Ventajas de que Ultralytics YOLO11 sea un detector sin anclajes

Si repasamos la historia de los modelos de IA visual, veremos que la detección de objetos, una tarea fundamental de visión artificial que consiste en identificar y localizar objetos en una imagen o un vídeo, existe desde la década de 1960. Su importancia actual se debe a los grandes avances que se han producido desde entonces en las técnicas de detección de objetos y las arquitecturas de los modelos.

En un artículo anterior, hablamos de la evolución de la detección de objetos y del camino que llevó a los modelos Ultralytics YOLO. Hoy nos centraremos en un hito más concreto de ese recorrido: el paso de los detectores basados en anclajes a los detectores sin anclajes.

Los detectores basados en anclajes utilizan cajas predefinidas, llamadas «anclajes», para predecir dónde se encuentran los objetos en una imagen. En cambio, los detectores sin anclajes prescinden de estas cajas predefinidas y predicen directamente la ubicación de los objetos.

Aunque este cambio pueda parecer sencillo y lógico, en realidad ha mejorado considerablemente la precisión y la eficiencia de la detección de objetos. En este artículo veremos cómo los detectores sin anclajes han transformado la visión artificial gracias a avances como Ultralytics YOLO11.

¿Qué son los detectores basados en anclajes?#

Los detectores basados en anclajes utilizan cajas predefinidas, conocidas como anclajes, para ayudar a localizar objetos en una imagen. Imagina estos anclajes como una cuadrícula de cajas de distintos tamaños y formas superpuesta a la imagen. A continuación, el modelo ajusta las cajas para adaptarlas a los objetos que detecta. Por ejemplo, si el modelo identifica un coche, modificará la caja de anclaje para que coincida con mayor precisión con la posición y el tamaño del coche.

Cada anclaje está asociado a un posible objeto de la imagen y, durante el entrenamiento, el modelo aprende a ajustar las cajas de anclaje para que coincidan mejor con la ubicación, el tamaño y la relación de aspecto del objeto. Esto permite al modelo detectar objetos a distintas escalas y orientaciones. Sin embargo, elegir el conjunto adecuado de cajas de anclaje puede llevar mucho tiempo, y el proceso de ajuste puede ser propenso a errores.

Fig. 1. ¿Qué es una caja de anclaje?

Aunque los detectores basados en anclajes, como YOLOv4, han funcionado bien en muchas aplicaciones, también presentan algunos inconvenientes. Por ejemplo, las cajas de anclaje no siempre se ajustan bien a objetos de distintas formas o tamaños, lo que dificulta la detección de objetos pequeños o de formas irregulares. Elegir y ajustar los tamaños de las cajas de anclaje también puede llevar mucho tiempo y requiere mucho trabajo manual. Además, los modelos basados en anclajes suelen tener dificultades para detectar objetos ocluidos o superpuestos, ya que las cajas predefinidas pueden no adaptarse bien a estos casos más complejos.

El paso a la detección de objetos sin anclajes#

Los detectores sin anclajes empezaron a ganar popularidad en 2018 con modelos como CornerNet y CenterNet, que adoptaron un enfoque novedoso de la detección de objetos al eliminar la necesidad de utilizar cajas de anclaje predefinidas. A diferencia de los modelos tradicionales, que se basan en cajas de anclaje de distintos tamaños y formas para predecir dónde están los objetos, los modelos sin anclajes predicen directamente su ubicación. Se centran en puntos clave o características del objeto, como el centro, lo que simplifica el proceso de detección y lo hace más rápido y preciso.

Así es como suelen funcionar los modelos sin anclajes:

• Detección de puntos clave: En lugar de utilizar cajas predefinidas, algunos modelos identifican puntos importantes de un objeto, como el centro o determinadas esquinas. Estos puntos clave ayudan a los modelos a determinar dónde está el objeto y cuáles son sus dimensiones.
• Predicción del centro: Algunos modelos se centran en predecir el centro de un objeto. Una vez localizado el centro, el modelo puede predecir desde ahí el tamaño y la posición del objeto completo.
• Regresión de mapas de calor: Muchos modelos sin anclajes utilizan mapas de calor, en los que cada píxel representa una posible ubicación de un objeto. Los valores más altos del mapa de calor indican una mayor confianza en que haya un objeto en ese punto.

