Todo lo que necesitas saber sobre Ultralytics YOLO11 y sus aplicaciones

El lunes 30 de septiembre, Ultralytics presentó oficialmente Ultralytics YOLO11, por entonces el último avance en visión artificial, tras su presentación en YOLO Vision 2024 (YV24), el evento híbrido anual de Ultralytics. La comunidad de IA no ha tardado en explorar las capacidades del modelo. Gracias a un procesamiento más rápido, una mayor precisión y modelos optimizados tanto para dispositivos periféricos como para su implementación en la nube, YOLO11 redefine lo que es posible en las aplicaciones de visión artificial en tiempo real.

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

En este artículo, analizaremos más detenidamente Ultralytics YOLO11, sus características, mejoras, resultados de rendimiento y aplicaciones en el mundo real para ayudarte a entender lo que puede hacer este modelo.

Ultralytics YOLO11: mejoras con respecto a las versiones anteriores#

En el momento de su lanzamiento, YOLO11 era el último avance de la serie YOLO (Solo miras una vez) de modelos de visión artificial (desde entonces, Ultralytics YOLO26 ha sucedido a YOLO11). Ofrece mejoras importantes respecto a versiones anteriores como YOLOv5 y YOLOv8. El equipo de Ultralytics ha incorporado los comentarios de la comunidad y las investigaciones más recientes para que YOLO11 sea más rápido, preciso y eficiente. YOLO11 también admite las mismas tareas de visión artificial que YOLOv8, como la detección de objetos, la segmentación de instancias y la clasificación de imágenes. De hecho, los usuarios pueden pasarse fácilmente a YOLO11 sin tener que cambiar sus flujos de trabajo actuales.

Una de las principales ventajas de YOLO11 es su rendimiento superior, tanto en precisión como en velocidad, respecto a sus predecesores. Con un 22 % menos de parámetros que YOLOv8m, YOLO11m obtiene una precisión media promedio (mAP) superior en el conjunto de datos COCO, lo que significa que puede detectar objetos con más 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 rapidez de detección y respuesta es fundamental y cada milisegundo cuenta.

El gráfico comparativo siguiente muestra cómo destaca YOLO11 frente a los modelos anteriores. El eje horizontal muestra la precisión media promedio de cajas de COCO (AP), que mide la precisión de la detección de objetos. El eje vertical muestra la latencia con TensorRT 10 FP16 en una GPU NVIDIA T4, que indica la rapidez con 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 con modelos de código abierto y empresariales 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: Nano, Small, Medium, Large y X. Los usuarios pueden elegir el modelo más adecuado según las necesidades específicas de su aplicación de visión artificial. Los cinco tamaños ofrecen flexibilidad para tareas como la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de la pose, la detección de objetos con recuadros delimitadores orientados (OBB) y el seguimiento. Hay un modelo de cada tamaño para cada tarea, lo que da un total de 25 modelos de código abierto que constituyen el núcleo de la oferta de Ultralytics. Estos modelos son ideales para una amplia gama de aplicaciones, desde tareas ligeras en dispositivos perimetrales, donde YOLO11n ofrece una eficiencia impresionante, hasta aplicaciones a gran escala que requieren los modelos YOLO11l y YOLO11x.

Por primera vez, Ultralytics presenta modelos empresariales, un hito importante en nuestra oferta de productos, y nos hace mucha ilusión compartir estas nuevas innovaciones con nuestros usuarios. YOLO11 incorpora cinco modelos propietarios diseñados específicamente para aplicaciones comerciales. Estos modelos empresariales, disponibles el mes que viene, se entrenan con el nuevo conjunto de datos propietario de Ultralytics, que contiene más de un millón de imágenes y ofrece 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 crucial.

Descubre las funciones de nueva generación de Ultralytics YOLO11#

Ahora que hemos visto qué ofrece Ultralytics YOLO11, echemos un vistazo a lo que hace que YOLO11 sea tan especial.

