Los mejores modelos de detección de objetos para aplicaciones iOS en chips Apple silicon

Los dispositivos Android y los iPhones se han convertido en una necesidad cotidiana. La gente los usa para comprar, navegar, hacer fotos, escanear productos e interactuar con aplicaciones durante todo el día.

Con el rápido crecimiento de la inteligencia artificial, muchos teléfonos inteligentes incluyen ahora funciones que pueden entender 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 iPhones, iPads y Macs funcionan con chips de Apple Silicon, incluidos los de la serie A y la serie M. Estos diseños de sistema en chip (SoC) integran unidades centrales de procesamiento (CPU), unidades de procesamiento gráfico (GPU) y aceleradores de aprendizaje automático dedicados, lo que permite la inferencia en el dispositivo para cargas de trabajo de IA.

En particular, las capacidades de análisis de imágenes se hacen posibles gracias a la computer vision, un campo de la IA que permite a las máquinas interpretar y comprender información visual de imágenes y vídeos mediante tareas como la object detection.

Concretamente, los modelos de detección de objetos analizan imágenes e identifican objetos dibujando cajas delimitadoras alrededor de ellos. Estos modelos pueden optimizarse para ejecutarse de forma eficiente en hardware móvil, como los chips de Apple Silicon, lo que permite un análisis visual en tiempo real directamente en el dispositivo en terminales iOS.

Fig 1. Un ejemplo de detección de objetos, con objetos identificados mediante cajas delimitadoras. (Fuente)

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

Link to this sectionCómo 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 diferentes objetos colocando cajas delimitadoras a su alrededor y asignando etiquetas.

La mayoría de los sistemas de detección de objetos dependen de redes neuronales que pueden reconocer patrones en los datos de entrenamiento. Para tareas de imagen, estos modelos aprenden representaciones visuales analizando información a nivel de píxel a partir de grandes conjuntos de datos de entrenamiento.

Las redes neuronales convolucionales (CNN) se utilizan a menudo como columna vertebral de los modelos de detección de objetos. Las CNN son excelentes para las predicciones de 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 por ordenador. Estos modelos analizan las relaciones entre diferentes 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 una consideración crucial para la detección de objetos en dispositivos iOS. Dado que estos modelos se ejecutan directamente en dispositivos móviles, deben procesar las imágenes rápidamente utilizando recursos computacionales limitados.

Los modelos eficientes mantienen una latencia baja y admiten la detección de objetos en tiempo real en aplicaciones móviles, especialmente cuando analizan la entrada continua de la cámara.

Link to this section¿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, demos un paso atrás y entendamos qué hace que un modelo sea excelente para aplicaciones móviles.

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

• Latencia baja: El modelo debe procesar imágenes rápidamente para admitir la detección de objetos en tiempo real, especialmente para aplicaciones que dependen de la entrada continua de la cámara.
• Tamaño de modelo eficiente: Los modelos compactos se ejecutan de forma más eficiente en dispositivos móviles y suelen requerir menos memoria y recursos computacionales.
• Precisión de detección: Una detección precisa garantiza que los objetos se clasifiquen correctamente y que las cajas delimitadoras sigan siendo precisas en diferentes escenas, escalas de objetos y condiciones de iluminación.
• Estabilidad de 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 la pérdida de fotogramas o experiencias de cámara inestables.
• Uso 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.

Link to this sectionUn vistazo a los mejores modelos de detección de objetos para iOS#

A continuación, echemos un vistazo a algunos de los modelos de detección de objetos más utilizados para dispositivos iOS.

Link to this sectionModelos Ultralytics YOLO#

Los Ultralytics YOLO models son una popular familia de modelos de detección de objetos diseñados para aplicaciones de visión por ordenador 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 la 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 teléfonos inteligentes.

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

Una de las principales ventajas de utilizar los modelos Ultralytics YOLO para aplicaciones iOS es la CoreML integration proporcionada a través del Ultralytics Python package. 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 admite la exportación de modelos entrenados a CoreML, el formato de aprendizaje automático de Apple utilizado para implementar models on iOS devices. 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 el Apple Neural Engine.

Fig 3. CoreML es el marco de trabajo de Apple para integrar y ejecutar modelos de IA dentro de las aplicaciones. (Fuente)

Esto hace que sea sencillo para los desarrolladores integrar la detección de objetos en tiempo real en aplicaciones iOS mientras mantienen la inferencia del modelo en el dispositivo.

