{"id":73,"date":"2026-05-18T12:37:31","date_gmt":"2026-05-18T12:37:31","guid":{"rendered":"https:\/\/convly.ai\/yolo-v9-object-detection\/"},"modified":"2026-06-10T05:06:00","modified_gmt":"2026-06-10T05:06:00","slug":"yolo-v9-object-detection","status":"publish","type":"post","link":"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/","title":{"rendered":"Detecci\u00f3n de objetos en tiempo real con YOLO: una gu\u00eda pr\u00e1ctica (2026)"},"content":{"rendered":"<p>Si has visto una demostraci\u00f3n de inteligencia artificial que dibuja recuadros alrededor de personas, coches y otros objetos en un v\u00eddeo en directo \u2014de forma instant\u00e1nea, mientras se reproduce el v\u00eddeo\u2014, muy probablemente hayas visto <strong>YOLO<\/strong>. Es el sistema m\u00e1s popular de detecci\u00f3n de objetos en tiempo real dentro del campo de la visi\u00f3n por computadora, y lo utilizan desde c\u00e1maras de seguridad hasta sistemas rob\u00f3ticos. Esta gu\u00eda explica qu\u00e9 es YOLO, c\u00f3mo funciona y c\u00f3mo empezar a usarlo.<\/p>\n<div class=\"convly-tldr\">\n<h3>Conclusiones clave<\/h3>\n<ul>\n<li><strong>YOLO<\/strong> (\u00abYou Only Look Once\u00bb, o \u00abSolo miras una vez\u00bb) detecta y localiza m\u00faltiples objetos en una imagen en una sola pasada.<\/li>\n<li><strong>Esa \u00fanica pasada<\/strong> es la raz\u00f3n por la que es lo suficientemente r\u00e1pido para v\u00eddeos en tiempo real.<\/li>\n<li><strong>Ha evolucionado a trav\u00e9s de numerosas versiones<\/strong> \u2014cada una m\u00e1s r\u00e1pida y precisa que la anterior.<\/li>\n<li><strong>Es accesible para principiantes<\/strong> \u2014las herramientas modernas de YOLO permiten ejecutar la detecci\u00f3n con apenas unas pocas l\u00edneas de c\u00f3digo.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a52c657a78f4\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a52c657a78f4\"  aria-label=\"Alternar\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#What_is_object_detection\" >\u00bfQu\u00e9 es la detecci\u00f3n de objetos?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#What_is_YOLO\" >\u00bfQu\u00e9 es YOLO?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#How_YOLO_works\" >C\u00f3mo funciona YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#The_evolution_of_YOLO\" >La evoluci\u00f3n de YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#What_YOLO_is_used_for\" >\u00bfPara qu\u00e9 se utiliza YOLO?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#YOLOs_strengths_and_limits\" >Fortalezas y limitaciones de YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#How_to_get_started_with_YOLO\" >C\u00f3mo comenzar con YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#What_hardware_do_you_need_to_run_YOLO_in_real_time\" >\u00bfQu\u00e9 hardware necesita para ejecutar YOLO en tiempo real?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#FAQ\" >Preguntas frecuentes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#Bottom_line\" >Conclusi\u00f3n<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/convly.ai\/es\/yolo-v9-object-detection\/#Related_articles\" >Art\u00edculos relacionados<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_is_object_detection\"><\/span>\u00bfQu\u00e9 es la detecci\u00f3n de objetos?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Primero, la tarea que resuelve YOLO. <strong>Detecci\u00f3n de objetos<\/strong> responde dos preguntas sobre una imagen simult\u00e1neamente:<\/p>\n<ul>\n<li><strong>\u00bfQu\u00e9 objetos est\u00e1n presentes?<\/strong> (clasificaci\u00f3n)<\/li>\n<li><strong>\u00bfD\u00f3nde est\u00e1 cada uno?