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 visión artificial, tras su presentación en YOLO Vision 2024 (YV24), el evento híbrido anual de Ultralytics. La comunidad de la IA está entusiasmada y se apresura a explorar las capacidades del modelo. Con un procesamiento más rápido, mayor precisión y modelos optimizados tanto para dispositivos periféricos como para la implementación en la nube, YOLO11 redefine lo que es posible en las aplicaciones de visión artificial en tiempo real.

En una entrevista, el fundador y CEO de Ultralytics, Glenn Jocher, declaró: «El mundo avanza hacia la energía limpia, pero no lo bastante rápido. Queremos que nuestros modelos se puedan entrenar en menos épocas, con menos aumentos y menos datos, así que estamos trabajando mucho en ello. El modelo más pequeño de detección de objetos, YOLO11n, solo tiene 2,6 millones de parámetros, aproximadamente el tamaño de un JPEG, lo cual es realmente increíble. El modelo más grande de detección de objetos, YOLO11x, tiene alrededor de 56 millones de parámetros, y aun así es increíblemente pequeño en comparación con otros modelos. Puedes entrenarlos en una GPU económica, como una GPU Nvidia de hace cinco años, con un poco de entusiasmo y algo de café».

En este artículo, analizaremos más de cerca Ultralytics YOLO11 y exploraremos sus características, mejoras, pruebas de rendimiento y aplicaciones reales para ayudarte a entender qué puede hacer este modelo. ¡Empecemos!

Comprender Ultralytics YOLO11: mejoras respecto a versiones anteriores#

YOLO11 es el avance más reciente de la serie YOLO (Solo miras una vez) de modelos de visión artificial y ofrece mejoras significativas respecto a versiones anteriores como YOLOv5 y YOLOv8. El equipo de Ultralytics ha incorporado los comentarios de la comunidad y las investigaciones más avanzadas para hacer que YOLO11 sea más rápido, preciso y eficiente. YOLO11 también admite las mismas tareas de visión artificial que YOLOv8, incluida la detección de objetos, la segmentación de instancias y la clasificación de imágenes. De hecho, puedes cambiar fácilmente a YOLO11 sin tener que modificar los flujos de trabajo existentes.

Una de las principales ventajas de YOLO11 es su rendimiento superior tanto en precisión como en velocidad en comparación con sus predecesores. Con un 22 % menos de parámetros que YOLOv8m, YOLO11m alcanza una precisión media (mAP) superior en el conjunto de datos COCO, lo que significa que puede detectar objetos con mayor precisión y eficiencia. En cuanto a la velocidad de procesamiento, YOLO11 supera a los modelos anteriores, por lo que es ideal para aplicaciones en tiempo real, donde la detección y la respuesta rápidas son fundamentales y cada milisegundo cuenta.

El gráfico de evaluación comparativa siguiente muestra cómo YOLO11 destaca frente a los modelos anteriores. En el eje horizontal se muestra la precisión media de cajas de COCO (AP), que mide la precisión de la detección de objetos. El eje vertical muestra la latencia mediante TensorRT10 FP16 en una GPU NVIDIA T4, lo que indica la velocidad a la que el modelo procesa los datos.

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

Lanzamiento del modelo Ultralytics YOLO11: opciones de código abierto y para empresas#

Con el lanzamiento de Ultralytics YOLO11, Ultralytics amplía la serie YOLO ofreciendo modelos tanto de código abierto como para empresas para satisfacer la creciente demanda de distintos sectores.

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

YOLO11 cuenta con cinco tamaños de modelo distintos: Nano, Small, Medium, Large y X. Puedes elegir el mejor modelo en función de las necesidades específicas de tu aplicación de visión artificial. Los cinco tamaños ofrecen flexibilidad para tareas como la clasificación de imágenes, la detección de objetos, la segmentación de instancias, el seguimiento, la estimación de poses y la detección de objetos mediante cajas delimitadoras orientadas (OBB). Para cada tamaño hay un modelo disponible para cada tarea, lo que da lugar a un total de 25 modelos de código abierto que constituyen el núcleo de la oferta de Ultralytics. Estos modelos son ideales para una amplia variedad de aplicaciones, desde tareas ligeras en dispositivos periféricos, donde el modelo YOLO11n ofrece una eficiencia impresionante, hasta aplicaciones a gran escala que requieren los modelos YOLO11l y YOLO11x.

Por primera vez, Ultralytics presenta modelos para empresas, lo que supone un hito importante en nuestra oferta de productos, y nos entusiasma compartir estas nuevas innovaciones con nuestros usuarios. YOLO11 presenta cinco modelos propietarios diseñados específicamente para casos de uso comerciales. Estos modelos para empresas, que estarán disponibles el próximo mes, se han entrenado con el nuevo conjunto de datos propietario de Ultralytics, compuesto por más de 1 millón de imágenes, y ofrecen modelos preentrenados más robustos. Están diseñados para aplicaciones exigentes del mundo real, como el análisis de imágenes médicas y el procesamiento de imágenes por satélite, donde la detección precisa de objetos es fundamental.

Explora las características de nueva generación de Ultralytics YOLO11#

Ahora que hemos analizado qué ofrece Ultralytics YOLO11, veamos qué hace que YOLO11 sea tan especial.

