2. Entrenamiento de modelos usando aprendizaje por transferencia
En esta lección, aprenderemos cómo entrenar un modelo de detección de objetos usando aprendizaje por transferencia. Estas técnicas reducen el esfuerzo computacional y mejoran el rendimiento del modelo, incluso con datasets pequeños.
Primero, añadimos el módulo de ayuda:
addpath('help-module');
Entrenamiento
Parámetros requeridos de YOLO
Los siguientes parámetros son obligatorios al configurar una sesión de entrenamiento de YOLO:
- configFile (str) : Ruta al archivo de configuración (normalmente en formato
.yaml) que define la estructura del dataset y las clases. Este archivo debe incluir las rutas a los conjuntos de entrenamiento, validación y, opcionalmente, prueba, así como la lista de nombres de las clases. Como ejemplo, el archivo que usaremos en este tutorial es data.yaml, que ya contiene toda la estructura definida. - baseModel (str): Este parámetro especifica qué modelo se utilizará para el entrenamiento. Permite continuar el entrenamiento de un modelo previamente entrenado o iniciar el entrenamiento desde un modelo YOLO preentrenado. Puedes elegir entre diferentes versiones de YOLO, tareas (por ejemplo, detección de objetos, segmentación, clasificación) y tamaños de modelo. Para estos tutoriales, usaremos YOLOv8 para detección de objetos. Los modelos preentrenados disponibles, ordenados de menor a mayor, son: yolov8n.pt, yolov8s.pt, yolov8m.pt, yolov8l.pt, yolov8x.pt. En estas lecciones se recomienda usar modelos más pequeños (por ejemplo,
yolov8n.ptoyolov8s.pt) para acelerar el entrenamiento y la velocidad de inferencia. MaxEpochs(int): Este parámetroestablece el número máximo de épocas para el entrenamiento, donde una época es una pasada completa por todas las imágenes del dataset de entrenamiento. Aumentar este valor suele mejorar el rendimiento del modelo, pero también incrementa el tiempo de entrenamiento.ImageSize(list[int]):Tamaño (en píxeles) al que se redimensionarán todas las imágenes antes del entrenamiento. Tamaños mayores pueden mejorar la precisión, pero requieren más recursos computacionales.
En el siguiente código, definimos los valores de estos parámetros requeridos. Usa estos parámetros para acelerar la ejecución:
configFile = fullfile(pwd, 'datasets', 'fruits_3_4998', 'data.yaml');
baseModel = 'yolov8s-oiv7.pt';
options.MaxEpochs = 1;
options.ImageSize = [256 256 3];
Visualización de las capas de YOLO
El siguiente código permite visualizar la arquitectura y los parámetros de un modelo YOLOv8:
det = yolov8ObjectDetector2('yolov8s');
Pretrained yolov8s network already exists.
% Analizar el modelo cargado
analyzeNetwork(det.Network);
Este comando abre una nueva ventana que muestra todas las capas y parámetros del modelo YOLO que se está utilizando. Ten en cuenta que las distintas variantes de YOLOv8 (por ejemplo, yolov8s, yolov8m, etc.) difieren no solo en el número de parámetros, sino también ligeramente en su complejidad arquitectónica.
En el caso de YOLOv8, el modelo suele constar de 23 bloques principales. Estos se pueden agrupar en tres componentes principales:
- Backbone (primeros 10 bloques): Responsable de extraer características de la imagen de entrada.
- Neck (siguientes 12 bloques): Combina características a distintas escalas para mejorar el rendimiento de detección.
- Head (último bloque): Responsable de predecir bounding boxes, etiquetas de clase y puntuaciones de confianza.
Parámetro de congelación de capas para aprendizaje por transferencia
Una de las principales ventajas de los modelos YOLO es que vienen preentrenados. Entrenar un modelo de detección de objetos desde cero suele requerir millones de imágenes y una potencia computacional considerable. Este problema puede resolverse usando aprendizaje por transferencia, que consiste en tomar un modelo que ya ha sido entrenado en un dataset grande y reentrenarlo ligeramente usando un conjunto mucho más pequeño de datos nuevos.
El aprendizaje por transferencia es especialmente eficaz en visión por computador porque las redes neuronales convolucionales (CNN), que son la base de YOLO (y de todos los modelos de detección de objetos), aprenden características de forma jerárquica. Las capas iniciales detectan características de bajo nivel, como bordes y texturas, mientras que las capas más profundas capturan patrones más complejos y estructuras de objetos. Esta jerarquía hace que las primeras capas sean altamente reutilizables en distintas tareas.
Normalmente, las capas iniciales responsables de la extracción de características (el backbone) se congelan durante el entrenamiento, lo que significa que sus pesos no se actualizan. Esto permite que el modelo conserve las características visuales generales aprendidas de datasets grandes. Mientras tanto, las capas posteriores se ajustan finamente sobre el nuevo dataset para adaptarse a la tarea específica.
En algunos escenarios, todo el modelo puede ajustarse finamente usando una tasa de aprendizaje menor, permitiendo que se adapte gradualmente a los nuevos datos mientras se minimiza el riesgo de sobrescribir conocimiento preentrenado valioso.
Por eso usamos YOLOv8. Viene preentrenado en datasets grandes como COCO (por ejemplo, yolov8n.pt, yolov8s.pt) u Open Image V7 (por ejemplo, yolov8n-oiv7.pt, yolov8s-oiv7.pt). Usar estos modelos reduce significativamente el tiempo de entrenamiento y mejora el rendimiento, incluso con datasets más pequeños.