<\/strong> (localizaci\u00f3n \u2014un recuadro delimitador alrededor de cada objeto)<\/li>\n<\/ul>\n<p>Esta tarea es m\u00e1s compleja que la mera clasificaci\u00f3n de im\u00e1genes, que solo indica \u00abesta imagen contiene un perro\u00bb. La detecci\u00f3n de objetos afirma \u00abaqu\u00ed hay un perro <em>aqu\u00ed<\/em>, una persona <em>all\u00ed<\/em>y dos coches <em>m\u00e1s all\u00e1<\/em>\u00bb: identifica y localiza cada objeto, a menudo varios a la vez.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_is_YOLO\"><\/span>\u00bfQu\u00e9 es YOLO?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>YOLO significa <strong>\u00abYou Only Look Once\u00bb (\u00abSolo miras una vez\u00bb).<\/strong> El nombre refleja su innovaci\u00f3n principal. Los sistemas anteriores de detecci\u00f3n eran lentos porque funcionaban en etapas: primero propon\u00edan muchas regiones que podr\u00edan contener un objeto y luego examinaban cada regi\u00f3n por separado. Analizar miles de regiones una por una lleva mucho tiempo \u2014demasiado para v\u00eddeos en directo.<\/p>\n<p>YOLO lo hace de forma distinta: observa la <strong>imagen completa \u00fanicamente una vez<\/strong> y predice todos los objetos y sus respectivos recuadros en una sola pasada a trav\u00e9s de una \u00fanica <a href=\"\/es\/neural-networks-explained\/\">red neuronal<\/a>. Una mirada, todas las respuestas.<\/p>\n<p>Este dise\u00f1o es la raz\u00f3n por la que YOLO es tan r\u00e1pido. La detecci\u00f3n en tiempo real implica procesar muchos fotogramas por segundo, y el enfoque de una sola pasada de YOLO hace esto posible incluso en hardware modesto \u2014raz\u00f3n por la cual se ha convertido en la opci\u00f3n predeterminada para aplicaciones en tiempo real.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_YOLO_works\"><\/span>C\u00f3mo funciona YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La versi\u00f3n simplificada de lo que ocurre internamente:<\/p>\n<ol>\n<li><strong>Dividir la imagen en una cuadr\u00edcula.<\/strong> YOLO conceptualmente divide la imagen en una cuadr\u00edcula de celdas.<\/li>\n<li><strong>Cada celda realiza predicciones.<\/strong> Cada celda predice recuadros delimitadores para los objetos centrados en ella, una puntuaci\u00f3n de confianza para cada recuadro y la clase a la que pertenece el objeto.<\/li>\n<li><strong>Combinar todos los resultados.<\/strong> Todas las predicciones de toda la cuadr\u00edcula se re\u00fanen.<\/li>\n<li><strong>Eliminar solapamientos.<\/strong> El mismo objeto suele ser predicho por varias celdas cercanas. Un paso denominado <em>supresi\u00f3n no m\u00e1xima<\/em> elimina las predicciones duplicadas, conservando \u00fanicamente el mejor recuadro para cada objeto.<\/li>\n<\/ol>\n<p>El resultado: una \u00fanica red neuronal, una sola pasada y un conjunto completo de recuadros etiquetados \u2014r\u00e1pido.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_evolution_of_YOLO\"><\/span>La evoluci\u00f3n de YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>YOLO no es un \u00fanico modelo fijo, sino una familia que ha mejorado de forma constante desde su primera versi\u00f3n. Cada nueva versi\u00f3n (la serie ya supera con creces la decena, incluidas las versiones v9 y posteriores) ha perseguido los mismos dos objetivos: <strong>mayor precisi\u00f3n<\/strong> y <strong>mayor velocidad<\/strong>, manteni\u00e9ndose lo suficientemente eficiente para su uso en tiempo real.<\/p>\n<p>Para fines pr\u00e1cticos, la lecci\u00f3n es sencilla: utilice una versi\u00f3n reciente y bien soportada. Las versiones m\u00e1s nuevas son m\u00e1s r\u00e1pidas <em>y<\/em> y m\u00e1s precisas que las anteriores, y vienen con herramientas maduras y f\u00e1ciles de usar. No se obsesione con el n\u00famero exacto de versi\u00f3n: elija una actual que cuente con buena documentaci\u00f3n.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_YOLO_is_used_for\"><\/span>\u00bfPara qu\u00e9 se utiliza YOLO?