Todo lo que necesitas saber sobre Ultralytics YOLO11 y sus aplicaciones

El lunes 30 de septiembre, Ultralytics lanzó oficialmente Ultralytics YOLO11, el avance más reciente en computer vision, tras su debut en YOLO Vision 2024 (YV24), el evento híbrido anual de Ultralytics. La comunidad de IA ha estado llena de entusiasmo mientras se apresura a explorar las capacidades del modelo. Con un procesamiento más rápido, mayor precisión y modelos optimizados tanto para dispositivos perimetrales como para el despliegue en la nube, YOLO11 redefines what’s possible en aplicaciones de computer vision en tiempo real.

En una interview, el fundador y director ejecutivo de Ultralytics, Glenn Jocher, compartió: “El mundo avanza hacia la clean energy, pero no lo suficientemente rápido. Queremos que nuestros modelos se puedan entrenar en menos épocas, con menos aumentos y menos datos, por lo que estamos trabajando duro en eso. El modelo de detección de objetos más pequeño, YOLO11n, tiene solo 2,6 millones de parámetros, aproximadamente el tamaño de un archivo JPEG, lo cual es una auténtica locura. El modelo de object detection más grande, YOLO11x, tiene alrededor de 56 millones de parámetros, e incluso ese es increíblemente pequeño en comparación con otros modelos. Puedes entrenarlos en una GPU barata, como una GPU Nvidia de hace cinco años, con solo un poco de entusiasmo y un poco de café”.

En este artículo analizaremos en detalle Ultralytics YOLO11, explorando sus características, mejoras, pruebas de rendimiento y aplicaciones en el mundo real para ayudarte a comprender lo que este modelo puede hacer. ¡Empecemos!

Comprender Ultralytics YOLO11: Mejoras respecto a versiones anteriores#

YOLO11 es el avance más reciente en la serie YOLO (You Only Look Once) de computer vision models, y ofrece mejoras significativas en comparación con versiones anteriores como YOLOv5 y YOLOv8. El equipo de Ultralytics ha incorporado los comentarios de la comunidad y la investigación de vanguardia para hacer que YOLO11 sea más rápido, más preciso y más eficiente. YOLO11 también es compatible con las mismas computer vision tasks que YOLOv8, incluidas object detection, instance segmentation e image classification. De hecho, puedes cambiar fácilmente a YOLO11 sin necesidad de modificar los flujos de trabajo existentes.

Uno de los aspectos más destacados de YOLO11 es su rendimiento superior en precisión y velocidad en comparación con sus predecesores. Con un 22 % menos de parámetros que YOLOv8m, YOLO11m logra una mayor mean average precision (mAP) en el COCO dataset, lo que significa que puede detectar objetos con mayor precisión y eficiencia. En términos de velocidad de procesamiento, YOLO11 supera a los modelos anteriores, lo que lo hace ideal para aplicaciones en tiempo real, donde la detección y la respuesta rápidas son fundamentales y cada milisegundo cuenta.

El gráfico de evaluación comparativa a continuación ilustra cómo YOLO11 se destaca de los modelos anteriores. En el eje horizontal, muestra el COCO Box Average Precision (AP), que mide la precisión de la detección de objetos. El eje vertical muestra la latencia utilizando TensorRT10 FP16 en una NVIDIA T4 GPU, lo que indica la velocidad con la que el modelo procesa los datos.

Fig 1. Ultralytics YOLO11 ofrece capacidades de detección de objetos en tiempo real de vanguardia.

Lanzamiento del modelo Ultralytics YOLO11: Opciones de código abierto y empresariales#

Con the launch of Ultralytics YOLO11, Ultralytics está ampliando la serie YOLO al ofrecer modelos tanto open-source como enterprise para satisfacer la creciente demanda en todas las industrias.

Fig 2. Con este lanzamiento, Ultralytics ofrece 30 nuevos modelos.

YOLO11 presenta cinco tamaños de modelo distintos: Nano, Small, Medium, Large y X. Puedes elegir el mejor modelo según las necesidades específicas de tu computer vision application’s. Los cinco tamaños ofrecen flexibilidad en tareas como image classification, object detection, instance segmentation, tracking, pose estimation y oriented bounding boxes (OBB) object detection. Para cada tamaño, hay un modelo disponible para cada tarea, lo que da como un total de 25 modelos open-source que forman el núcleo de la oferta de Ultralytics. Estos modelos son ideales para una amplia gama de applications, desde tareas ligeras en dispositivos perimetrales, donde el modelo YOLO11n ofrece una eficiencia impresionante, hasta larger-scale applications que requieren los modelos YOLO11l y YOLO11x.

Por primera vez, Ultralytics presenta modelos enterprise, lo que marca un hito importante en nuestra oferta de productos, y nos emociona compartir estas nuevas innovaciones con nuestros usuarios. YOLO11 introduce cinco modelos propietarios diseñados específicamente para casos de uso comercial. Estos modelos empresariales, que estarán disponibles el próximo mes, están entrenados con el nuevo dataset propietario de Ultralytics, que consta de más de 1 millón de imágenes, ofreciendo modelos preentrenados más robustos. Están diseñados para demanding, real-world applications, como el medical imagery analysis y el satellite image processing, donde la detección precisa de objetos es crucial.

Explorando las características de última generación de Ultralytics YOLO11#

Ahora que ya hemos comentado lo que ofrece Ultralytics YOLO11, vamos a echar un vistazo a lo que hace que YOLO11 sea tan especial.