Elegir qué capas congelar
La elección de cuántas capas de YOLOv8 congelar depende de lo parecido que sea tu dataset objetivo a los datos preentrenados. YOLOv8 tiene 22 capas que se pueden congelar: las primeras 10 extraen características genéricas (bordes, texturas, formas), mientras que las capas posteriores se especializan en detección. Dado que nuestras clases (manzana, naranja, pera) están bien representadas en COCO y Open Images V7, los dominios coinciden bastante. Esto nos permite congelar la mayoría de las capas para mantener intactas las características generales y ajustar finamente solo las capas de nivel superior para nuestras frutas, lo que acelera el entrenamiento y reduce el riesgo de sobreajuste.
Para congelar capas específicas durante el entrenamiento, usamos el parámetro freeze de la siguiente manera:
optionalArgs = {'freeze', 15};
Hay parámetros adicionales disponibles para configurar el modelo, que se explicarán en la Lección 4: Experimentación.
Inicio del entrenamiento
A continuación, entrenamos el modelo YOLO con los parámetros que definimos anteriormente. Esto puede tardar aproximadamente 2 minutos.
[yolov8Det, results] = trainYOLOv8ObjectDetector( ...
configFile, ...
baseModel, ...
options, ...
optionalArgs{:});
ans =
PythonEnvironment with properties:
Version: "3.11"
Executable: "C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\win64\python\python.exe"
Library: "C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\win64\python\python311.dll"
Home: "C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\win64\python"
Status: Terminated
ExecutionMode: OutOfProcess
False
is instance freeze
New https://pypi.org/project/ultralytics/8.3.174 available Update with 'pip install -U ultralytics'
Ultralytics YOLOv8.2.66 Python-3.11.5 torch-2.7.0+cpu CPU (11th Gen Intel Core(TM) i5-1135G7 2.40GHz)
□[34m□[1mengine\trainer: □[0mtask=detect, mode=train, model=yolov8s-oiv7.pt, data=C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\data.yaml, epochs=1, time=None, patience=100, batch=16, imgsz=256, save=True, save_period=-1, cache=False, device=None, workers=8, project=None, name=first, exist_ok=False, pretrained=True, optimizer=auto, verbose=True, seed=0, deterministic=True, single_cls=False, rect=False, cos_lr=False, close_mosaic=10, resume=False, amp=True, fraction=1.0, profile=False, freeze=15, multi_scale=False, overlap_mask=True, mask_ratio=4, dropout=0.0, val=True, split=val, save_json=False, save_hybrid=False, conf=None, iou=0.7, max_det=300, half=False, dnn=False, plots=True, source=None, vid_stride=1, stream_buffer=False, visualize=False, augment=False, agnostic_nms=False, classes=None, retina_masks=False, embed=None, show=False, save_frames=False, save_txt=False, save_conf=False, save_crop=False, show_labels=True, show_conf=True, show_boxes=True, line_width=None, format=torchscript, keras=False, optimize=False, int8=False, dynamic=False, simplify=False, opset=None, workspace=4, nms=False, lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=7.5, cls=0.5, dfl=1.5, pose=12.0, kobj=1.0, label_smoothing=0.0, nbs=64, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, bgr=0.0, mosaic=1.0, mixup=0.0, copy_paste=0.0, auto_augment=randaugment, erasing=0.4, crop_fraction=1.0, cfg=None, tracker=botsort.yaml, save_dir=C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first
Overriding model.yaml nc=601 with nc=3
from n params module arguments
0 -1 1 928 ultralytics.nn.modules.conv.Conv [3, 32, 3, 2]
1 -1 1 18560 ultralytics.nn.modules.conv.Conv [32, 64, 3, 2]
2 -1 1 29056 ultralytics.nn.modules.block.C2f [64, 64, 1, True]
3 -1 1 73984 ultralytics.nn.modules.conv.Conv [64, 128, 3, 2]
4 -1 2 197632 ultralytics.nn.modules.block.C2f [128, 128, 2, True]
5 -1 1 295424 ultralytics.nn.modules.conv.Conv [128, 256, 3, 2]
6 -1 2 788480 ultralytics.nn.modules.block.C2f [256, 256, 2, True]
7 -1 1 1180672 ultralytics.nn.modules.conv.Conv [256, 512, 3, 2]
8 -1 1 1838080 ultralytics.nn.modules.block.C2f [512, 512, 1, True]
9 -1 1 656896 ultralytics.nn.modules.block.SPPF [512, 512, 5]
10 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest']
11 [-1, 6] 1 0 ultralytics.nn.modules.conv.Concat [1]
12 -1 1 591360 ultralytics.nn.modules.block.C2f [768, 256, 1]
13 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest']
14 [-1, 4] 1 0 ultralytics.nn.modules.conv.Concat [1]
15 -1 1 148224 ultralytics.nn.modules.block.C2f [384, 128, 1]
16 -1 1 147712 ultralytics.nn.modules.conv.Conv [128, 128, 3, 2]
17 [-1, 12] 1 0 ultralytics.nn.modules.conv.Concat [1]
18 -1 1 493056 ultralytics.nn.modules.block.C2f [384, 256, 1]