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La detecci\u00f3n en tiempo real resulta \u00fatil pr\u00e1cticamente en cualquier lugar:<\/p>\n<ul>\n<li><strong>Seguridad y vigilancia<\/strong> \u2014 detectar personas, veh\u00edculos u objetos abandonados en flujos de c\u00e1maras.<\/li>\n<li><strong>Veh\u00edculos aut\u00f3nomos<\/strong> \u2014 identificar autom\u00f3viles, peatones y obst\u00e1culos, como parte del sistema m\u00e1s amplio de <a href=\"\/es\/computer-vision-self-driving-cars\/\">percepci\u00f3n para conducci\u00f3n aut\u00f3noma<\/a>.<\/li>\n<li><strong>Venta minorista<\/strong> \u2014 conteo de clientes, an\u00e1lisis del tr\u00e1fico peatonal y supervisi\u00f3n de estantes.<\/li>\n<li><strong>Fabricaci\u00f3n<\/strong> \u2014 detecci\u00f3n de defectos y piezas faltantes en l\u00edneas de producci\u00f3n.<\/li>\n<li><strong>Agricultura<\/strong> \u2014 conteo de cultivos o ganado, y detecci\u00f3n de plagas a partir de im\u00e1genes tomadas por drones.<\/li>\n<li><strong>An\u00e1lisis deportivo<\/strong> \u2014 seguimiento en tiempo real de jugadores y bal\u00f3n.<\/li>\n<li><strong>Rob\u00f3tica<\/strong> \u2014 permitir que los robots perciban y respondan a los objetos que los rodean.<\/li>\n<\/ul>\n<p>En cualquier escenario donde una m\u00e1quina deba comprender qu\u00e9 hay en un v\u00eddeo <em>en el momento mismo en que ocurre<\/em>, YOLO es una opci\u00f3n muy adecuada.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"YOLOs_strengths_and_limits\"><\/span>Fortalezas y limitaciones de YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Fortalezas<\/th>\n<th>Limitaciones<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Muy r\u00e1pido \u2014 funciona en tiempo real<\/td>\n<td>Puede tener dificultades con objetos muy peque\u00f1os<\/td>\n<\/tr>\n<tr>\n<td>Buena precisi\u00f3n para su velocidad<\/td>\n<td>Puede pasar por alto objetos agrupados densamente<\/td>\n<\/tr>\n<tr>\n<td>Analiza toda la imagen \u2014 menos falsos positivos en fondos<\/td>\n<td>Ligeramente menos preciso que los detectores m\u00e1s lentos y pesados<\/td>\n<\/tr>\n<tr>\n<td>Herramientas maduras y accesibles para principiantes<\/td>\n<td>Los mejores resultados siguen requiriendo datos de entrenamiento espec\u00edficos para cada tarea<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>El compromiso general: YOLO est\u00e1 optimizado para el <strong>equilibrio entre velocidad y precisi\u00f3n<\/strong>. Algunos modelos de investigaci\u00f3n obtienen puntuaciones marginalmente superiores en precisi\u00f3n, pero son demasiado lentos para su uso en tiempo real. Para la inmensa mayor\u00eda de aplicaciones pr\u00e1cticas, el equilibrio ofrecido por YOLO es exactamente el adecuado.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_get_started_with_YOLO\"><\/span>C\u00f3mo comenzar con YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La barrera de entrada es baja en 2026:<\/p>\n<ol>\n<li><strong>Utilice una biblioteca YOLO moderna.<\/strong> Las herramientas actuales de YOLO est\u00e1n bien empaquetadas: puede instalarlas y ejecutar la detecci\u00f3n con un modelo <strong>preentrenado<\/strong> reciente en tan solo unas pocas l\u00edneas de Python.<\/li>\n<li><strong>Comience con un modelo preentrenado.<\/strong> Estos ya reconocen decenas de tipos de objetos comunes de forma nativa. Ejec\u00fatelos sobre sus propias im\u00e1genes o mediante una c\u00e1mara web para ver c\u00f3mo funciona la detecci\u00f3n de inmediato.<\/li>\n<li><strong>Entrene con sus propios datos cuando sea necesario.<\/strong> Para detectar algo espec\u00edfico \u2014por ejemplo, un producto determinado o una categor\u00eda personalizada\u2014, recolecte y etiquete im\u00e1genes de ejemplo y ajuste finamente YOLO sobre ellas. Herramientas maduras simplifican este proceso.<\/li>\n<li><strong>Tenga en cuenta su hardware.