Add Hindi हिन्दी and Arabic العربية Docs translations (#6428)

Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com>
Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>

docs/es/modes/benchmark.md

@@ -32,7 +32,7 @@ Una vez que su modelo está entrenado y validado, el siguiente paso lógico es e
 - **OpenVINO:** Para la optimización en hardware de Intel
 - **CoreML, TensorFlow SavedModel y Más:** Para necesidades de despliegue diversas.
 
-!!! tip "Consejo"
+!!! Tip "Consejo"
 
     * Exporte a ONNX o OpenVINO para acelerar la velocidad de CPU hasta 3 veces.
     * Exporte a TensorRT para acelerar la velocidad de GPU hasta 5 veces.
@@ -41,7 +41,7 @@ Una vez que su modelo está entrenado y validado, el siguiente paso lógico es e
 
 Ejecute benchmarks de YOLOv8n en todos los formatos de exportación soportados incluyendo ONNX, TensorRT, etc. Vea la sección de Argumentos a continuación para una lista completa de argumentos de exportación.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 

docs/es/modes/export.md

@@ -39,7 +39,7 @@ Aquí tienes algunas de las funcionalidades destacadas:
 - **Inferencia Optimizada:** Los modelos exportados están optimizados para tiempos de inferencia más rápidos.
 - **Vídeos Tutoriales:** Guías y tutoriales en profundidad para una experiencia de exportación fluida.
 
-!!! tip "Consejo"
+!!! Tip "Consejo"
 
     * Exporta a ONNX u OpenVINO para acelerar la CPU hasta 3 veces.
     * Exporta a TensorRT para acelerar la GPU hasta 5 veces.
@@ -48,7 +48,7 @@ Aquí tienes algunas de las funcionalidades destacadas:
 
 Exporta un modelo YOLOv8n a un formato diferente como ONNX o TensorRT. Consulta la sección Argumentos más abajo para una lista completa de argumentos de exportación.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 

docs/es/modes/predict.md

@@ -50,7 +50,7 @@ El modo predictivo de YOLOv8 está diseñado para ser robusto y versátil, y cue
 
 Los modelos YOLO de Ultralytics devuelven ya sea una lista de objetos `Results` de Python, o un generador de objetos `Results` de Python eficiente en memoria cuando se pasa `stream=True` al modelo durante la inferencia:
 
-!!! ejemplo "Predict"
+!!! Example "Predict"
 
     === "Devolver una lista con `stream=False`"
         ```python
@@ -92,7 +92,7 @@ Los modelos YOLO de Ultralytics devuelven ya sea una lista de objetos `Results`
 
 YOLOv8 puede procesar diferentes tipos de fuentes de entrada para la inferencia, como se muestra en la tabla a continuación. Las fuentes incluyen imágenes estáticas, transmisiones de video y varios formatos de datos. La tabla también indica si cada fuente se puede utilizar en modo de transmisión con el argumento `stream=True` ✅. El modo de transmisión es beneficioso para procesar videos o transmisiones en vivo ya que crea un generador de resultados en lugar de cargar todos los fotogramas en la memoria.
 
-!!! consejo "Consejo"
+!!! Tip "Consejo"
 
     Utilice `stream=True` para procesar videos largos o conjuntos de datos grandes para gestionar eficientemente la memoria. Cuando `stream=False`, los resultados de todos los fotogramas o puntos de datos se almacenan en la memoria, lo que puede aumentar rápidamente y causar errores de memoria insuficiente para entradas grandes. En contraste, `stream=True` utiliza un generador, que solo mantiene los resultados del fotograma o punto de datos actual en la memoria, reduciendo significativamente el consumo de memoria y previniendo problemas de falta de memoria.
 
@@ -115,7 +115,7 @@ YOLOv8 puede procesar diferentes tipos de fuentes de entrada para la inferencia,
 
 A continuación se muestran ejemplos de código para usar cada tipo de fuente:
 
-!!! ejemplo "Fuentes de predicción"
+!!! Example "Fuentes de predicción"
 
     === "imagen"
         Ejecute inferencia en un archivo de imagen.

docs/es/modes/track.md

@@ -58,7 +58,7 @@ El rastreador predeterminado es BoT-SORT.
 
 Para ejecutar el rastreador en flujos de video, usa un modelo Detect, Segment o Pose entrenado tales como YOLOv8n, YOLOv8n-seg y YOLOv8n-pose.
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -97,7 +97,7 @@ Como se puede ver en el uso anterior, el seguimiento está disponible para todos
 
 La configuración de seguimiento comparte propiedades con el modo Predict, como `conf`, `iou` y `show`. Para configuraciones adicionales, consulta la página del modelo [Predict](https://docs.ultralytics.com/modes/predict/).
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -120,7 +120,7 @@ La configuración de seguimiento comparte propiedades con el modo Predict, como
 
 Ultralytics también te permite usar un archivo de configuración de rastreador modificado. Para hacerlo, simplemente haz una copia de un archivo de configuración de rastreador (por ejemplo, `custom_tracker.yaml`) de [ultralytics/cfg/trackers](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/trackers) y modifica cualquier configuración (excepto el `tracker_type`) según tus necesidades.
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -147,7 +147,7 @@ Para obtener una lista completa de los argumentos de seguimiento, consulta la p
 
 Aquí hay un script en Python que utiliza OpenCV (`cv2`) y YOLOv8 para ejecutar el seguimiento de objetos en fotogramas de video. Este script aún asume que ya has instalado los paquetes necesarios (`opencv-python` y `ultralytics`). El argumento `persist=True` le indica al rastreador que la imagen o fotograma actual es el siguiente en una secuencia y que espera rastros de la imagen anterior en la imagen actual.
 
