Los mejores modelos de detección de objetos para apps de iOS en chips Apple Silicon

Los dispositivos Android y los iPhone se han convertido en una necesidad cotidiana. La gente los usa para comprar, orientarse, hacer fotos, escanear productos e interactuar con aplicaciones a lo largo del día.

Con el rápido crecimiento de la inteligencia artificial, muchos smartphones incluyen ahora funciones capaces de comprender las imágenes y los vídeos capturados por la cámara del dispositivo. La capacidad de ejecutar estas funciones de forma eficiente depende en gran medida del hardware subyacente.

Por ejemplo, en el ecosistema de Apple, dispositivos como los iPhone, iPad y Mac funcionan con chips Apple Silicon, incluidos los de las series A y M. Estos diseños de sistema en chip (SoC) integran unidades centrales de procesamiento (CPU), unidades de procesamiento gráfico (GPU) y aceleradores específicos de aprendizaje automático, lo que permite ejecutar inferencias en el dispositivo para cargas de trabajo de IA.

En particular, las capacidades de análisis de imágenes son posibles gracias a la visión artificial, un campo de la IA que permite a las máquinas interpretar y comprender información visual de imágenes y vídeos mediante tareas como la detección de objetos.

En concreto, los modelos de detección de objetos analizan imágenes e identifican objetos dibujando cuadros delimitadores a su alrededor. Estos modelos pueden optimizarse para ejecutarse de forma eficiente en hardware móvil, como los chips Apple Silicon, lo que permite realizar análisis visuales en tiempo real directamente en dispositivos iOS.

Fig. 1. Un ejemplo de detección de objetos, con objetos identificados mediante cuadros delimitadores. (Fuente)

En este artículo, exploraremos algunos de los mejores modelos de detección de objetos para crear aplicaciones iOS rápidas y en tiempo real. ¡Empecemos!

Cómo funcionan los detectores de objetos en dispositivos iOS#

La detección de objetos ayuda a las aplicaciones a reconocer y localizar objetos en una imagen. Cuando una aplicación procesa una imagen de entrada, un modelo de detección de objetos puede analizar la escena e identificar distintos objetos colocando cuadros delimitadores a su alrededor y asignándoles etiquetas.

La mayoría de los sistemas de detección de objetos se basan en redes neuronales capaces de reconocer patrones en los datos de entrenamiento. Para las tareas de imagen, estos modelos aprenden representaciones visuales analizando información a nivel de píxel de grandes conjuntos de datos de entrenamiento.

Las redes neuronales convolucionales (CNNs) se utilizan a menudo como base de los modelos de detección de objetos. Las CNNs son excelentes para realizar predicciones sobre imágenes porque aprenden características visuales jerárquicas, como bordes, formas y texturas, que ayudan al modelo a reconocer objetos dentro de una escena.

Los investigadores también están explorando arquitecturas basadas en Transformer para tareas de visión artificial. Estos modelos analizan las relaciones entre distintas regiones de una imagen y capturan información contextual más amplia en toda la escena.

Más allá del tipo de arquitectura del modelo, la eficiencia es un factor fundamental para la detección de objetos en dispositivos iOS. Como estos modelos se ejecutan directamente en dispositivos móviles, deben procesar imágenes rápidamente utilizando recursos computacionales limitados.

Los modelos eficientes mantienen una latencia baja y permiten realizar detección de objetos en tiempo real en aplicaciones móviles, especialmente al analizar una entrada continua de la cámara.

¿Qué hace que un modelo de detección de objetos sea adecuado para iOS?#

Antes de profundizar en algunos de los mejores modelos de detección de objetos para iOS, detengámonos un momento para entender qué hace que un modelo sea excelente para aplicaciones móviles.

El modelo de detección de objetos ideal para una aplicación iOS equilibra rendimiento, eficiencia y fiabilidad. Estos son algunos factores clave que definen un modelo sólido para su implementación en iOS:

• Baja latencia: El modelo debe procesar las imágenes rápidamente para permitir la detección de objetos en tiempo real, especialmente en aplicaciones que dependen de una entrada continua de la cámara.
• Tamaño eficiente del modelo: Los modelos compactos se ejecutan de forma más eficiente en dispositivos móviles y normalmente requieren menos memoria y recursos computacionales.
• Precisión de detección: Una detección precisa garantiza que los objetos se clasifiquen correctamente y que los cuadros delimitadores mantengan su precisión en distintas escenas, escalas de objetos y condiciones de iluminación.
• Estabilidad de la inferencia: Un tiempo de inferencia constante entre fotogramas es importante para las aplicaciones en tiempo real. Las grandes fluctuaciones en el tiempo de procesamiento pueden provocar pérdida de fotogramas o experiencias inestables con la cámara.
• Huella de memoria: La cantidad de RAM necesaria durante la inferencia afecta a la fluidez con la que un modelo se ejecuta junto con otros procesos de la aplicación en dispositivos iOS.