Fig. 2. Detección basada en anclajes frente a detección sin anclajes.

Como los modelos sin anclajes no dependen de cajas de anclaje, su diseño es más sencillo. Esto los hace más eficientes desde el punto de vista computacional. Al no tener que procesar varias cajas de anclaje, pueden detectar objetos con mayor rapidez, una ventaja importante en aplicaciones en tiempo real como la conducción autónoma y la videovigilancia.

Los modelos sin anclajes también son mucho mejores para gestionar objetos pequeños, irregulares u ocluidos. Como se centran en detectar puntos clave en vez de intentar ajustar cajas de anclaje, son mucho más flexibles. Esto les permite detectar objetos con precisión en entornos abarrotados o complejos en los que los modelos basados en anclajes pueden fallar.

Ultralytics YOLO11: un detector sin anclajes#

Diseñados originalmente para ofrecer velocidad y eficiencia, los modelos YOLO han ido pasando gradualmente de los métodos basados en anclajes a la detección sin anclajes. Así, modelos como Ultralytics YOLO11 son más rápidos, flexibles y adecuados para una amplia variedad de aplicaciones en tiempo real.

Aquí tienes un breve repaso de la evolución del diseño sin anclajes en las distintas versiones de YOLO:

• Ultralytics YOLOv5u: Adoptó el cabezal dividido sin anclajes de Ultralytics, introducido por primera vez en YOLOv8, que elimina la necesidad de cajas de anclaje predefinidas. En su lugar, el modelo predice directamente dónde se encuentran los objetos en una imagen, lo que simplifica el proceso y mejora la flexibilidad y la velocidad.
• YOLOv6: Se utilizó un nuevo método llamado entrenamiento asistido por anclajes (AAT), en el que los anclajes solo se empleaban durante el entrenamiento. Esto permitía al modelo aprovechar la estructura de los métodos basados en anclajes durante el entrenamiento y, al mismo tiempo, utilizar la detección sin anclajes en tiempo de ejecución para obtener más velocidad y adaptabilidad.
• Ultralytics YOLOv8: Pasó por completo a la detección sin anclajes mediante la cabeza Ultralytics dividida sin anclajes. Esto hizo que el modelo fuera más rápido y preciso, especialmente con objetos pequeños o de formas extrañas que no encajan bien en las cajas de anclaje.
• Ultralytics YOLO11: Mantiene el diseño sin anclajes de YOLOv8 y perfecciona el backbone y el neck. Esto permite detectar objetos más rápido y con mayor precisión en aplicaciones en tiempo real, como la supervisión del comportamiento animal y el análisis del comercio minorista.

Fig. 3. Comparación entre Ultralytics YOLOv8 y Ultralytics YOLO11.

Aplicaciones reales de Ultralytics YOLO11#

Un gran ejemplo de las ventajas de la detección sin anclajes con Ultralytics YOLO11 se encuentra en los vehículos autónomos. En los coches autónomos, detectar peatones, otros vehículos y obstáculos de forma rápida y precisa es fundamental para la seguridad. El enfoque sin anclajes de YOLO11 simplifica el proceso de detección al predecir directamente los puntos clave de los objetos, como el centro de un peatón o los límites de otro vehículo, en lugar de depender de cajas de anclaje predefinidas.

Fig. 4. Ventajas de la detección sin anclajes en Ultralytics YOLO11 (imagen del autor).