19 -1 1 590336 ultralytics.nn.modules.conv.Conv [256, 256, 3, 2]
20 [-1, 9] 1 0 ultralytics.nn.modules.conv.Concat [1]
21 -1 1 1969152 ultralytics.nn.modules.block.C2f [768, 512, 1]
22 [15, 18, 21] 1 2117209 ultralytics.nn.modules.head.Detect [3, [128, 256, 512]]
YOLOv8s summary: 225 layers, 11,136,761 parameters, 11,136,745 gradients, 28.7 GFLOPs
Transferred 349/355 items from pretrained weights
□[34m□[1mTensorBoard: □[0mStart with 'tensorboard --logdir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first', view at http://localhost:6006/
Freezing layer 'model.0.conv.weight'
Freezing layer 'model.0.bn.weight'
Freezing layer 'model.0.bn.bias'
Freezing layer 'model.1.conv.weight'
Freezing layer 'model.1.bn.weight'
Freezing layer 'model.1.bn.bias'
Freezing layer 'model.2.cv1.conv.weight'
Freezing layer 'model.2.cv1.bn.weight'
Freezing layer 'model.2.cv1.bn.bias'
Freezing layer 'model.2.cv2.conv.weight'
Freezing layer 'model.2.cv2.bn.weight'
Freezing layer 'model.2.cv2.bn.bias'
Freezing layer 'model.2.m.0.cv1.conv.weight'
Freezing layer 'model.2.m.0.cv1.bn.weight'
Freezing layer 'model.2.m.0.cv1.bn.bias'
Freezing layer 'model.2.m.0.cv2.conv.weight'
Freezing layer 'model.2.m.0.cv2.bn.weight'
Freezing layer 'model.2.m.0.cv2.bn.bias'
Freezing layer 'model.3.conv.weight'
Freezing layer 'model.3.bn.weight'
Freezing layer 'model.3.bn.bias'
Freezing layer 'model.4.cv1.conv.weight'
Freezing layer 'model.4.cv1.bn.weight'
Freezing layer 'model.4.cv1.bn.bias'
Freezing layer 'model.4.cv2.conv.weight'
Freezing layer 'model.4.cv2.bn.weight'
Freezing layer 'model.4.cv2.bn.bias'
Freezing layer 'model.4.m.0.cv1.conv.weight'
Freezing layer 'model.4.m.0.cv1.bn.weight'
Freezing layer 'model.4.m.0.cv1.bn.bias'
Freezing layer 'model.4.m.0.cv2.conv.weight'
Freezing layer 'model.4.m.0.cv2.bn.weight'
Freezing layer 'model.4.m.0.cv2.bn.bias'
Freezing layer 'model.4.m.1.cv1.conv.weight'
Freezing layer 'model.4.m.1.cv1.bn.weight'
Freezing layer 'model.4.m.1.cv1.bn.bias'
Freezing layer 'model.4.m.1.cv2.conv.weight'
Freezing layer 'model.4.m.1.cv2.bn.weight'
Freezing layer 'model.4.m.1.cv2.bn.bias'
Freezing layer 'model.5.conv.weight'
Freezing layer 'model.5.bn.weight'
Freezing layer 'model.5.bn.bias'
Freezing layer 'model.6.cv1.conv.weight'
Freezing layer 'model.6.cv1.bn.weight'
Freezing layer 'model.6.cv1.bn.bias'
Freezing layer 'model.6.cv2.conv.weight'
Freezing layer 'model.6.cv2.bn.weight'
Freezing layer 'model.6.cv2.bn.bias'
Freezing layer 'model.6.m.0.cv1.conv.weight'
Freezing layer 'model.6.m.0.cv1.bn.weight'
Freezing layer 'model.6.m.0.cv1.bn.bias'
Freezing layer 'model.6.m.0.cv2.conv.weight'
Freezing layer 'model.6.m.0.cv2.bn.weight'
Freezing layer 'model.6.m.0.cv2.bn.bias'
Freezing layer 'model.6.m.1.cv1.conv.weight'
Freezing layer 'model.6.m.1.cv1.bn.weight'
Freezing layer 'model.6.m.1.cv1.bn.bias'
Freezing layer 'model.6.m.1.cv2.conv.weight'
Freezing layer 'model.6.m.1.cv2.bn.weight'
Freezing layer 'model.6.m.1.cv2.bn.bias'
Freezing layer 'model.7.conv.weight'
Freezing layer 'model.7.bn.weight'
Freezing layer 'model.7.bn.bias'
Freezing layer 'model.8.cv1.conv.weight'
Freezing layer 'model.8.cv1.bn.weight'
Freezing layer 'model.8.cv1.bn.bias'
Freezing layer 'model.8.cv2.conv.weight'
Freezing layer 'model.8.cv2.bn.weight'
Freezing layer 'model.8.cv2.bn.bias'
Freezing layer 'model.8.m.0.cv1.conv.weight'
Freezing layer 'model.8.m.0.cv1.bn.weight'
Freezing layer 'model.8.m.0.cv1.bn.bias'
Freezing layer 'model.8.m.0.cv2.conv.weight'
Freezing layer 'model.8.m.0.cv2.bn.weight'
Freezing layer 'model.8.m.0.cv2.bn.bias'
Freezing layer 'model.9.cv1.conv.weight'
Freezing layer 'model.9.cv1.bn.weight'
Freezing layer 'model.9.cv1.bn.bias'
Freezing layer 'model.9.cv2.conv.weight'
Freezing layer 'model.9.cv2.bn.weight'
Freezing layer 'model.9.cv2.bn.bias'
Freezing layer 'model.12.cv1.conv.weight'
Freezing layer 'model.12.cv1.bn.weight'
Freezing layer 'model.12.cv1.bn.bias'
Freezing layer 'model.12.cv2.conv.weight'
Freezing layer 'model.12.cv2.bn.weight'
Freezing layer 'model.12.cv2.bn.bias'
Freezing layer 'model.12.m.0.cv1.conv.weight'
Freezing layer 'model.12.m.0.cv1.bn.weight'
Freezing layer 'model.12.m.0.cv1.bn.bias'
Freezing layer 'model.12.m.0.cv2.conv.weight'
Freezing layer 'model.12.m.0.cv2.bn.weight'
Freezing layer 'model.12.m.0.cv2.bn.bias'
Freezing layer 'model.22.dfl.conv.weight'
C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\win64\python\Lib\site-packages\ultralytics\engine\trainer.py:268: FutureWarning: `torch.cuda.amp.GradScaler(args...)` is deprecated. Please use `torch.amp.GradScaler('cuda', args...)` instead.