Una mirada a los mejores modelos de detección de objetos para iOS#

A continuación, veremos algunos de los modelos de detección de objetos más utilizados para dispositivos iOS.

1. Modelos YOLO de Ultralytics#

Los modelos Ultralytics YOLO son una popular familia de modelos de detección de objetos diseñada para aplicaciones de visión artificial en tiempo real. A lo largo de los años, Ultralytics ha lanzado modelos de visión como Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11 y el último modelo de vanguardia, Ultralytics YOLO26.

Cada nuevo lanzamiento ha introducido mejoras en la precisión de detección, la eficiencia del modelo y el rendimiento en tiempo de ejecución. Estas actualizaciones han hecho que los modelos Ultralytics YOLO sean cada vez más adecuados para dispositivos periféricos, como los smartphones.

Fig. 2. YOLO26 puede utilizarse para detectar varios objetos en una escena del mundo real. (Fuente)

Una de las principales ventajas de utilizar modelos Ultralytics YOLO para aplicaciones iOS es la integración con CoreML proporcionada mediante el paquete de Python de Ultralytics. Esta biblioteca de código abierto ayuda a los desarrolladores a entrenar, probar y exportar modelos Ultralytics YOLO con un flujo de trabajo sencillo.

El paquete permite exportar modelos entrenados a CoreML, el formato de aprendizaje automático de Apple utilizado para implementar modelos en dispositivos iOS. Tras la exportación, el modelo CoreML puede integrarse en una aplicación y ejecutarse directamente en el dispositivo utilizando hardware como la CPU, la GPU y Apple Neural Engine.

Fig. 3. CoreML es el framework de Apple para integrar y ejecutar modelos de IA en aplicaciones. (Fuente)

Esto facilita a los desarrolladores la integración de la detección de objetos en tiempo real en aplicaciones iOS, manteniendo la inferencia del modelo en el dispositivo.

Opciones de implementación de modelos Ultralytics YOLO en Apple Silicon#

Además de los propios modelos, el ecosistema de Ultralytics ofrece diversas opciones que facilitan la implementación de modelos YOLO en chips Apple Silicon.

Por ejemplo, Ultralytics ha presentado recientemente Ultralytics Platform, que reúne la gestión de conjuntos de datos, el entrenamiento, la validación y la implementación de modelos en un único entorno. Este flujo de trabajo unificado reduce la necesidad de utilizar varias herramientas y ayuda a agilizar el paso de la experimentación a las aplicaciones del mundo real.

Como parte de la plataforma, los modelos entrenados pueden exportarse a varios formatos, incluido CoreML para dispositivos Apple. Esto permite exportar un modelo Ultralytics YOLO para ejecutar inferencias en el dispositivo con solo unos clics.

Además de las capacidades de exportación, Ultralytics proporciona una implementación de Swift de código abierto (el lenguaje de programación de Apple utilizado para crear aplicaciones iOS) para iOS. Incluye una aplicación YOLO para iOS lista para usar, escrita en Swift, que muestra cómo integrar modelos CoreML, ejecutarlos con la entrada de la cámara y utilizarlos para la detección de objetos en tiempo real.

Ventajas adicionales de los modelos Ultralytics YOLO#

Estas son otras características clave que convierten a los modelos Ultralytics YOLO en una excelente opción para crear aplicaciones iOS:

• Admite una variedad de tareas de visión: Además de la detección de objetos, los modelos Ultralytics YOLO pueden utilizarse para la segmentación de instancias, la estimación de poses, el seguimiento de objetos, la detección de cuadros delimitadores orientados (OBB) y la clasificación de imágenes.
• Varios tamaños de modelo: Ultralytics ofrece distintas variantes de modelos (como nano, pequeña, mediana, grande y extragrande), lo que permite a los desarrolladores elegir una versión que se ajuste a las limitaciones de rendimiento de los dispositivos móviles.
• Modelos preentrenados: Los modelos Ultralytics YOLO están disponibles como modelos preentrenados que pueden utilizarse directamente o ajustarse para tareas específicas, reduciendo el tiempo de desarrollo.

2. EfficientDet#

EfficientDet es una arquitectura de detección de objetos presentada por investigadores de Google en 2019. Se diseñó para equilibrar la precisión de detección y la eficiencia computacional, por lo que es adecuada para entornos con recursos limitados.

Una idea clave de EfficientDet es un método de escalado conocido como escalado compuesto. En lugar de aumentar solo una parte del modelo, como la profundidad de la red o la resolución de la imagen, este enfoque escala conjuntamente varios componentes de la arquitectura.

Al ajustar estos elementos simultáneamente, el modelo mantiene un rendimiento estable tanto si se configura para lograr una alta precisión como si se optimiza para implementaciones ligeras.

La arquitectura está disponible en varias variantes, desde EfficientDet-D0 hasta EfficientDet-D7. Los modelos más pequeños están diseñados para una inferencia más rápida y un menor uso de recursos, mientras que las versiones más grandes se centran en lograr una mayor precisión de detección.

