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/tasks/classify.md

@@ -12,7 +12,7 @@ La clasificación de imágenes es la tarea más sencilla de las tres y consiste
 
 La salida de un clasificador de imágenes es una única etiqueta de clase y una puntuación de confianza. La clasificación de imágenes es útil cuando solo necesita saber a qué clase pertenece una imagen y no necesita conocer dónde están ubicados los objetos de esa clase o cuál es su forma exacta.
 
-!!! tip "Consejo"
+!!! Tip "Consejo"
 
     Los modelos YOLOv8 Classify utilizan el sufijo `-cls`, por ejemplo, `yolov8n-cls.pt` y están preentrenados en [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml).
 
@@ -39,7 +39,7 @@ Los [modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/c
 
 Entrena el modelo YOLOv8n-cls en el conjunto de datos MNIST160 durante 100 épocas con un tamaño de imagen de 64. Para obtener una lista completa de argumentos disponibles, consulte la página de [Configuración](/../usage/cfg.md).
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -76,7 +76,7 @@ El formato del conjunto de datos de clasificación YOLO puede encontrarse en det
 
 Validar la exactitud del modelo YOLOv8n-cls entrenado en el conjunto de datos MNIST160. No es necesario pasar ningún argumento ya que el `modelo` retiene su `data` y argumentos como atributos del modelo.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -103,7 +103,7 @@ Validar la exactitud del modelo YOLOv8n-cls entrenado en el conjunto de datos MN
 
 Usar un modelo YOLOv8n-cls entrenado para realizar predicciones en imágenes.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -130,7 +130,7 @@ Ver detalles completos del modo `predict` en la página de [Predicción](https:/
 
 Exportar un modelo YOLOv8n-cls a un formato diferente como ONNX, CoreML, etc.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 

docs/es/tasks/detect.md

@@ -23,7 +23,7 @@ La salida de un detector de objetos es un conjunto de cajas delimitadoras que en
   <strong>Ver:</strong> Detección de Objetos con Modelo Preentrenado YOLOv8 de Ultralytics.
 </p>
 
-!!! tip "Consejo"
+!!! Tip "Consejo"
 
     Los modelos YOLOv8 Detect son los modelos predeterminados de YOLOv8, es decir, `yolov8n.pt` y están preentrenados en [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).
 
@@ -50,7 +50,7 @@ Los [modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/c
 
 Entrena a YOLOv8n en el conjunto de datos COCO128 durante 100 épocas a tamaño de imagen 640. Para una lista completa de argumentos disponibles, consulta la página [Configuración](/../usage/cfg.md).
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -86,7 +86,7 @@ El formato del conjunto de datos de detección de YOLO se puede encontrar en det
 
 Valida 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.
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -115,7 +115,7 @@ Valida la precisión del modelo YOLOv8n entrenado en el conjunto de datos COCO12
 
 Utiliza un modelo YOLOv8n entrenado para realizar predicciones en imágenes.
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -142,7 +142,7 @@ Consulta los detalles completos del modo `predict` en la página [Predicción](h
 
 Exporta un modelo YOLOv8n a un formato diferente como ONNX, CoreML, etc.
 
-!!! ejemplo ""
+!!! Example "Ejemplo"
 
     === "Python"
 

docs/es/tasks/index.md

@@ -11,7 +11,7 @@ keywords: Ultralytics, YOLOv8, Detección, Segmentación, Clasificación, Estima
 
 YOLOv8 es un marco de trabajo de IA que soporta múltiples **tareas** de visión por computadora. El marco puede usarse para realizar [detección](detect.md), [segmentación](segment.md), [clasificación](classify.md) y estimación de [pose](pose.md). Cada una de estas tareas tiene un objetivo y caso de uso diferente.
 
-!!! note
+!!! Note
 
     🚧 Nuestra documentación multilenguaje está actualmente en construcción y estamos trabajando arduamente para mejorarla. ¡Gracias por su paciencia! 🙏
 

docs/es/tasks/pose.md

@@ -23,7 +23,7 @@ La salida de un modelo de estimación de pose es un conjunto de puntos que repre
   <strong>Ver:</strong> Estimación de Pose con Ultralytics YOLOv8.
 </p>
 
-!!! tip "Consejo"
+!!! Tip "Consejo"
 
     Los modelos _pose_ YOLOv8 utilizan el sufijo `-pose`, por ejemplo, `yolov8n-pose.pt`. Estos modelos están entrenados en el conjunto de datos [COCO keypoints](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml) y son adecuados para una variedad de tareas de estimación de pose.
 
@@ -51,7 +51,7 @@ Los [modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/c
 
 Entrena un modelo YOLOv8-pose en el conjunto de datos COCO128-pose.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -87,7 +87,7 @@ El formato del conjunto de datos de pose de YOLO se puede encontrar en detalle e
 
 Valida la precisión del modelo YOLOv8n-pose entrenado en el conjunto de datos COCO128-pose. No es necesario pasar ningún argumento ya que el `modelo` mantiene sus `datos` de entrenamiento y argumentos como atributos del modelo.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -116,7 +116,7 @@ Valida la precisión del modelo YOLOv8n-pose entrenado en el conjunto de datos C
 
 Usa un modelo YOLOv8n-pose entrenado para realizar predicciones en imágenes.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -143,7 +143,7 @@ Consulta los detalles completos del modo `predict` en la página de [Predicción
 
 Exporta un modelo YOLOv8n Pose a un formato diferente como ONNX, CoreML, etc.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 

docs/es/tasks/segment.md

@@ -23,7 +23,7 @@ La salida de un modelo de segmentación de instancias es un conjunto de máscara
   <strong>Mira:</strong> Ejecuta la Segmentación con el Modelo Ultralytics YOLOv8 Preentrenado en Python.
 </p>
 
-!!! tip "Consejo"
+!!! Tip "Consejo"
 
     Los modelos YOLOv8 Segment utilizan el sufijo `-seg`, es decir, `yolov8n-seg.pt` y están preentrenados en el [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).
 
@@ -50,7 +50,7 @@ Los [Modelos](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/c
 
 Entrena el modelo YOLOv8n-seg en el conjunto de datos COCO128-seg durante 100 épocas con tamaño de imagen de 640. Para una lista completa de argumentos disponibles, consulta la página de [Configuración](/../usage/cfg.md).
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -86,7 +86,7 @@ El formato del conjunto de datos de segmentación YOLO puede encontrarse detalla
 
 Valida la precisión del modelo YOLOv8n-seg entrenado en el conjunto de datos COCO128-seg. No es necesario pasar ningún argumento ya que el `modelo` retiene sus `datos` de entrenamiento y argumentos como atributos del modelo.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -119,7 +119,7 @@ Valida la precisión del modelo YOLOv8n-seg entrenado en el conjunto de datos CO
 
 Usa un modelo YOLOv8n-seg entrenado para realizar predicciones en imágenes.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"
 
@@ -146,7 +146,7 @@ Consulta todos los detalles del modo `predict` en la página de [Predicción](ht
 
 Exporta un modelo YOLOv8n-seg a un formato diferente como ONNX, CoreML, etc.
 
-!!! example ""
+!!! Example "Ejemplo"
 
     === "Python"