self.scaler = torch.cuda.amp.GradScaler(enabled=self.amp)
□[34m□[1mtrain: □[0mScanning C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\labels.cache... 1019 images, 136 backgrounds, 13 corrupt: 100%|##########| 1019/1019 [00:00<?, ?it/s]
□[34m□[1mtrain: □[0mScanning C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\labels.cache... 1019 images, 136 backgrounds, 13 corrupt: 100%|##########| 1019/1019 [00:00<?, ?it/s]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\0510fe79-68bd-4b4a-951f-dab86920adeb.png: ignoring corrupt image/label: negative label values [ -0.047368]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\0eaaca45-2f14-4cef-87e4-25c02c6bf3b2.png: ignoring corrupt image/label: negative label values [ -0.018722]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\15aef5fc-3df2-4f0e-8dd8-95ea8c730407.png: ignoring corrupt image/label: negative label values [ -0.022958]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\175a13d3-1a18-428a-a577-48807a5871fe.png: ignoring corrupt image/label: negative label values [ -0.083108]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\23232dd4-2cb4-4229-b335-98862a76323a.png: ignoring corrupt image/label: negative label values [ -0.049029]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\3d14a064-5447-4257-a19d-ab909a56da01.png: ignoring corrupt image/label: negative label values [ -0.016604]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\55c845f7-6a6e-4b05-9ad6-c50cb78e9874.png: ignoring corrupt image/label: negative label values [ -0.063713]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\757484cc-6ad5-4ad9-b03b-b0b4ce7ef7ee.png: ignoring corrupt image/label: negative label values [ -0.054816]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\7bbc8b1d-26fb-4268-8d72-6c10bdedce90.png: ignoring corrupt image/label: negative label values [ -0.046767]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\8b961909-3110-4bc8-b08f-f6bb6eee123a.png: ignoring corrupt image/label: negative label values [ -0.02139]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\d402070d-cb8b-4109-aea2-7b33f01cadad.png: ignoring corrupt image/label: negative label values [ -0.015335]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\f8891e69-28dd-4fc8-8a2e-4d1ad88145b8.png: ignoring corrupt image/label: negative label values [ -0.059821]
□[34m□[1mtrain: □[0mWARNING ⚠️ C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\train\images\fef31132-3b8d-48f2-9493-1e522dde091c.png: ignoring corrupt image/label: negative label values [ -0.075973]
C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\win64\python\Lib\site-packages\torch\utils\data\dataloader.py:665: UserWarning: 'pin_memory' argument is set as true but no accelerator is found, then device pinned memory won't be used.
warnings.warn(warn_msg)
□[34m□[1mval: □[0mScanning C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\val\labels.cache... 144 images, 0 backgrounds, 0 corrupt: 100%|##########| 144/144 [00:00<?, ?it/s]
□[34m□[1mval: □[0mScanning C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\val\labels.cache... 144 images, 0 backgrounds, 0 corrupt: 100%|##########| 144/144 [00:00<?, ?it/s]
Plotting labels to C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first\labels.jpg...
□[34m□[1moptimizer:□[0m 'optimizer=auto' found, ignoring 'lr0=0.01' and 'momentum=0.937' and determining best 'optimizer', 'lr0' and 'momentum' automatically...
□[34m□[1moptimizer:□[0m AdamW(lr=0.001429, momentum=0.9) with parameter groups 57 weight(decay=0.0), 64 weight(decay=0.0005), 63 bias(decay=0.0)
□[34m□[1mTensorBoard: □[0mmodel graph visualization added ✅
Image sizes 256 train, 256 val
Using 0 dataloader workers
Logging results to □[1mC:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first□[0m
Starting training for 1 epochs...
Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size
0%| | 0/63 [00:00<?, ?it/s]
1/1 0G 0.9298 3.627 0.9719 69 256: 0%| | 0/63 [00:01<?, ?it/s]
1/1 0G 0.9298 3.627 0.9719 69 256: 2%|1 | 1/63 [00:01<01:51, 1.79s/it]
1/1 0G 0.9627 3.689 0.9906 73 256: 2%|1 | 1/63 [00:04<01:51, 1.79s/it]
1/1 0G 0.9627 3.689 0.9906 73 256: 3%|3 | 2/63 [00:04<02:13, 2.19s/it]
1/1 0G 0.9275 3.788 1.002 58 256: 3%|3 | 2/63 [00:06<02:13, 2.19s/it]
1/1 0G 0.9275 3.788 1.002 58 256: 5%|4 | 3/63 [00:06<02:13, 2.22s/it]
1/1 0G 0.9068 3.739 0.9966 54 256: 5%|4 | 3/63 [00:09<02:13, 2.22s/it]
1/1 0G 0.9068 3.739 0.9966 54 256: 6%|6 | 4/63 [00:09<02:21, 2.39s/it]
1/1 0G 0.9173 3.631 1.002 57 256: 6%|6 | 4/63 [00:12<02:21, 2.39s/it]
1/1 0G 0.9173 3.631 1.002 57 256: 8%|7 | 5/63 [00:12<02:29, 2.57s/it]
1/1 0G 0.9202 3.549 1.009 67 256: 8%|7 | 5/63 [00:14<02:29, 2.57s/it]
1/1 0G 0.9202 3.549 1.009 67 256: 10%|9 | 6/63 [00:14<02:23, 2.51s/it]
1/1 0G 0.9254 3.444 1.02 66 256: 10%|9 | 6/63 [00:16<02:23, 2.51s/it]
1/1 0G 0.9254 3.444 1.02 66 256: 11%|#1 | 7/63 [00:16<02:09, 2.31s/it]
1/1 0G 0.923 3.352 1.02 73 256: 11%|#1 | 7/63 [00:18<02:09, 2.31s/it]
1/1 0G 0.923 3.352 1.02 73 256: 13%|#2 | 8/63 [00:18<01:59, 2.16s/it]
1/1 0G 0.9153 3.242 1.015 65 256: 13%|#2 | 8/63 [00:20<01:59, 2.16s/it]
1/1 0G 0.9153 3.242 1.015 65 256: 14%|#4 | 9/63 [00:20<01:52, 2.08s/it]
1/1 0G 0.9033 3.136 1.01 52 256: 14%|#4 | 9/63 [00:21<01:52, 2.08s/it]
1/1 0G 0.9033 3.136 1.01 52 256: 16%|#5 | 10/63 [00:21<01:47, 2.02s/it]
1/1 0G 0.9005 3.025 1.012 66 256: 16%|#5 | 10/63 [00:23<01:47, 2.02s/it]
1/1 0G 0.9005 3.025 1.012 66 256: 17%|#7 | 11/63 [00:24<01:44, 2.02s/it]
1/1 0G 0.8889 2.926 1.007 63 256: 17%|#7 | 11/63 [00:25<01:44, 2.02s/it]
1/1 0G 0.8889 2.926 1.007 63 256: 19%|#9 | 12/63 [00:25<01:40, 1.97s/it]
1/1 0G 0.8769 2.819 1.004 59 256: 19%|#9 | 12/63 [00:27<01:40, 1.97s/it]
1/1 0G 0.8769 2.819 1.004 59 256: 21%|## | 13/63 [00:27<01:36, 1.93s/it]
1/1 0G 0.8719 2.757 1.003 40 256: 21%|## | 13/63 [00:29<01:36, 1.93s/it]
1/1 0G 0.8719 2.757 1.003 40 256: 22%|##2 | 14/63 [00:29<01:35, 1.96s/it]
1/1 0G 0.8685 2.685 1.003 84 256: 22%|##2 | 14/63 [00:31<01:35, 1.96s/it]
1/1 0G 0.8685 2.685 1.003 84 256: 24%|##3 | 15/63 [00:31<01:34, 1.97s/it]
1/1 0G 0.86 2.605 0.9977 76 256: 24%|##3 | 15/63 [00:33<01:34, 1.97s/it]
1/1 0G 0.86 2.605 0.9977 76 256: 25%|##5 | 16/63 [00:33<01:31, 1.94s/it]
1/1 0G 0.8428 2.519 0.9916 64 256: 25%|##5 | 16/63 [00:35<01:31, 1.94s/it]
1/1 0G 0.8428 2.519 0.9916 64 256: 27%|##6 | 17/63 [00:35<01:27, 1.91s/it]
1/1 0G 0.8388 2.441 0.992 55 256: 27%|##6 | 17/63 [00:37<01:27, 1.91s/it]
1/1 0G 0.8388 2.441 0.992 55 256: 29%|##8 | 18/63 [00:37<01:24, 1.88s/it]
1/1 0G 0.84 2.373 0.9888 79 256: 29%|##8 | 18/63 [00:39<01:24, 1.88s/it]
1/1 0G 0.84 2.373 0.9888 79 256: 30%|### | 19/63 [00:39<01:21, 1.85s/it]
1/1 0G 0.835 2.31 0.9859 53 256: 30%|### | 19/63 [00:40<01:21, 1.85s/it]
1/1 0G 0.835 2.31 0.9859 53 256: 32%|###1 | 20/63 [00:40<01:19, 1.84s/it]
1/1 0G 0.8379 2.257 0.9843 93 256: 32%|###1 | 20/63 [00:42<01:19, 1.84s/it]
1/1 0G 0.8379 2.257 0.9843 93 256: 33%|###3 | 21/63 [00:42<01:17, 1.84s/it]
1/1 0G 0.8338 2.203 0.9858 67 256: 33%|###3 | 21/63 [00:44<01:17, 1.84s/it]
1/1 0G 0.8338 2.203 0.9858 67 256: 35%|###4 | 22/63 [00:44<01:14, 1.83s/it]
1/1 0G 0.8331 2.148 0.9844 68 256: 35%|###4 | 22/63 [00:46<01:14, 1.83s/it]
1/1 0G 0.8331 2.148 0.9844 68 256: 37%|###6 | 23/63 [00:46<01:13, 1.83s/it]
1/1 0G 0.8254 2.099 0.9816 49 256: 37%|###6 | 23/63 [00:48<01:13, 1.83s/it]
1/1 0G 0.8254 2.099 0.9816 49 256: 38%|###8 | 24/63 [00:48<01:10, 1.82s/it]