3. MobileNet SSD#

MobileNet SSD es un modelo ligero de detección de objetos diseñado para ejecutarse de forma eficiente en dispositivos móviles y periféricos. Ganó popularidad alrededor de 2017.

El modelo combina la base MobileNet, centrada en la extracción eficiente de características, con el enfoque SSD (Single Shot Detector) para detectar objetos. El método SSD detecta objetos y genera cuadros delimitadores en una única pasada hacia delante.

Este diseño mantiene el modelo relativamente rápido y sencillo, lo que resulta útil para aplicaciones que necesitan resultados de detección rápidos. MobileNet SSD se utiliza a menudo en situaciones en las que son importantes los tamaños de modelo reducidos y unas velocidades de inferencia más altas.

La arquitectura MobileNet reduce la cantidad de computación necesaria, lo que facilita la ejecución del modelo en dispositivos con una potencia de procesamiento limitada. Aunque MobileNet SSD puede no alcanzar el mismo nivel de precisión que algunas arquitecturas de detección más recientes, sigue ofreciendo un buen rendimiento en muchas tareas habituales de detección de objetos.

4. CenterNet#

CenterNet es un modelo de detección de objetos que identifica los objetos prediciendo sus puntos centrales. Se presentó en 2019.

En lugar de generar muchas regiones candidatas, el modelo detecta el centro de un objeto y predice el tamaño del cuadro delimitador que lo rodea. Este enfoque simplifica el flujo de detección y reduce el número de pasos implicados durante la inferencia.

Fig. 4. Descripción general de las etapas de detección de objetos en CenterNet (Fuente)

CenterNet puede utilizarse para tareas de detección en tiempo real y es conocido por su arquitectura relativamente sencilla en comparación con algunos detectores de varias etapas. Las variantes, como CenterNet con bases ResNet, se utilizan habitualmente en distintas aplicaciones de visión artificial.

Su diseño eficiente hace que CenterNet sea adecuado para sistemas que necesitan una detección de objetos rápida, incluidas las aplicaciones que se ejecutan en dispositivos iOS.

5. NanoDet#

NanoDet es un modelo ligero de detección de objetos diseñado para aplicaciones en tiempo real en dispositivos periféricos y móviles. Se presentó en 2020 con el objetivo de proporcionar una detección de objetos eficiente manteniendo muy bajos el tamaño del modelo y los requisitos computacionales.

El modelo utiliza una arquitectura de detección de una sola etapa, lo que le permite predecir las ubicaciones y categorías de los objetos en una única pasada por la red. Este diseño mantiene el modelo rápido y adecuado para sistemas con recursos de hardware limitados.

NanoDet utiliza una base compacta y una cabeza de detección optimizada para reducir el número de parámetros y cálculos necesarios durante la inferencia. Estas decisiones de diseño ayudan a mantener una precisión de detección razonable, priorizando al mismo tiempo la velocidad y la eficiencia.

Cómo elegir el modelo de detección de objetos adecuado para tu aplicación iOS#

La selección de un modelo de detección de objetos para una aplicación iOS suele depender de los requisitos específicos del caso de uso. Como estos modelos se ejecutan directamente en dispositivos como el iPhone y el iPad, varios factores influyen en qué opción funcionará mejor.

Estos son algunos aspectos importantes que debes tener en cuenta:

• Eficiencia energética: Los modelos que consumen menos energía ayudan a conservar la batería, algo importante para las aplicaciones móviles que realizan un procesamiento continuo de la cámara.
• Compatibilidad con la optimización de modelos: Algunos modelos admiten técnicas de optimización como la cuantización o la poda, que pueden reducir el tamaño del modelo y mejorar el rendimiento en dispositivos iOS.
• Compatibilidad de hardware: La arquitectura del modelo que elijas debe ejecutarse de forma eficiente en el hardware de iOS, incluida la CPU, la GPU y Apple Neural Engine.
• Escalabilidad: Algunas arquitecturas ofrecen varios tamaños o variantes de modelo, lo que permite a los desarrolladores elegir las versiones que mejor se adapten a los requisitos de rendimiento y hardware.

Conclusiones clave#

Los modelos de detección de objetos aportan capacidades avanzadas de visión artificial a las aplicaciones móviles inteligentes. Al ejecutarse directamente en dispositivos iOS, estos modelos permiten que las aplicaciones analicen en tiempo real las imágenes y los vídeos de la cámara del dispositivo. Al elegir el modelo adecuado, los desarrolladores pueden crear aplicaciones móviles de visión ágiles que ofrezcan un rendimiento fiable en tiempo real.

Únete a nuestra creciente comunidad y explora nuestro repositorio de GitHub para acceder a recursos prácticos de AI. Para crear hoy mismo con visión artificial, explora nuestras opciones de licencia. Descubre cómo la AI en la agricultura está transformando el sector agrícola y cómo la AI de visión artificial en robótica está dando forma al futuro visitando nuestras páginas de soluciones.