-!!! ejemplo "Bucle de transmisión en vivo con seguimiento"
+!!! Example "Bucle de transmisión en vivo con seguimiento"
 
     ```python
     import cv2

docs/es/modes/train.md

@@ -41,7 +41,7 @@ Las siguientes son algunas características notables del modo Entrenamiento de Y
 - **Configuración de Hiperparámetros:** La opción de modificar hiperparámetros a través de archivos de configuración YAML o argumentos CLI.
 - **Visualización y Monitoreo:** Seguimiento en tiempo real de métricas de entrenamiento y visualización del proceso de aprendizaje para una mejor comprensión.
 
-!!! consejo "Consejo"
+!!! Tip "Consejo"
 
     * Los conjuntos de datos de YOLOv8 como COCO, VOC, ImageNet y muchos otros se descargan automáticamente en el primer uso, es decir, `yolo train data=coco.yaml`
 
@@ -49,7 +49,7 @@ Las siguientes son algunas características notables del modo Entrenamiento de Y
 
 Entrena YOLOv8n en el conjunto de datos COCO128 durante 100 épocas con un tamaño de imagen de 640. El dispositivo de entrenamiento se puede especificar usando el argumento `device`. Si no se pasa ningún argumento, se usará la GPU `device=0` si está disponible; de lo contrario, se usará `device=cpu`. Consulta la sección de Argumentos a continuación para una lista completa de argumentos de entrenamiento.
 
-!!! ejemplo "Ejemplo de Entrenamiento con una sola GPU y CPU"
+!!! Example "Ejemplo de Entrenamiento con una sola GPU y CPU"
 
     El dispositivo se determina automáticamente. Si hay una GPU disponible, se usará; de lo contrario, el entrenamiento comenzará en la CPU.
 
@@ -84,7 +84,7 @@ Entrena YOLOv8n en el conjunto de datos COCO128 durante 100 épocas con un tama
 
 El entrenamiento Multi-GPU permite una utilización más eficiente de los recursos de hardware disponibles, distribuyendo la carga de entrenamiento en varias GPUs. Esta característica está disponible tanto a través de la API de Python como de la interfaz de línea de comandos. Para habilitar el entrenamiento Multi-GPU, especifica los IDs de los dispositivos GPU que deseas usar.
 
-!!! ejemplo "Ejemplo de Entrenamiento Multi-GPU"
+!!! Example "Ejemplo de Entrenamiento Multi-GPU"
 
     Para entrenar con 2 GPUs, dispositivos CUDA 0 y 1, usa los siguientes comandos. Amplía a GPUs adicionales según sea necesario.
 
@@ -113,7 +113,7 @@ Con el soporte para los chips Apple M1 y M2 integrados en los modelos Ultralytic
 
 Para habilitar el entrenamiento en chips Apple M1 y M2, debes especificar 'mps' como tu dispositivo al iniciar el proceso de entrenamiento. A continuación se muestra un ejemplo de cómo podrías hacer esto en Python y a través de la línea de comandos:
 
-!!! ejemplo "Ejemplo de Entrenamiento MPS"
+!!! Example "Ejemplo de Entrenamiento MPS"
 
     === "Python"
 
@@ -148,7 +148,7 @@ Para usar un registrador, selecciónalo en el menú desplegable en el fragmento
 
 Para usar Comet:
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "Python"
         ```python
@@ -166,7 +166,7 @@ Recuerda iniciar sesión en tu cuenta de Comet en su sitio web y obtener tu clav
 
 Para usar ClearML:
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "Python"
         ```python
@@ -184,7 +184,7 @@ Después de ejecutar este script, necesitarás iniciar sesión en tu cuenta de C
 
 Para usar TensorBoard en [Google Colab](https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb):
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "CLI"
         ```bash
@@ -194,7 +194,7 @@ Para usar TensorBoard en [Google Colab](https://colab.research.google.com/github
 
 Para usar TensorBoard localmente, ejecuta el siguiente comando y visualiza los resultados en http://localhost:6006/.
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "CLI"
         ```bash

docs/es/modes/val.md

@@ -30,7 +30,7 @@ Estas son las funcionalidades notables ofrecidas por el modo Val de YOLOv8:
 - **CLI y API de Python:** Elija entre la interfaz de línea de comandos o API de Python basada en su preferencia para validación.
 - **Compatibilidad de Datos:** Funciona sin problemas con conjuntos de datos utilizados durante la fase de entrenamiento así como con conjuntos de datos personalizados.
 
-!!! tip "Consejo"
+!!! Tip "Consejo"
 
     * Los modelos YOLOv8 recuerdan automáticamente sus ajustes de entrenamiento, así que puede validar un modelo en el mismo tamaño de imagen y en el conjunto de datos original fácilmente con solo `yolo val model=yolov8n.pt` o `model('yolov8n.pt').val()`
 
@@ -38,7 +38,7 @@ Estas son las funcionalidades notables ofrecidas por el modo Val de YOLOv8:
 
 Valide la precisión del modelo YOLOv8n entrenado en el conjunto de datos COCO128. No es necesario pasar ningún argumento ya que el `modelo` retiene sus `datos` de entrenamiento y argumentos como atributos del modelo. Vea la sección de Argumentos a continuación para una lista completa de argumentos de exportación.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"