1/1 0G 0.8228 2.055 0.9807 74 256: 38%|###8 | 24/63 [00:49<01:10, 1.82s/it]
1/1 0G 0.8228 2.055 0.9807 74 256: 40%|###9 | 25/63 [00:49<01:09, 1.82s/it]
1/1 0G 0.8168 2.01 0.977 68 256: 40%|###9 | 25/63 [00:51<01:09, 1.82s/it]
1/1 0G 0.8168 2.01 0.977 68 256: 41%|####1 | 26/63 [00:51<01:05, 1.77s/it]
1/1 0G 0.8111 1.967 0.9749 82 256: 41%|####1 | 26/63 [00:53<01:05, 1.77s/it]
1/1 0G 0.8111 1.967 0.9749 82 256: 43%|####2 | 27/63 [00:53<01:02, 1.74s/it]
1/1 0G 0.8055 1.927 0.9738 76 256: 43%|####2 | 27/63 [00:54<01:02, 1.74s/it]
1/1 0G 0.8055 1.927 0.9738 76 256: 44%|####4 | 28/63 [00:54<01:00, 1.72s/it]
1/1 0G 0.8027 1.896 0.9747 55 256: 44%|####4 | 28/63 [00:56<01:00, 1.72s/it]
1/1 0G 0.8027 1.896 0.9747 55 256: 46%|####6 | 29/63 [00:56<00:58, 1.72s/it]
1/1 0G 0.8 1.864 0.9742 72 256: 46%|####6 | 29/63 [00:58<00:58, 1.72s/it]
1/1 0G 0.8 1.864 0.9742 72 256: 48%|####7 | 30/63 [00:58<00:56, 1.72s/it]
1/1 0G 0.7944 1.829 0.9732 56 256: 48%|####7 | 30/63 [01:00<00:56, 1.72s/it]
1/1 0G 0.7944 1.829 0.9732 56 256: 49%|####9 | 31/63 [01:00<00:55, 1.73s/it]
1/1 0G 0.7917 1.795 0.9737 64 256: 49%|####9 | 31/63 [01:02<00:55, 1.73s/it]
1/1 0G 0.7917 1.795 0.9737 64 256: 51%|##### | 32/63 [01:02<00:58, 1.90s/it]
1/1 0G 0.7873 1.764 0.9697 69 256: 51%|##### | 32/63 [01:04<00:58, 1.90s/it]
1/1 0G 0.7873 1.764 0.9697 69 256: 52%|#####2 | 33/63 [01:04<01:01, 2.04s/it]
1/1 0G 0.787 1.738 0.9682 52 256: 52%|#####2 | 33/63 [01:06<01:01, 2.04s/it]
1/1 0G 0.787 1.738 0.9682 52 256: 54%|#####3 | 34/63 [01:06<00:59, 2.04s/it]
1/1 0G 0.7849 1.713 0.9681 63 256: 54%|#####3 | 34/63 [01:08<00:59, 2.04s/it]
1/1 0G 0.7849 1.713 0.9681 63 256: 56%|#####5 | 35/63 [01:08<00:52, 1.88s/it]
1/1 0G 0.7815 1.692 0.967 71 256: 56%|#####5 | 35/63 [01:10<00:52, 1.88s/it]
1/1 0G 0.7815 1.692 0.967 71 256: 57%|#####7 | 36/63 [01:10<00:50, 1.86s/it]
1/1 0G 0.7792 1.668 0.966 77 256: 57%|#####7 | 36/63 [01:11<00:50, 1.86s/it]
1/1 0G 0.7792 1.668 0.966 77 256: 59%|#####8 | 37/63 [01:11<00:45, 1.74s/it]
1/1 0G 0.7767 1.641 0.9655 55 256: 59%|#####8 | 37/63 [01:13<00:45, 1.74s/it]
1/1 0G 0.7767 1.641 0.9655 55 256: 60%|###### | 38/63 [01:13<00:42, 1.69s/it]
1/1 0G 0.7738 1.619 0.9645 59 256: 60%|###### | 38/63 [01:14<00:42, 1.69s/it]
1/1 0G 0.7738 1.619 0.9645 59 256: 62%|######1 | 39/63 [01:14<00:40, 1.68s/it]
1/1 0G 0.7722 1.597 0.9632 79 256: 62%|######1 | 39/63 [01:16<00:40, 1.68s/it]
1/1 0G 0.7722 1.597 0.9632 79 256: 63%|######3 | 40/63 [01:16<00:41, 1.81s/it]
1/1 0G 0.7683 1.577 0.9616 80 256: 63%|######3 | 40/63 [01:18<00:41, 1.81s/it]
1/1 0G 0.7683 1.577 0.9616 80 256: 65%|######5 | 41/63 [01:18<00:39, 1.78s/it]
1/1 0G 0.7645 1.554 0.9601 59 256: 65%|######5 | 41/63 [01:20<00:39, 1.78s/it]
1/1 0G 0.7645 1.554 0.9601 59 256: 67%|######6 | 42/63 [01:20<00:36, 1.72s/it]
1/1 0G 0.7644 1.541 0.9603 42 256: 67%|######6 | 42/63 [01:21<00:36, 1.72s/it]
1/1 0G 0.7644 1.541 0.9603 42 256: 68%|######8 | 43/63 [01:21<00:34, 1.72s/it]
1/1 0G 0.7588 1.523 0.9583 59 256: 68%|######8 | 43/63 [01:24<00:34, 1.72s/it]
1/1 0G 0.7588 1.523 0.9583 59 256: 70%|######9 | 44/63 [01:24<00:36, 1.93s/it]
1/1 0G 0.7553 1.506 0.956 58 256: 70%|######9 | 44/63 [01:27<00:36, 1.93s/it]
1/1 0G 0.7553 1.506 0.956 58 256: 71%|#######1 | 45/63 [01:27<00:41, 2.31s/it]
1/1 0G 0.7536 1.489 0.955 48 256: 71%|#######1 | 45/63 [01:30<00:41, 2.31s/it]
1/1 0G 0.7536 1.489 0.955 48 256: 73%|#######3 | 46/63 [01:30<00:42, 2.51s/it]
1/1 0G 0.7496 1.472 0.9532 58 256: 73%|#######3 | 46/63 [01:32<00:42, 2.51s/it]
1/1 0G 0.7496 1.472 0.9532 58 256: 75%|#######4 | 47/63 [01:32<00:38, 2.38s/it]
1/1 0G 0.7499 1.458 0.9536 60 256: 75%|#######4 | 47/63 [01:34<00:38, 2.38s/it]
