Una biblioteca de PyTorch que implementa métodos de mapas de activación de clases (CAM) para visualizar qué regiones de una imagen impulsan las predicciones de un modelo de visión artificial.
13 mil1,7 milPythonMITActualizado hace 2 meses
ultralytics/yolov5
Ultralytics YOLOv5 es un kit de herramientas de visión artificial basado en PyTorch para detectar objetos, segmentar instancias y clasificar imágenes, con funciones de entrenamiento y exportación.
- Estrellas
- 58,185
- Forks
- 17,457
- Issues abiertos
- 25
- Último commit
- anteayer
¿Qué es?
YOLOv5 es una biblioteca de modelos de visión artificial basada en PyTorch y desarrollada por Ultralytics. Incluye detección de objetos, segmentación de instancias y clasificación de imágenes, así como scripts para entrenar con conjuntos de datos personalizados, validar la precisión, ejecutar inferencias en imágenes, videos, webcams y streams, y exportar pesos entrenados.
El repositorio ofrece checkpoints preentrenados, desde el tamaño nano hasta extra-large, entrenados con COCO e ImageNet, que se pueden cargar mediante PyTorch Hub o el script de línea de comandos detect.py. El entrenamiento admite ejecuciones distribuidas de datos en paralelo con varias GPU, y las herramientas de exportación convierten modelos a los formatos ONNX, TensorRT, CoreML y TFLite.
El proyecto también incluye tutoriales sobre transfer learning, evolución de hiperparámetros, poda de modelos, aumento de datos en tiempo de prueba e integraciones de registro con herramientas como ClearML, Comet y Weights & Biases. El repositorio señala que el sucesor con mantenimiento activo es el paquete ultralytics de pip, que incluye modelos YOLO más recientes y tareas adicionales, como la estimación de pose y los cuadros delimitadores orientados.
Funciones clave
- 01Detección de objetos, segmentación de instancias y clasificación de imágenes en una sola base de código.
- 02Checkpoints preentrenados desde el tamaño nano hasta extra-large, utilizables mediante PyTorch Hub o detect.py.
- 03Inferencia en imágenes, videos, webcams, capturas de pantalla, streams RTSP y URLs de YouTube.
- 04Entrenamiento con DDP en varias GPU y selección del tamaño del lote mediante AutoBatch.
- 05Exportación a los formatos ONNX, TensorRT, CoreML y TFLite.
Casos de uso
- Entrenar un detector con un conjunto de datos etiquetado personalizado.
- Ejecutar detección de objetos en tiempo real con una webcam o un archivo de video.
- Implementar un modelo entrenado en dispositivos edge mediante TensorRT o TFLite.
- Experimentar con segmentación o clasificación usando checkpoints preentrenados.
Inicio rápido
- 1
Clona el repositorio
git clone https://github.com/ultralytics/yolov5 - 2
Entra en el directorio clonado
cd yolov5 - 3
Instala los paquetes necesarios
pip install -r requirements.txt - 4
Ejecuta la inferencia con una imagen local
python detect.py --weights yolov5s.pt --source img.jpg
Antes de usarlo
- Está bajo la licencia AGPL-3.0, que es de copyleft y puede exigir publicar el código fuente de los servicios de red derivados.
- Para uso empresarial sin las obligaciones de la AGPL, se necesita una licencia independiente de Ultralytics.
- El README recomienda el paquete ultralytics, que se mantiene activamente, para las arquitecturas más recientes.
Temas
Preguntas frecuentes
- ¿Qué es yolov5?
- Ultralytics YOLOv5 es un kit de herramientas de visión artificial basado en PyTorch para detectar objetos, segmentar instancias y clasificar imágenes, con funciones de entrenamiento y exportación. YOLOv5 es una biblioteca de modelos de visión artificial basada en PyTorch y desarrollada por Ultralytics. Incluye detección de objetos, segmentación de instancias y clasificación de imágenes, así como scripts para entrenar con conjuntos de datos personalizados, validar la precisión, ejecutar inferencias en imágenes, videos, webcams y streams, y exportar pesos entrenados.
- ¿yolov5 es gratuito? ¿Qué licencia tiene?
- yolov5 es open source bajo la licencia AGPL-3.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿yolov5 sigue mantenido?
- Mantenimiento activo. El último commit de yolov5 fue el 18 oct 2026.
- ¿Para qué puedo usar yolov5?
- Entrenar un detector con un conjunto de datos etiquetado personalizado. Ejecutar detección de objetos en tiempo real con una webcam o un archivo de video. Implementar un modelo entrenado en dispositivos edge mediante TensorRT o TFLite. Experimentar con segmentación o clasificación usando checkpoints preentrenados.
- ¿Cómo se instala yolov5?
- Clona el repositorio: git clone https://github.com/ultralytics/yolov5 Entra en el directorio clonado: cd yolov5 Instala los paquetes necesarios: pip install -r requirements.txt Ejecuta la inferencia con una imagen local: python detect.py --weights yolov5s.pt --source img.jpg
- ¿Dónde consigo yolov5?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/ultralytics/yolov5
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Aplicación de escritorio multiplataforma para etiquetar con ayuda de IA datos de texto, imágenes, video, nubes de puntos y datos multimodales, con modelos integrados y exportación a varios formatos.
IA y Machine Learning#image-annotation#computer-vision#deep-learning#object-detection#instance-segmentation
10,7 mil1,2 milPythonGPL-3.0Actualizado anteayer
Implementación oficial en PyTorch de BiRefNet, un modelo de deep learning para la segmentación dicotómica de imágenes de alta resolución, usado habitualmente para eliminar fondos.
4,3 mil344PythonMITActualizado hace 3 días
Colección de 419 modelos de IA preentrenados para visión, voz, NLP y LLM, ejecutables desde una CLI de Python común mediante ailia SDK.
2,4 mil367PythonOtherActualizado ayer
Una biblioteca de optimización de deep learning que facilita y hace más eficiente el entrenamiento distribuido y la inferencia de modelos grandes.
43,2 mil5 milPythonApache-2.0Actualizado ayer
Herramienta de Python para restauración facial ciega: mejora rostros borrosos, de baja calidad o dañados en fotos y videos mediante un transformer con búsqueda en un libro de códigos.
18,2 mil3,7 milPythonOtherActualizado hace 11 meses