<\/strong> YOLO se ejecuta en un ordenador convencional, pero una GPU acelera considerablemente tanto el entrenamiento como la detecci\u00f3n a alta tasa de fotogramas.<\/li>\n<\/ol>\n<p><!--ai-enriched--><\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_hardware_do_you_need_to_run_YOLO_in_real_time\"><\/span>\u00bfQu\u00e9 hardware necesita para ejecutar YOLO en tiempo real?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>\u00abEn tiempo real\u00bb tiene un significado concreto: el modelo debe procesar cada fotograma de video en menos de aproximadamente <strong>33 milisegundos<\/strong>, que es el margen disponible a 30 fotogramas por segundo. Alcanzar ese umbral permite que las detecciones se mantengan sincronizadas con una c\u00e1mara en vivo; si no se alcanza, la transmisi\u00f3n se entrecorta o pierde fotogramas. Superar dicho umbral depende casi exclusivamente del hardware subyacente, y aqu\u00ed es donde suelen fallar la mayor\u00eda de los proyectos inici\u00e1ticos.<\/p>\n<p>El factor m\u00e1s determinante es la GPU. En una CPU, incluso un modelo YOLO peque\u00f1o suele ejecutarse muy por debajo de los 30 FPS en video, lo cual es aceptable para procesar una carpeta de im\u00e1genes, pero no para una transmisi\u00f3n en vivo. Al trasladar ese mismo modelo a una GPU NVIDIA, la inferencia t\u00edpicamente se acelera <strong>de 10 a 50 veces<\/strong>, superando c\u00f3modamente el umbral de tiempo real. Para entrenamiento o para ejecutar la cadena de herramientas Ultralytics, se requiere una tarjeta NVIDIA compatible con CUDA (capacidad de c\u00f3mputo 6.0 o superior) con al menos <strong>8 GB de VRAM<\/strong>; 12\u201316 GB ofrecen margen suficiente para modelos m\u00e1s grandes y lotes de entrenamiento m\u00e1s grandes.<\/p>\n<p>Tres niveles pr\u00e1cticos cubren casi todos los proyectos:<\/p>\n<table class=\"convly-vs\">\n<tr>\n<td><strong>Configuraci\u00f3n<\/strong><\/td>\n<td><strong>Ideal para<\/strong><\/td>\n<td><strong>\u00bfVideo en tiempo real?<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Solo CPU (port\u00e1til)<\/td>\n<td>Aprendizaje, procesamiento por lotes de im\u00e1genes, prototipado<\/td>\n<td>Rara vez \u2014 \u00fanicamente modelos peque\u00f1os y baja resoluci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>GPU NVIDIA de escritorio (clase RTX, 8 GB o m\u00e1s)<\/td>\n<td>Entrenamiento de modelos personalizados, transmisiones de alta tasa de fotogramas<\/td>\n<td>S\u00ed \u2014 los modelos peque\u00f1os suelen superar los 60 FPS<\/td>\n<\/tr>\n<tr>\n<td>Placa perif\u00e9rica (por ejemplo, Jetson Orin Nano)<\/td>\n<td>C\u00e1maras desplegadas, rob\u00f3tica, inferencia local<\/td>\n<td>S\u00ed \u2014 aproximadamente 30\u201360 FPS con optimizaci\u00f3n TensorRT<\/td>\n<\/tr>\n<\/table>\n<p>Algunos factores influyen m\u00e1s que adquirir una tarjeta m\u00e1s potente. <strong>El tama\u00f1o del modelo es lo m\u00e1s importante<\/strong>: las variantes nano y peque\u00f1a est\u00e1n dise\u00f1adas para alcanzar el tiempo real en hardware modesto, mientras que las variantes m\u00e1s grandes sacrifican velocidad por precisi\u00f3n y exigen una GPU m\u00e1s potente. <strong>La optimizaci\u00f3n no es opcional en dispositivos perif\u00e9ricos<\/strong>: exportar a TensorRT con precisi\u00f3n FP16 puede duplicar aproximadamente el rendimiento en dispositivos Jetson frente a ejecutar PyTorch sin modificaciones, lo cual suele marcar la diferencia entre 20 y 40 FPS. Adem\u00e1s, <strong>la resoluci\u00f3n de entrada<\/strong> es un control directo: reducirla a la mitad disminuye aproximadamente en la misma proporci\u00f3n la carga computacional.<\/p>\n<p>La conclusi\u00f3n honesta: no necesita una GPU de centro de datos para usar YOLO en tiempo real. Una GPU de gama media para juegos permite tanto el entrenamiento como la inferencia a alta tasa de fotogramas, y una placa perif\u00e9rica por menos de 300 USD permite su despliegue. Ajuste la variante del modelo a su hardware antes de comenzar, no despu\u00e9s.