1/1 0G 0.7499 1.458 0.9536 60 256: 76%|#######6 | 48/63 [01:34<00:34, 2.28s/it]
1/1 0G 0.7497 1.442 0.9519 60 256: 76%|#######6 | 48/63 [01:36<00:34, 2.28s/it]
1/1 0G 0.7497 1.442 0.9519 60 256: 78%|#######7 | 49/63 [01:36<00:31, 2.24s/it]
1/1 0G 0.7487 1.431 0.9503 57 256: 78%|#######7 | 49/63 [01:38<00:31, 2.24s/it]
1/1 0G 0.7487 1.431 0.9503 57 256: 79%|#######9 | 50/63 [01:38<00:28, 2.19s/it]
1/1 0G 0.7491 1.417 0.9517 49 256: 79%|#######9 | 50/63 [01:40<00:28, 2.19s/it]
1/1 0G 0.7491 1.417 0.9517 49 256: 81%|######## | 51/63 [01:40<00:25, 2.11s/it]
1/1 0G 0.7476 1.407 0.9512 62 256: 81%|######## | 51/63 [01:42<00:25, 2.11s/it]
1/1 0G 0.7476 1.407 0.9512 62 256: 83%|########2 | 52/63 [01:42<00:23, 2.09s/it]
1/1 0G 0.7443 1.391 0.9499 54 256: 83%|########2 | 52/63 [01:44<00:23, 2.09s/it]
1/1 0G 0.7443 1.391 0.9499 54 256: 84%|########4 | 53/63 [01:44<00:20, 2.04s/it]
1/1 0G 0.7434 1.377 0.9505 65 256: 84%|########4 | 53/63 [01:46<00:20, 2.04s/it]
1/1 0G 0.7434 1.377 0.9505 65 256: 86%|########5 | 54/63 [01:46<00:18, 2.07s/it]
1/1 0G 0.7416 1.365 0.9503 60 256: 86%|########5 | 54/63 [01:49<00:18, 2.07s/it]
1/1 0G 0.7416 1.365 0.9503 60 256: 87%|########7 | 55/63 [01:49<00:16, 2.07s/it]
1/1 0G 0.7406 1.354 0.9508 61 256: 87%|########7 | 55/63 [01:51<00:16, 2.07s/it]
1/1 0G 0.7406 1.354 0.9508 61 256: 89%|########8 | 56/63 [01:51<00:14, 2.11s/it]
1/1 0G 0.7386 1.341 0.9497 66 256: 89%|########8 | 56/63 [01:53<00:14, 2.11s/it]
1/1 0G 0.7386 1.341 0.9497 66 256: 90%|######### | 57/63 [01:53<00:12, 2.07s/it]
1/1 0G 0.737 1.33 0.9496 57 256: 90%|######### | 57/63 [01:55<00:12, 2.07s/it]
1/1 0G 0.737 1.33 0.9496 57 256: 92%|#########2| 58/63 [01:55<00:10, 2.09s/it]
1/1 0G 0.7359 1.32 0.9494 79 256: 92%|#########2| 58/63 [01:57<00:10, 2.09s/it]
1/1 0G 0.7359 1.32 0.9494 79 256: 94%|#########3| 59/63 [01:57<00:08, 2.08s/it]
1/1 0G 0.7359 1.309 0.9487 83 256: 94%|#########3| 59/63 [01:59<00:08, 2.08s/it]
1/1 0G 0.7359 1.309 0.9487 83 256: 95%|#########5| 60/63 [01:59<00:06, 2.19s/it]
1/1 0G 0.7341 1.3 0.9478 76 256: 95%|#########5| 60/63 [02:01<00:06, 2.19s/it]
1/1 0G 0.7341 1.3 0.9478 76 256: 97%|#########6| 61/63 [02:01<00:04, 2.18s/it]
1/1 0G 0.732 1.288 0.9469 64 256: 97%|#########6| 61/63 [02:04<00:04, 2.18s/it]
1/1 0G 0.732 1.288 0.9469 64 256: 98%|#########8| 62/63 [02:04<00:02, 2.20s/it]
1/1 0G 0.7312 1.277 0.946 70 256: 98%|#########8| 62/63 [02:06<00:02, 2.20s/it]
1/1 0G 0.7312 1.277 0.946 70 256: 100%|##########| 63/63 [02:06<00:00, 2.12s/it]
1/1 0G 0.7312 1.277 0.946 70 256: 100%|##########| 63/63 [02:06<00:00, 2.00s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 0%| | 0/5 [00:00<?, ?it/s]
Class Images Instances Box(P R mAP50 mAP50-95): 20%|## | 1/5 [00:03<00:14, 3.68s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 40%|#### | 2/5 [00:06<00:09, 3.17s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 60%|###### | 3/5 [00:09<00:06, 3.04s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 80%|######## | 4/5 [00:12<00:02, 2.98s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 100%|##########| 5/5 [00:13<00:00, 2.40s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 100%|##########| 5/5 [00:13<00:00, 2.73s/it]
all 144 426 0.856 0.824 0.905 0.722
1 epochs completed in 0.041 hours.
Optimizer stripped from C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first\weights\last.pt, 22.5MB
Optimizer stripped from C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first\weights\best.pt, 22.5MB
Validating C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first\weights\best.pt...
