Entrenar modelos de Object Detection (YOLO)

La Object Detection Training Window entrena modelos de detección de objetos basados en YOLO usando tu conjunto de datos anotado.

El entrenamiento funciona mejor con una Nvidia GPU compatible y el paquete AI/GPU de AugeLab Studio habilitado.

Si la ventana de entrenamiento está deshabilitada o muestra errores de runtime/dependencias faltantes, abre la Module Downloader Window e instala las herramientas de IA requeridas.

Primeros pasos

1. Inicia AugeLab Studio.

2. Abre AI Tools → Object Detection Training Window

3. Prepárate:

   • una carpeta de dataset y un archivo de nombres de clases preparados con la Annotation Tool de AugeLab Studio

   • o una carpeta de dataset que contenga imágenes y archivos de etiquetas YOLO (.txt) en la misma carpeta

   • un archivo de nombres de clases en formato .names (un nombre de clase por línea)

La ventana de entrenamiento escanea tu dataset y muestra Dataset Analytics (total de imágenes, conteos anotadas/no anotadas y la lista de clases) para ayudarte a detectar errores temprano.

1) Configuración

La ventana de entrenamiento actual usa un panel simple de Configuration en lugar de un flujo solo por menús.

Select Dataset Folder

Elige la carpeta que contiene tus imágenes de entrenamiento.

Notas:

• Solo se usan los archivos dentro de esta carpeta (mantén tus imágenes de entrenamiento en una sola carpeta)

• Las extensiones de imagen soportadas incluyen: .jpg, .jpeg, .png, .bmp, .tiff, .tif

Select Class Names File (.names)

Elige tu archivo de lista de clases.

Si el archivo .names está vacío, la ventana de entrenamiento lo tratará como un error. Asegúrate de que contenga un nombre de clase por línea.

Model Type

Selecciona una variante de modelo desde Model Type.

En general:

• Las variantes marcadas como Robust Ones son más lentas pero pueden alcanzar mayor precisión; YOLOv4-Scaled es una buena opción por defecto.

• Las variantes Fast entrenan más rápido y son menos exigentes en PCs de baja especificación.

• Micro / Nano están diseñadas para modelos muy pequeños o para dispositivos edge.

Optional: Custom Weights

Puedes comenzar desde pesos personalizados/preentrenados (Darknet .weights / backbone .conv.*).

Casos de uso recomendados:

• Continuar una ejecución previa

• Convergencia más rápida en datasets similares

Si cambias Model Type, lo más seguro es limpiar y volver a seleccionar pesos que coincidan con el modelo elegido.

2) Advanced Settings

Advanced Settings te permite ajustar el comportamiento del entrenamiento (uso de memoria, velocidad y precisión).

Los ajustes más importantes:

• Dataset Split Ratio (Train/Val): qué parte de los datos se usa para validación (afecta los reportes de mAP)

• Network Input Size (Width/Height): dimensiones de entrada de la red; aumentar puede ayudar con objetos pequeños, pero usa más VRAM y ralentiza el entrenamiento

• Batch Size / Subdivisions: parámetros principales para errores de memoria GPU

  • Si ves “Out of Memory”, aumenta subdivisions o disminuye batch size

• Recalculate Anchors: puede mejorar resultados en datasets personalizados (recomendado para datasets nuevos)

• Calculate Optimal Network Size: asistente opcional de selección automática

• GPUs to Use: para sistemas con múltiples GPUs (por ejemplo, 0 o 0,1)

• mAP During Training: muestra el progreso de precisión pero puede ralentizar un poco el entrenamiento

• Clear Previous Training: empezar desde cero vs. reanudar

• Live Augmentation Options: aplica variaciones sobre la marcha durante el entrenamiento (no crea archivos adicionales)

3) Iniciar / Detener el entrenamiento

Una vez que Dataset + Classes son válidos, el botón principal se activa.

1. Haz clic en Start Training

2. Supervisa:

   • el área de Log (salida de consola)

   • la ventana Training Chart (loss / mAP)

3. Haz clic en Stop Training para terminar el proceso

Training Logging

Cerrar la ventana de entrenamiento mientras se ejecuta el entrenamiento terminará el proceso.

Después del entrenamiento

Cuando el entrenamiento termine (o lo detengas), revisa el directorio de salida referenciado en los mensajes del log/estado.

Siguientes pasos recomendados:

• Carga tu modelo entrenado en tu flujo de trabajo (inference)

• Valida los resultados con un conjunto de validación o con imágenes de cámara reales