Entrenar e implementar el modelo de detección de objetos YOLO26
Este wiki presenta un flujo de trabajo recomendado para implementar un modelo personalizado de detección de objetos YOLO26 en Grove Vision AI V2.
Para mantener la salida estable y reproducible, recomendamos preparar el paquete de datos con antelación, ejecutar el cuaderno de Google Colab proporcionado y luego implementar el modelo generado best_full_integer_quant_vela.tflite en Grove Vision AI V2.
Preparación del conjunto de datos
Antes de ejecutar el cuaderno, prepara un paquete de conjunto de datos llamado custom_data.zip.
Si eres nuevo en la preparación de conjuntos de datos para detección de objetos, puedes consultar el tutorial de YouTube de Edje Electronics: How to Train YOLO Object Detection Models in Google Colab (YOLO26, YOLO11, YOLOv8).
Descarga el archivo de pesos preentrenados YOLO26 nano y colócalo en la raíz de custom_data/:
Empaqueta tus archivos con la siguiente estructura:
custom_data/
|-- data/
| |-- train/
| | |-- images/
| | `-- labels/
| `-- validation/
| |-- images/
| `-- labels/
|-- data.yaml
`-- yolo26n.pt
Después de empaquetar, sube custom_data.zip a tu Google Drive.
Ejecutar el cuaderno de Colab
Descarga yolo26_GV2.ipynb y ábrelo en Google Colab.
En Colab, ejecuta todas las celdas en orden. El cuaderno usará el paquete custom_data.zip de tu Google Drive, entrenará el modelo YOLO26, exportará el modelo TFLite y aplicará la optimización Vela para Grove Vision AI V2.
Cuando el cuaderno termine, descarga el archivo de modelo generado:
best_full_integer_quant_vela.tflite
El modelo generado se puede encontrar en el explorador de archivos de Colab en runs/detect/train/weights/.
Implementar en Grove Vision AI V2
Antes de implementar el modelo en Grove Vision AI V2, sube tu modelo personalizado a SenseCraft AI. Ve a Models, abre My Models, haz clic en Add Model, luego completa la información del modelo, añade las clases de detección y sube best_full_integer_quant_vela.tflite como archivo de modelo.
Después de subir el modelo personalizado, implementa best_full_integer_quant_vela.tflite en Grove Vision AI V2 siguiendo el tutorial de implementación de Model Assistant:
Después de la implementación, puedes usar la ventana de vista previa en Model Assistant para comprobar el resultado de la detección.
Este flujo de trabajo recomendado es el camino más estable para generar un modelo YOLO26 implementable para Grove Vision AI V2. Los usuarios avanzados pueden adaptar el proceso a otros entornos de entrenamiento, pero los resultados de la implementación pueden variar según el entorno, las versiones de los paquetes, la configuración de exportación y el comportamiento de cuantización.
Tip: Si el modelo invoke fails, comprueba si la conexión entre Grove Vision AI V2 y el módulo de cámara es segura.
Soporte técnico y debate sobre el producto
Gracias por elegir nuestros productos. Estamos aquí para ofrecerte diferentes tipos de soporte y garantizar que tu experiencia con nuestros productos sea lo más fluida posible. Ofrecemos varios canales de comunicación para adaptarnos a diferentes preferencias y necesidades.