Ultralytics YOLOv8.2.66 Python-3.11.5 torch-2.7.0+cpu CPU (11th Gen Intel Core(TM) i5-1135G7 2.40GHz)
YOLOv8s summary (fused): 168 layers, 11,126,745 parameters, 0 gradients, 28.4 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 0%| | 0/5 [00:00<?, ?it/s]
Class Images Instances Box(P R mAP50 mAP50-95): 20%|## | 1/5 [00:02<00:09, 2.27s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 40%|#### | 2/5 [00:04<00:06, 2.22s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 60%|###### | 3/5 [00:06<00:04, 2.27s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 80%|######## | 4/5 [00:08<00:02, 2.20s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 100%|##########| 5/5 [00:10<00:00, 1.82s/it]
Class Images Instances Box(P R mAP50 mAP50-95): 100%|##########| 5/5 [00:10<00:00, 2.01s/it]
all 144 426 0.856 0.823 0.905 0.722
apple 69 153 0.792 0.944 0.933 0.829
orange 51 84 0.947 0.833 0.948 0.777
pear 72 189 0.829 0.692 0.834 0.561
Speed: 0.5ms preprocess, 58.1ms inference, 0.0ms loss, 1.0ms postprocess per image
Results saved to □[1mC:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first□[0m
Ultralytics YOLOv8.2.66 Python-3.11.5 torch-2.7.0+cpu CPU (11th Gen Intel Core(TM) i5-1135G7 2.40GHz)
YOLOv8s summary (fused): 168 layers, 11,126,745 parameters, 0 gradients, 28.4 GFLOPs
□[34m□[1mPyTorch:□[0m starting from 'C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first\weights\best.pt' with input shape (1, 3, 256, 256) BCHW and output shape(s) (1, 7, 1344) (21.4 MB)
□[34m□[1mONNX:□[0m starting export with onnx 1.16.1 opset 14...
□[34m□[1mONNX:□[0m export success ✅ 1.2s, saved as 'C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first\weights\best.onnx' (42.5 MB)
Export complete (3.3s)
Results saved to □[1mC:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first\weights□[0m
Predict: yolo predict task=detect model=C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first\weights\best.onnx imgsz=256
Validate: yolo val task=detect model=C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs\detect\first\weights\best.onnx imgsz=256 data=C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\datasets\fruits_3_4998\data.yaml
Visualize: https://netron.app
Continuar un entrenamiento
Si el proceso de entrenamiento se interrumpe por cualquier motivo, puede reanudarse usando la opción resume. Esta funcionalidad carga los pesos del último modelo guardado y también restaura el estado del optimizador, el planificador de tasa de aprendizaje y el número de época. Esto permite continuar el proceso de entrenamiento sin interrupciones desde el punto donde se dejó.
model_folder = fullfile(pwd, 'runs', 'detect', 'train3', 'weights', 'best.pt');
yolov8Det = trainYOLOv8ObjectDetector( ...
configFile, ...
model_folder, ...
options, ...
'resume', true ...
);
Para más detalles, consulta la sección Resume Training en la documentación oficial.
Reentrenar un modelo
Alternativamente, puedes continuar entrenando un modelo ya entrenado usándolo como punto de partida en lugar de un modelo base como yolov8n.pt o yolov8s.pt. En este caso, simplemente cargas los pesos del modelo previamente entrenado.
Sin embargo, a diferencia de la opción resume, este enfoque no restaura el estado del optimizador, el plan de tasa de aprendizaje ni el número de época. Estos parámetros se reinician, y el entrenamiento empieza desde la época 1 con las opciones de entrenamiento actuales.
Este método es útil cuando quieres ajustar finamente un modelo más adelante o adaptarlo a un nuevo dataset, pero sin continuar exactamente desde donde terminó el entrenamiento anterior.
model_folder = fullfile(pwd, 'runs', 'detect', 'train1', 'weights', 'best.pt');
yolov8Det = trainYOLOv8ObjectDetector( ...
configFile, ...
baseModel, ...
options
optionalArgs{:});
Cargar un modelo
Al entrenar un modelo YOLO, los pesos entrenados normalmente se guardan en el directorio runs/detect/train@/weights, donde @ es un contador incremental (por ejemplo, train1, train2, etc.) para evitar sobrescribir ejecuciones anteriores.
Si esta carpeta no se crea, es probable que la configuración de YOLO no se haya configurado correctamente durante el paso 1. Instalación.md. Para resolverlo, vuelve a ejecutar esa sección y asegúrate de que todo esté correctamente configurado.
Dentro de la carpeta weights, encontrarás varios archivos de modelo, incluidos last.pt, best.pt y best.onnx. La función utils.loadModel siempre carga el modelo best.onnx desde la carpeta seleccionada.
Por lo tanto, en el siguiente código debes cargar el modelo desde la primera ejecución de entrenamiento:
modelPath = fullfile(pwd, 'runs', 'detect', 'first', 'weights');
configFile = fullfile(pwd, 'datasets', 'fruits_3_4998', 'data.yaml');
yolov8Det = utils.loadModel(modelPath, configFile);
Predicción
En esta sección, usamos el modelo que entrenamos anteriormente para detectar frutas en las siguientes imágenes.
utils.detectAndDisplayImage(yolov8Det, 'pear.jpg');
utils.detectAndDisplayImage(yolov8Det, 'apple.jpg');
utils.detectAndDisplayImage(yolov8Det, 'orange.jpg');
Como se observa en los resultados, el modelo produce un número excesivo de detecciones, lo que genera una salida con baja precisión.
Analizaremos este tema en detalle en la siguiente lección.