Uno de los principales retos al desarrollar YOLO11 fue encontrar el equilibrio adecuado entre prioridades contrapuestas: hacer los modelos más pequeños, rápidos y precisos. Como explicó Glenn Jocher, fundador y director ejecutivo de Ultralytics: «Trabajar en la investigación y el desarrollo de YOLO es muy complicado porque quieres avanzar en tres direcciones distintas: quieres que los modelos sean más pequeños, más precisos y también más rápidos en distintas plataformas, como CPU y GPU. Todos estos objetivos entran en conflicto, así que tienes que hacer concesiones y decidir dónde introducir cambios». A pesar de estos retos, YOLO11 logra un equilibrio impresionante y mejora tanto la velocidad como la precisión respecto a versiones anteriores como YOLOv8.

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

Ultralytics YOLO11 ofrece mejoras sustanciales, como una extracción de características optimizada mediante un rediseño de la arquitectura del backbone y del neck, que permite detectar objetos con mayor precisión. El modelo también está optimizado para ofrecer velocidad y eficiencia, con tiempos de procesamiento más rápidos sin renunciar a la precisión. Además de estas ventajas, YOLO11 se adapta muy bien a distintos entornos y funciona en dispositivos perimetrales, plataformas en la nube y sistemas con GPU NVIDIA. Esta adaptabilidad lo convierte en una opción ideal para los usuarios que necesitan flexibilidad de despliegue en diversas 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, sobre todo al abordar casos de uso complejos. Por ejemplo, funciona eficientemente en dispositivos perimetrales y se puede utilizar para aplicaciones que requieren análisis en tiempo real en entornos con capacidad de cálculo limitada. Un gran ejemplo es la conducción autónoma, donde los vehículos deben tomar decisiones en una fracción de segundo para mantener a todos a salvo. YOLO11 ayuda a detectar y analizar objetos en la carretera, como peatones u otros coches, incluso en condiciones difíciles, como con poca luz o cuando hay objetos parcialmente ocultos. Una detección rápida y precisa ayuda a evitar 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 de la versatilidad de Ultralytics YOLO11 es su capacidad para manejar recuadros delimitadores orientados (OBB). Esta función es esencial para detectar objetos que no están perfectamente alineados. La detección de objetos 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 las tareas que requieren exactitud.

Ultralytics YOLO11 para desarrolladores de IA: pruébalo tú mismo#

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

Guía paso a paso del código de Ultralytics YOLO11#

Para utilizar YOLO11 con Python, primero tendrás que instalar el paquete Ultralytics. Según tus preferencias, puedes hacerlo con pip, conda o Docker. Para consultar instrucciones detalladas y buenas prácticas de instalación, no te pierdas nuestra guía de instalación de Ultralytics. Si tienes dificultades al instalar los paquetes necesarios para YOLO11, consulta nuestra guía de problemas habituales, donde encontrarás soluciones y consejos.

Una vez instalado el paquete de Ultralytics, utilizar 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 usos avanzados, revisa la documentación oficial de Ultralytics, donde encontrarás guías completas y buenas prácticas para sacar el máximo partido a YOLO11.

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

Para quienes prefieren trabajar sin código, Ultralytics Platform ofrece una forma sencilla de entrenar y desplegar 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 desde una interfaz intuitiva.

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

La comunidad de IA impulsa constantemente el campo de la visión artificial y se esfuerza por desarrollar modelos más rápidos y precisos para aplicaciones reales. Ultralytics YOLO11 supone un hito importante en este esfuerzo, ya que ofrece mayor 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 Ultralytics para Python como Ultralytics Platform, la plataforma sin código, YOLO11 simplifica las tareas complejas de IA visual. Ofrece potentes capacidades de visión artificial y es una opción excelente para desarrolladores y empresas.

Echa un vistazo a nuestro repositorio de GitHub y únete a nuestra activa comunidad para aprender más sobre IA. Descubre cómo la IA visual impulsa la innovación en sectores como la sanidad y la agricultura.