# 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.
{% hint style="info" %}
El entrenamiento funciona mejor con una [Nvidia GPU](/spanish/introduccion/system-requirements.md) y con [CUDA / cuDNN](/spanish/primeros-pasos/installation-and-licensing.md) correctamente instalados.
Si la ventana de entrenamiento está deshabilitada o muestra errores por falta de runtime/dependencias, abre la [Module Downloader Window](/spanish/interfaz-de-augelab-studio/external-features/module-downloader.md) e instala las herramientas de IA requeridas.
{% endhint %}
## Primeros pasos
1. Inicia AugeLab Studio.
2. Abre `AI Tools` → [**Object Detection Training Window**](/spanish/caracteristicas-clave/train-custom-ai-models-with-training-window.md)
3. Prepara:
* una **carpeta de dataset** y un **archivo de nombres de clases** preparados con la `Annotation Tool` de AugeLab Studio: (../../key-features/annotate-data-for-object-detection/annotation-window-how-to.md)
* 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)
{% hint style="info" %}
La ventana de entrenamiento escanea tu dataset y muestra las **Dataset Analytics** (total de imágenes, contajes anotadas/no anotadas y la lista de clases) para ayudarte a detectar errores temprano.
{% endhint %}
## 1) Configuración
La ventana de entrenamiento actual usa un panel sencillo de **Configuration** en lugar de un flujo de trabajo solo por menús.
### Select Dataset Folder
Elige la carpeta que contiene tus imágenes de entrenamiento.
Notas:
* Solo se usan los archivos en 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.
{% hint style="warning" %}
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.
{% endhint %}
### Model Type
Elige una variante de modelo desde **Model Type**.
En general:
* Las variantes **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 más adecuadas para PCs con especificaciones bajas.
* **Micro / Nano** están diseñadas para modelos muy pequeños o dispositivos edge.
### Optional: Custom Weights
Puedes iniciar desde pesos personalizados/preentrenados (Darknet `.weights` / backbone `.conv.*`).
Casos de uso recomendables:
* Continuar una ejecución anterior
* Convergencia más rápida en datasets similares
{% hint style="warning" %}
Si cambias el **Model Type**, lo más seguro es limpiar y volver a seleccionar pesos que coincidan con el modelo elegido.
{% endhint %}
## 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)**: cuánto dato se usa para validación (afecta el reporte de mAP)
* **Network Input Size (Width/Height)**: tamaños mayores pueden ayudar con objetos pequeños, pero consumen más VRAM y ralentizan el entrenamiento
* **Batch Size / Subdivisions**: los principales controles 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**: ayuda opcional para autoselección
* **GPUs to Use**: para sistemas multi-GPU (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 on-the-fly durante el entrenamiento (no crea archivos adicionales)
## 3) Iniciar / Detener Entrenamiento
Una vez que Dataset + Classes sean válidos, el botón principal se activa.
1. Haz clic en **Start Training**
2. Monitorea:
* 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
{% hint style="warning" %}
Cerrar la ventana de entrenamiento mientras está en ejecución terminará el proceso de entrenamiento.
{% endhint %}
## Después del Entrenamiento
Cuando el entrenamiento termina (o lo detienes), revisa el directorio de salida que se indica en los mensajes del log/estado.
Siguientes pasos recomendados:
* Carga tu modelo entrenado en tu workflow (inferencia)
* Valida los resultados con un conjunto de holdout o con video de cámara real
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://docs.augelab.com/spanish/caracteristicas-clave/train-custom-ai-models-with-training-window.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.