto para dibujar el polígono.

Link to this sectionAsistente de etiquetado (integración con SAM)#

Roboflow integra un asistente de etiquetado basado en Segment Anything Model (SAM) para acelerar potencialmente la anotación.

Para utilizar el asistente de etiquetado, haz clic en el icono del cursor en la barra lateral. SAM se habilitará para tu proyecto.

Pasa el ratón sobre un objeto y SAM puede sugerir una anotación. Haz clic para aceptar la anotación. Puedes refinar la especificidad de la anotación haciendo clic dentro o fuera del área sugerida.

Link to this sectionEtiquetado (Tagging)#

Puedes añadir etiquetas a las imágenes utilizando el panel Tags en la barra lateral. Las etiquetas pueden representar atributos como la ubicación, la fuente de la cámara, etc. Estas etiquetas te permiten buscar imágenes específicas y generar versiones del dataset que contengan imágenes con etiquetas particulares.

Link to this sectionAsistente de etiquetado (basado en modelo)#

Los modelos alojados en Roboflow pueden utilizarse con Label Assist para sugerir anotaciones. Sube tus pesos de modelo YOLO a Roboflow (consulta las instrucciones a continuación) y luego activa Label Assist mediante el icono de varita mágica en la barra lateral.

Link to this sectionGestión de datasets para YOLO26#

Roboflow ofrece varias herramientas para comprender y gestionar tus datasets de visión artificial.

Link to this sectionBúsqueda de datasets#

Utiliza la búsqueda de datasets para encontrar imágenes basadas en descripciones de texto o etiquetas/etiquetas específicas. Accede a esta función haciendo clic en "Dataset" en la barra lateral.

Link to this sectionComprobación de estado#

Antes de entrenar, utiliza Roboflow Health Check para obtener información sobre tu dataset e identificar posibles mejoras. Accede a él a través del enlace "Health Check" de la barra lateral. Proporciona estadísticas sobre los tamaños de imagen, el equilibrio de clases, los mapas de calor de anotación y mucho más.

Health Check podría sugerir cambios para mejorar el rendimiento, como abordar los desequilibrios de clase identificados en la función de equilibrio de clase. Comprender la salud del dataset es crucial para un entrenamiento de modelos eficaz.

Link to this sectionPreprocesar y aumentar datos para la robustez del modelo#

Para exportar tus datos, debes crear una versión del dataset, que es una instantánea de tu dataset en un momento específico. Haz clic en "Versions" en la barra lateral y luego en "Create New Version". Aquí puedes aplicar pasos de preprocesamiento y aumentos de datos para mejorar potencialmente la robustez del modelo.

Para cada aumento seleccionado, una ventana emergente te permite ajustar sus parámetros, como el brillo. Un aumento adecuado puede mejorar significativamente la generalización del modelo, un concepto clave tratado en nuestra guía de consejos para el entrenamiento de modelos.

Link to this sectionExportar datos en más de 40 formatos para el entrenamiento de modelos#

Una vez generada la versión de tu dataset, puedes exportarla en varios formatos adecuados para el entrenamiento de modelos. Haz clic en el botón "Export Dataset" en la página de la versión.

Selecciona el formato "YOLO26" para la compatibilidad con las canalizaciones de entrenamiento de Ultralytics. Ya estás listo para entrenar tu modelo YOLO26 personalizado. Consulta la documentación del modo Train de Ultralytics para obtener instrucciones detalladas sobre cómo iniciar el entrenamiento con tu dataset exportado.

Link to this sectionSubir pesos de modelos YOLO26 personalizados para pruebas y despliegue#

Roboflow ofrece una API escalable para modelos desplegados y SDK compatibles con dispositivos como NVIDIA Jetson, Luxonis OAK, Raspberry Pi y sistemas basados en GPU. Explora varias opciones de despliegue de modelos en nuestras guías.

Puedes desplegar modelos YOLO26 subiendo sus pesos a Roboflow utilizando un sencillo script de Python.

Crea un nuevo archivo Python y añade el siguiente código:

import roboflow  # install with 'pip install roboflow'

# Log in to Roboflow (requires API key)
roboflow.login()

# Initialize Roboflow client
rf = roboflow.Roboflow()

# Define your workspace and project details
WORKSPACE_ID = "your-workspace-id"  # Replace with your actual Workspace ID
PROJECT_ID = "your-project-id"  # Replace with your actual Project ID
VERSION = 1  # Replace with your desired dataset version number
MODEL_PATH = "path/to/your/runs/detect/train/"  # Replace with the path to your YOLO26 training results directory

# Get project and version
project = rf.workspace(WORKSPACE_ID).project(PROJECT_ID)
dataset = project.version(VERSION)

# Upload model weights for deployment
# Ensure MODEL_PATH points to the directory containing 'best.pt'
dataset.deploy(
    model_type="yolov8",
    model_path=MODEL_PATH,
)  # Note: Use "yolov8" as model_type for YOLO26 compatibility in Roboflow deployment

print(f"Model from {MODEL_PATH} uploaded to Roboflow project {PROJECT_ID}, version {VERSION}.")
print("Deployment may take up to 30 minutes.")