Uno de los principales desafíos en el desarrollo de YOLO11 fue encontrar el equilibrio adecuado entre prioridades contrapuestas: hacer que los modelos sean más pequeños, más rápidos y más precisos. Como explicó Glenn Jocher, fundador y director ejecutivo de Ultralytics, “Working on YOLO research and development es realmente desafiante porque quieres ir en tres direcciones diferentes: quieres hacer los modelos más pequeños, quieres que sean más precisos, pero también quieres que sean más rápidos en diferentes plataformas como CPU y GPU. Todos estos son intereses contrapuestos, por lo que debes hacer concesiones y elegir dónde hacer cambios”. A pesar de estos desafíos, YOLO11 logra un equilibrio impresionante, ofreciendo mejoras tanto en velocidad como en precisión en comparación con versiones anteriores como YOLOv8.

Fig 3. Un ejemplo de uso de Ultralytics YOLO11 para la detección de objetos.

Ultralytics YOLO11 aporta mejoras sustanciales como una extracción de características mejorada con una arquitectura de backbone y neck rediseñada, lo que permite una detección de objetos más precisa. El modelo también está optimizado para ofrecer velocidad y eficiencia, proporcionando tiempos de procesamiento más rápidos sin perder alta precisión. Además de estas ventajas, YOLO11 es muy adaptable a diferentes entornos, funcionando a la perfección en dispositivos edge, plataformas en la nube y sistemas que utilizan GPU de NVIDIA. Esta versatilidad lo convierte en la opción ideal para los usuarios que necesitan opciones de despliegue flexibles en diversas configuraciones de hardware, desde dispositivos móviles hasta servidores a gran escala.

Aplicaciones en tiempo real de Ultralytics YOLO11#

La versatilidad de Ultralytics YOLO11 lo convierte en una herramienta fiable en muchos sectores, especialmente al lidiar con casos de uso complejos. Por ejemplo, funciona sin problemas en dispositivos edge y puede emplearse para aplicaciones que exigen análisis en tiempo real en entornos con capacidad de cómputo limitada. Un claro ejemplo de esto es la conducción autónoma, donde los vehículos deben tomar decisiones en fracciones de segundo para garantizar la seguridad de todos. YOLO11 ayuda al detectar y analizar objetos en la carretera, como peatones u otros coches, incluso en condiciones difíciles como baja iluminación o cuando los elementos están parcialmente ocultos. Una detección rápida y precisa ayuda a prevenir accidentes y garantiza que los vehículos puedan circular de forma segura.

Fig 4. Glenn Jocher en el escenario en YV24, hablando sobre las aplicaciones de Ultralytics YOLO11.

Otro ejemplo interesante del alcance de Ultralytics YOLO11 es su capacidad para gestionar cuadros delimitadores orientados (OBB). Esto resulta fundamental para detectar objetos que no están perfectamente alineados. La detección de objetos OBB es una característica especialmente útil en sectores como la agricultura, la cartografía y la vigilancia, donde las imágenes suelen contener objetos rotados como cultivos o edificios en imágenes aéreas o de satélite. A diferencia de los modelos tradicionales, YOLO11 puede identificar objetos en cualquier ángulo y ofrecer resultados mucho más precisos en tareas que exigen exactitud.

Ultralytics YOLO11 para desarrolladores de IA: Pruébalo tú mismo#

Empezar a utilizar YOLO11 es sencillo y accesible, ya prefieras programar o una opción sin código. Para trabajar con YOLO11 mediante código, puedes usar el Ultralytics Python package para entrenar y desplegar modelos fácilmente. Si prefieres un enfoque sin código, Ultralytics Platform te permite probar YOLO11 con solo unos pocos clics.

Tutorial de código de Ultralytics YOLO11#

Para usar YOLO11 con Python, primero tendrás que instalar el paquete de Ultralytics. Según tus preferencias, puedes hacerlo usando pip, conda o Docker. Para obtener instrucciones detalladas y mejores prácticas relacionadas con el proceso de instalación, asegúrate de consultar nuestra Ultralytics Installation Guide. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO11, consulta nuestra Common Issues Guide para ver soluciones y consejos.

Una vez que tengas instalado el paquete de Ultralytics, using YOLO11 is straightforward. El siguiente fragmento de código te guía por el proceso de loading a model, training it, testing its performance y exporting al ONNX format. Para ver ejemplos más detallados y un uso avanzado, asegúrate de consultar la official Ultralytics documentation, donde encontrarás guides detalladas y buenas prácticas para getting the most out of YOLO11.

Fig 5. Uso de YOLO11 a través del paquete Ultralytics.

Para los usuarios que prefieren un enfoque sin código, Ultralytics Platform ofrece una forma sencilla de entrenar y desplegar modelos de YOLO11 con solo unos pocos clics. Para get started with Ultralytics Platform, simplemente crea una cuenta en la plataforma de Ultralytics y podrás empezar a entrenar y gestionar tus modelos a través de una interfaz intuitiva.

Ultralytics YOLO11: Dando forma al futuro de la IA de visión#

La comunidad de IA avanza constantemente en el campo de la computer vision esforzándose por desarrollar modelos más rápidos y precisos para aplicaciones del mundo real. Ultralytics YOLO11 es un hito importante en este esfuerzo, aportando mayor velocidad, precisión y flexibilidad. Está diseñado para aplicaciones en tiempo real y edge, lo que lo hace ideal para industrias como la atención sanitaria y la conducción autónoma. Tanto si utilizas el paquete Python de Ultralytics como la plataforma sin código Ultralytics Platform, YOLO11 simplifica las tareas complejas de visión por IA. Ofrece potentes capacidades de computer vision, lo que lo convierte en una excelente opción para desarrolladores y empresas.

Echa un vistazo a nuestro repositorio de GitHub y únete a nuestra comunidad activa para saber más sobre la IA. Explora cómo la IA visual está impulsando la innovación en sectores como la sanidad y la agricultura.