Uno de los principales retos al desarrollar YOLO11 fue encontrar el equilibrio adecuado entre prioridades contrapuestas: hacer que los modelos fueran más pequeños, rápidos y precisos. Como explicó Glenn Jocher, fundador y CEO de Ultralytics: «Trabajar en la investigación y el desarrollo de YOLO es realmente complicado porque quieres avanzar en tres direcciones diferentes: quieres hacer que los modelos sean más pequeños, quieres que sean más precisos, pero también quieres que sean más rápidos en distintas plataformas, como CPU y GPU. Todos estos objetivos compiten entre sí, así que tienes que hacer concesiones y elegir dónde introducir cambios». A pesar de estas dificultades, YOLO11 consigue un equilibrio impresionante y ofrece mejoras tanto de velocidad como de precisión respecto a versiones anteriores como YOLOv8.

Fig. 3. Ejemplo del uso de Ultralytics YOLO11 para la detección de objetos.

Ultralytics YOLO11 incorpora mejoras sustanciales, como una extracción de características mejorada gracias al rediseño de la arquitectura del backbone y el neck, lo que permite detectar objetos con mayor precisión. El modelo también está optimizado para ofrecer velocidad y eficiencia, con tiempos de procesamiento más rápidos y un alto nivel de precisión. Además, YOLO11 se adapta perfectamente a distintos entornos y funciona sin problemas en dispositivos periféricos, plataformas en la nube y sistemas que utilizan GPU NVIDIA. Esta adaptabilidad lo convierte en una opción ideal para quienes necesitan opciones de implementación flexibles en distintas configuraciones de hardware, desde dispositivos móviles hasta servidores a gran escala.

Aplicaciones de Ultralytics YOLO11 en tiempo real#

La versatilidad de Ultralytics YOLO11 lo convierte en una herramienta fiable para muchos sectores, especialmente al abordar casos de uso complejos. Por ejemplo, funciona sin problemas en dispositivos periféricos y puede utilizarse para aplicaciones que requieren análisis en tiempo real en entornos con una potencia de cálculo limitada. Un ejemplo excelente es la conducción autónoma, donde los vehículos deben tomar decisiones en fracciones de segundo para mantener a salvo a todo el mundo. YOLO11 ayuda a detectar y analizar objetos en la carretera, como peatones u otros vehículos, incluso en condiciones difíciles, como con poca luz o cuando los objetos están parcialmente ocultos. Una detección rápida y precisa ayuda a prevenir accidentes y garantiza que los vehículos autónomos puedan circular de forma segura.

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

Otro ejemplo interesante del alcance de Ultralytics YOLO11 es su capacidad para trabajar con cajas delimitadoras orientadas (OBB). Esto es esencial para detectar objetos que no están perfectamente alineados. La detección de objetos mediante OBB resulta especialmente útil en sectores como la agricultura, la cartografía y la vigilancia, donde las imágenes suelen contener objetos girados, como cultivos o edificios en imágenes aéreas o por satélite. A diferencia de los modelos tradicionales, YOLO11 puede identificar objetos desde cualquier ángulo y ofrecer resultados mucho más precisos en tareas que requieren exactitud.

Ultralytics YOLO11 para desarrolladores de IA: pruébalo tú mismo#

Empezar a utilizar YOLO11 es sencillo y accesible, tanto si prefieres programar como si optas por una solución sin código. Para trabajar con YOLO11 mediante código, puedes usar el paquete de Python de Ultralytics para entrenar e implementar modelos fácilmente. Si prefieres un enfoque sin código, Ultralytics Platform te permite probar YOLO11 con solo unos clics.

Guía del código de Ultralytics YOLO11#

Para usar YOLO11 con Python, primero tendrás que instalar el paquete de Ultralytics. Según tus preferencias, puedes hacerlo con pip, conda o Docker. Para consultar instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, echa un vistazo a nuestra Guía de instalación de Ultralytics. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO11, consulta nuestra Guía de problemas comunes para encontrar soluciones y consejos.

Una vez instalado el paquete de Ultralytics, usar YOLO11 es muy sencillo. El siguiente fragmento de código te guía por el proceso de cargar un modelo, entrenarlo, probar su rendimiento y exportarlo al formato ONNX. Para consultar ejemplos más detallados y un uso avanzado, no dejes de consultar la documentación oficial de Ultralytics, donde encontrarás guías detalladas y buenas prácticas para sacar el máximo partido a YOLO11.

Fig. 5. Uso de YOLO11 mediante el paquete de Ultralytics.

Para quienes prefieran un enfoque sin código, Ultralytics Platform ofrece una forma sencilla de entrenar e implementar modelos YOLO11 con solo unos clics. Para empezar a utilizar Ultralytics Platform, solo tienes que crear una cuenta en Ultralytics Platform y podrás empezar a entrenar y gestionar tus modelos mediante una interfaz intuitiva.

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

La comunidad de la IA impulsa constantemente el campo de la visión artificial al esforzarse por desarrollar modelos más rápidos y precisos para aplicaciones del mundo real. Ultralytics YOLO11 es un hito importante en este esfuerzo, ya que aporta mejoras en velocidad, precisión y flexibilidad. Está diseñado para aplicaciones en tiempo real y en dispositivos periféricos, por lo que es ideal para sectores como la sanidad y la conducción autónoma. Tanto si utilizas el paquete de Python de Ultralytics como Ultralytics Platform sin código, YOLO11 simplifica las tareas complejas de IA de visión. Ofrece potentes capacidades de visión artificial, por lo que es una excelente opción para desarrolladores y empresas.

Consulta nuestro repositorio de GitHub y únete a nuestra comunidad activa para obtener más información sobre la IA. Descubre cómo la IA de visión impulsa la innovación en sectores como la sanidad y la agricultura.