En este código, sustituye your-workspace-id, your-project-id, el número de VERSION y MODEL_PATH por los valores específicos de tu cuenta de Roboflow, proyecto y directorio de resultados de entrenamiento local. Asegúrate de que MODEL_PATH apunte correctamente al directorio que contiene tu archivo de pesos best.pt entrenado.

Cuando ejecutes el código anterior, se te pedirá que te autentiques (normalmente mediante una clave API). Luego, tu modelo se subirá y se creará un endpoint de API para tu proyecto. Este proceso puede tardar hasta 30 minutos en completarse.

Para probar tu modelo y encontrar instrucciones de despliegue para los SDK compatibles, ve a la pestaña "Deploy" en la barra lateral de Roboflow. En la parte superior de esta página, aparecerá un widget que te permitirá probar tu modelo utilizando tu webcam o subiendo imágenes o vídeos.

Tu modelo subido también puede utilizarse como asistente de etiquetado, sugiriendo anotaciones en nuevas imágenes basadas en su entrenamiento.

Link to this sectionCómo evaluar modelos YOLO26#

Roboflow proporciona funciones para evaluar el rendimiento del modelo. Comprender las métricas de rendimiento es crucial para la iteración del modelo.

Después de subir un modelo, accede a la herramienta de evaluación del modelo a través de la página de tu modelo en el panel de control de Roboflow. Haz clic en "View Detailed Evaluation".

Esta herramienta muestra una matriz de confusión que ilustra el rendimiento del modelo y un gráfico interactivo de análisis vectorial utilizando embeddings de CLIP. Estas funciones ayudan a identificar áreas de mejora del modelo.

La ventana emergente de la matriz de confusión:

Pasa el ratón sobre las celdas para ver los valores y haz clic en las celdas para ver las imágenes correspondientes con las predicciones del modelo y los datos de verdad fundamental (ground truth).

Haz clic en "Vector Analysis" para ver un gráfico de dispersión que visualiza la similitud de las imágenes basándose en los embeddings de CLIP. Las imágenes que están más juntas son semánticamente similares. Los puntos representan imágenes, coloreadas desde blanco (buen rendimiento) hasta rojo (bajo rendimiento).

El análisis vectorial ayuda a:

• Identificar grupos de imágenes.
• Identificar grupos donde el modelo tiene un rendimiento deficiente.
• Comprender las similitudes entre las imágenes que causan un rendimiento deficiente.

Link to this sectionRecursos de aprendizaje#

• Entrenar YOLO en un dataset personalizado (Colab): Cuaderno interactivo de Google Colab para entrenar con tus datos.
• Documentación de Ultralytics YOLO: Entrenamiento, exportación y despliegue de modelos YOLO.
• Blog de Ultralytics: Artículos sobre visión artificial y entrenamiento de modelos.
• YouTube de Ultralytics: Guías en vídeo sobre el entrenamiento y el despliegue de modelos.

Link to this sectionFAQ#

Link to this section¿Cómo etiqueto datos para modelos YOLO26 utilizando Roboflow?#

Utiliza Roboflow Annotate. Crea un proyecto, sube imágenes y utiliza las herramientas de anotación (B para cuadros delimitadores, P para polígonos) o el asistente de etiquetado basado en SAM para un etiquetado más rápido. Los pasos detallados están disponibles en la sección Subir, convertir y etiquetar datos.

Link to this section¿Qué servicios ofrece Roboflow para recopilar datos de entrenamiento para YOLO26?#

Roboflow ofrece Universe (acceso a numerosos datasets) y Collect (recopilación automatizada de imágenes a través de webcam). Estos pueden ayudar a adquirir los datos de entrenamiento necesarios para tu modelo YOLO26, complementando las estrategias descritas en nuestra Guía de recopilación de datos.

Link to this section¿Cómo puedo gestionar y analizar mi dataset YOLO26 utilizando Roboflow?#

Utiliza las funciones de búsqueda de datasets, etiquetado y Health Check de Roboflow. La búsqueda encuentra imágenes por texto o etiquetas, mientras que Health Check analiza la calidad del dataset (equilibrio de clases, tamaños de imagen, etc.) para guiar las mejoras antes del entrenamiento. Consulta la sección Gestión de datasets para obtener más detalles.

Link to this section¿Cómo exporto mi dataset YOLO26 desde Roboflow?#

Crea una versión del dataset en Roboflow, aplica el preprocesamiento y los aumentos deseados, haz clic en "Export Dataset" y selecciona el formato YOLO26. El proceso se detalla en la sección Exportar datos. Esto prepara tus datos para su uso con las canalizaciones de entrenamiento de Ultralytics.

Link to this section¿Cómo puedo integrar y desplegar modelos YOLO26 con Roboflow?#

Sube tus pesos YOLO26 entrenados a Roboflow utilizando el script de Python proporcionado. Esto crea un endpoint de API desplegable. Consulta la sección Subir pesos personalizados para ver el script y las instrucciones. Explora más opciones de despliegue en nuestra documentación.