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>\u00bfQu\u00e9 es YOLO en la detecci\u00f3n de objetos?<\/h3>\n<p>YOLO (\u00abYou Only Look Once\u00bb, \u00abSolo miras una vez\u00bb) es un sistema de detecci\u00f3n de objetos en tiempo real. Identifica m\u00faltiples objetos en una imagen y dibuja un rect\u00e1ngulo delimitador alrededor de cada uno, indicando as\u00ed tanto qu\u00e9 objetos est\u00e1n presentes como d\u00f3nde se encuentran, mediante un \u00fanico paso a trav\u00e9s de una red neuronal.<\/p>\n<h3>\u00bfPor qu\u00e9 es tan r\u00e1pido YOLO?<\/h3>\n<p>YOLO analiza toda la imagen en un solo paso a trav\u00e9s de una red neuronal, prediciendo simult\u00e1neamente todos los objetos y sus rect\u00e1ngulos delimitadores. Los sistemas de detecci\u00f3n anteriores examinaban miles de regiones de imagen por separado, lo cual era lento. El dise\u00f1o de \u00abuna sola mirada\u00bb de YOLO es lo que hace posible la detecci\u00f3n en tiempo real.<\/p>\n<h3>\u00bfEs YOLO adecuado para principiantes?<\/h3>\n<p>S\u00ed. Las bibliotecas modernas de YOLO est\u00e1n bien documentadas y son f\u00e1ciles de usar: puede ejecutar la detecci\u00f3n con un modelo preentrenado en tan solo unas pocas l\u00edneas de Python. Es una de las formas m\u00e1s accesibles de iniciarse en la visi\u00f3n por computadora pr\u00e1ctica.<\/p>\n<h3>\u00bfQu\u00e9 puede detectar YOLO?<\/h3>\n<p>Un modelo YOLO puede detectar todo aquello sobre lo que haya sido entrenado. Los modelos preentrenados reconocen decenas de tipos de objetos comunes \u2014personas, veh\u00edculos, animales, objetos cotidianos\u2014 de forma nativa. Para detectar objetos espec\u00edficos o personalizados, debe ajustar finamente YOLO sobre sus propias im\u00e1genes etiquetadas.<\/p>\n<h3>\u00bfQu\u00e9 versi\u00f3n de YOLO deber\u00eda usar?<\/h3>\n<p>Utilice una versi\u00f3n reciente y bien soportada. YOLO ha evolucionado a trav\u00e9s de m\u00faltiples lanzamientos, cada uno m\u00e1s r\u00e1pido y preciso que el anterior, y las versiones m\u00e1s recientes incluyen herramientas maduras. En lugar de centrarse en el n\u00famero exacto de la versi\u00f3n, elija una versi\u00f3n actual con una buena documentaci\u00f3n.<\/p>\n<h3>\u00bfPuedo usar YOLO en un producto comercial de forma gratuita?<\/h3>\n<p>No autom\u00e1ticamente: la licencia es la trampa m\u00e1s frecuentemente pasada por alto. El repositorio original de YOLOv9 se publica bajo la licencia GPL-3.0, y las implementaciones populares de Ultralytics (utilizadas para ejecutar muchas versiones de YOLO) est\u00e1n bajo la licencia AGPL-3.0. Ambas son licencias copyleft: si distribuye un producto basado en ese c\u00f3digo o esos pesos, debe liberar su aplicaci\u00f3n completa bajo la misma licencia. Para mantener su c\u00f3digo cerrado y propietario, necesita una licencia empresarial de Ultralytics de pago. Tanto la investigaci\u00f3n y desarrollo internos como las herramientas destinadas a clientes est\u00e1n incluidos, as\u00ed que revise los t\u00e9rminos de licencia antes de desarrollar, no despu\u00e9s.<\/p>\n<h3>\u00bfCu\u00e1ntas im\u00e1genes etiquetadas necesito para entrenar YOLO con mis propios objetos?<\/h3>\n<p>Muchas menos que al entrenar desde cero, gracias al aprendizaje por transferencia. Al partir de los pesos preentrenados en COCO, a menudo es posible obtener un prototipo funcional con apenas unas pocas centenas de im\u00e1genes bien etiquetadas por clase. Para un modelo robusto listo para producci\u00f3n, Ultralytics recomienda apuntar a unos 1.500 ejemplos por clase y aproximadamente 10.000 instancias etiquetadas por clase. La calidad y diversidad de las etiquetas \u2014iluminaci\u00f3n variada, \u00e1ngulos diversos, fondos distintos y oclusiones\u2014 importan m\u00e1s que la cantidad bruta, y la ampliaci\u00f3n integrada (augmentation) aprovecha a\u00fan m\u00e1s eficientemente un conjunto de datos modesto.