Ultralytics YOLO11 no necesita ajustar ni adaptar una cuadrícula de anclajes a cada objeto, lo que puede resultar costoso desde el punto de vista computacional y lento. En su lugar, se centra en las características clave, lo que lo hace más rápido y eficiente. Por ejemplo, cuando un peatón se cruza en la trayectoria del vehículo, YOLO11 puede identificar rápidamente su ubicación al localizar puntos clave, aunque la persona esté parcialmente oculta o en movimiento. La capacidad de adaptarse a formas y tamaños distintos sin cajas de anclaje permite a YOLO11 detectar objetos de forma más fiable y a mayor velocidad, algo fundamental para la toma de decisiones en tiempo real en sistemas de conducción autónoma.

Otras aplicaciones en las que destacan las capacidades sin anclajes de Ultralytics YOLO11 son:

• Comercio minorista y gestión de inventario: Ultralytics YOLO11 facilita la supervisión de los productos en las estanterías, incluso cuando están apilados o parcialmente tapados. Esto permite llevar un control del inventario más rápido y preciso, y reduce los errores.
• Diagnóstico por imagen: YOLO11 también resulta eficaz en el ámbito sanitario, donde puede detectar tumores u otras anomalías en imágenes médicas. Su capacidad para trabajar con objetos de forma irregular ayuda a mejorar la precisión al diagnosticar afecciones complejas.
• Seguimiento de la fauna: En la investigación sobre la fauna, Ultralytics YOLO11 puede hacer un seguimiento de animales en bosques densos o terrenos difíciles, lo que ayuda a los investigadores a observar su comportamiento o proteger especies en peligro de extinción.
• Análisis deportivo: Ultralytics YOLO11 puede utilizarse para seguir a los jugadores, el movimiento del balón u otros elementos en tiempo real durante eventos deportivos y proporcionar información valiosa a equipos, entrenadores y emisoras.

Aspectos que debes tener en cuenta al trabajar con modelos sin anclajes#

Aunque los modelos sin anclajes como Ultralytics YOLO11 ofrecen muchas ventajas, también tienen ciertas limitaciones. Uno de los principales aspectos prácticos que debes tener en cuenta es que incluso los modelos sin anclajes pueden tener dificultades con las oclusiones o con objetos muy superpuestos. Esto se debe a que la visión artificial aspira a replicar la visión humana y, del mismo modo que a veces nos cuesta identificar objetos ocluidos, los modelos de IA pueden enfrentarse a retos similares.

Otro aspecto interesante está relacionado con el procesamiento de las predicciones del modelo. Aunque la arquitectura de los modelos sin anclajes es más sencilla que la de los modelos basados en anclajes, en ciertos casos es necesario aplicar un refinamiento adicional. Por ejemplo, pueden requerirse técnicas de posprocesamiento como la supresión no máxima (NMS) para eliminar predicciones solapadas o mejorar la precisión en escenas concurridas. Los modelos más recientes, como Ultralytics YOLO26, eliminan este paso con un diseño integral sin NMS.

El futuro de la IA se afianza con Ultralytics YOLO11#

El paso de la detección basada en anclajes a la detección sin anclajes ha supuesto un avance significativo en la detección de objetos. Con modelos sin anclajes como Ultralytics YOLO11, el proceso se simplifica, lo que mejora tanto la precisión como la velocidad.

Con Ultralytics YOLO11 hemos visto cómo la detección de objetos sin anclajes destaca en aplicaciones en tiempo real como los coches autónomos, la videovigilancia y el diagnóstico por imagen, donde es fundamental detectar los objetos de forma rápida y precisa. Este enfoque permite a YOLO11 adaptarse con mayor facilidad a objetos de distintos tamaños y a escenas complejas, y ofrece un mejor rendimiento en entornos diversos.

A medida que la visión artificial siga evolucionando, la detección de objetos será cada vez más rápida, flexible y eficiente.

Explora nuestro repositorio de GitHub y únete a nuestra comunidad para estar al día de todo lo relacionado con la IA. Descubre cómo la IA visual está transformando sectores como la fabricación y la agricultura.