<\/p>\n<h3>\u00bfNecesito conocer el aprendizaje profundo para ajustar finamente YOLO?<\/h3>\n<p>No. El ajuste fino sobre un conjunto de datos personalizado consiste principalmente en la preparaci\u00f3n de los datos y la ejecuci\u00f3n de algunos comandos, no en teor\u00eda de redes neuronales. El trabajo m\u00e1s arduo radica en recolectar e identificar con precisi\u00f3n las im\u00e1genes; el paso de entrenamiento en s\u00ed est\u00e1 mayormente automatizado. Un conocimiento b\u00e1sico de Python y de la l\u00ednea de comandos es suficiente para poner en marcha un detector personalizado.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Bottom_line\"><\/span>Conclusi\u00f3n<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>YOLO hizo pr\u00e1ctica la detecci\u00f3n de objetos en tiempo real al reemplazar lentas tuber\u00edas de m\u00faltiples etapas por una \u00fanica y r\u00e1pida inspecci\u00f3n de toda la imagen. Esa idea fundamental \u2014 \u00absolo miras una vez\u00bb \u2014 es la raz\u00f3n por la que impulsa sistemas de seguridad, veh\u00edculos aut\u00f3nomos, an\u00e1lisis minoristas, rob\u00f3tica y numerosas aplicaciones m\u00e1s.<\/p>\n<p>No es el detector m\u00e1s preciso existente, pero ofrece el mejor <em>equilibrio<\/em> entre velocidad y precisi\u00f3n, y ese equilibrio es lo que necesitan las aplicaciones reales. Lo mejor de todo es que es verdaderamente accesible: elija una versi\u00f3n reciente, comience con un modelo preentrenado y podr\u00e1 tener la detecci\u00f3n de objetos funcionando ya hoy mismo. Para comprender el contexto m\u00e1s amplio, vea c\u00f3mo la detecci\u00f3n se integra en la <a href=\"\/es\/computer-vision-self-driving-cars\/\">visi\u00f3n por computadora para veh\u00edculos aut\u00f3nomos<\/a>.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Art\u00edculos relacionados<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/es\/computer-vision-self-driving-cars\/\">C\u00f3mo la visi\u00f3n por computadora impulsa los autom\u00f3viles aut\u00f3nomos (gu\u00eda 2026)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/es\/claude-5-new-ai-models-june-2026\/\">\u00bfExiste un Claude 5? Claude Fable 5 y todos los principales modelos de IA de junio de 2026<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/es\/veo-3-vs-kling-3-for-ai-video-2026\/\">Veo 3.1 frente a Kling 3.0 para video con IA en 2026: \u00bfcu\u00e1l gana en realismo?<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>YOLO is the most popular real-time object detection system in computer vision. This guide explains how it works, why it&#8217;s so fast, and how to start using it.<\/p>","protected":false},"author":0,"featured_media":74,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[4],"tags":[488,498,499,497,500],"class_list":["post-73","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-computer-vision","tag-computer-vision","tag-object-detection","tag-real-time-detection","tag-yolo","tag-yolo-guide"],"_links":{"self":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/73","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/comments?post=73"}],"version-history":[{"count":3,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/73\/revisions"}],"predecessor-version":[{"id":1035,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/73\/revisions\/1035"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media\/74"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media?parent=73"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/categories?post=73"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/tags?post=73"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}