Link to this sectionOpciones de despliegue para los modelos Ultralytics YOLO en Apple Silicon#

Más allá de los modelos en sí, el ecosistema Ultralytics ofrece una gama de opciones que facilitan el despliegue de modelos YOLO en chips de Apple Silicon.

Por ejemplo, Ultralytics ha introducido recientemente Ultralytics Platform, que reúne la gestión de conjuntos de datos, el entrenamiento de modelos, la validación y el despliegue en un único entorno. Este flujo de trabajo unificado reduce la necesidad de múltiples herramientas y ayuda a simplificar el camino desde la experimentación hasta las aplicaciones del mundo real.

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

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

Link to this sectionVentajas adicionales de los modelos Ultralytics YOLO#

Aquí tienes otras características clave que hacen de los modelos Ultralytics YOLO una gran opción para crear aplicaciones iOS:

• Admite una gama de tareas de visión: Además de la detección de objetos, los modelos Ultralytics YOLO pueden utilizarse para segmentación de instancias, estimación de poses, seguimiento de objetos, detección de cajas delimitadoras orientadas (OBB) y clasificación de imágenes.
• Múltiples tamaños de modelo: Ultralytics ofrece diferentes variantes de modelo (como nano, small, medium, large y extra-large), 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.

Link to this section2. EfficientDet#

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

Una idea clave detrás 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 múltiples componentes de la arquitectura juntos.

Al ajustar estos elementos simultáneamente, el modelo mantiene un rendimiento estable tanto si está configurado para una alta precisión como si está optimizado para despliegues ligeros.

La arquitectura está disponible en varias variantes, que van 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.

Link to this section3. MobileNet SSD#

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

El modelo combina la columna vertebral MobileNet, que se centra en la extracción eficiente de características, con el enfoque SSD (Single Shot Detector) para detectar objetos. El método SSD detecta objetos y genera cajas delimitadoras en una sola pasada hacia delante.

Este diseño mantiene el modelo relativamente rápido y sencillo, lo cual es útil para aplicaciones que necesitan resultados de detección rápidos. MobileNet SSD se utiliza a menudo en situaciones en las que el tamaño reducido del modelo y las velocidades de inferencia más rápidas son importantes.

La arquitectura MobileNet reduce la cantidad de computación necesaria, lo que facilita la ejecución del modelo en dispositivos con potencia de procesamiento limitada. Aunque MobileNet SSD puede no alcanzar el mismo nivel de precisión que algunas arquitecturas de detección más nuevas, sigue funcionando bien para muchas tareas comunes de detección de objetos.

Link to this section4. CenterNet#

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

En lugar de generar muchas regiones candidatas, el modelo detecta el centro de un objeto y luego predice el tamaño de la caja delimitadora que lo rodea. Este enfoque simplifica el proceso de detección y reduce el número de pasos necesarios durante la inferencia.

Fig 4. Una visión 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. Variantes como CenterNet con estructuras ResNet se utilizan habitualmente en diferentes aplicaciones de visión por ordenador.

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.

Link to this section5. NanoDet#

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

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 sola pasada a través de la red. Este diseño mantiene el modelo rápido y adecuado para sistemas con recursos de hardware limitados.

NanoDet utiliza una columna vertebral compacta y un cabezal de detección optimizado para reducir el número de parámetros y cálculos necesarios durante la inferencia. Estas decisiones de diseño ayudan a mantener una precisión de detección razonable dando prioridad a la velocidad y la eficiencia.

Link to this sectionElegir 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. Debido a que estos modelos se ejecutan directamente en dispositivos como el iPhone y el iPad, varios factores influyen en qué opción funcionará mejor.

Aquí tienes algunas consideraciones importantes:

• Eficiencia energética: Los modelos que consumen menos energía ayudan a conservar la duración de la batería, lo cual es importante para las aplicaciones móviles que realizan un procesamiento continuo de la cámara.
• Soporte para Model optimization: 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 el Apple Neural Engine.
• Escalabilidad: Algunas arquitecturas ofrecen múltiples tamaños o variantes de modelos, lo que permite a los desarrolladores elegir las versiones que mejor se ajusten a los requisitos de rendimiento y hardware.

Link to this sectionConclusiones clave#

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

Únete a nuestra creciente comunidad y explora nuestro repositorio de GitHub para obtener recursos prácticos de IA. Para construir con IA visual hoy mismo, explora nuestras opciones de licencia. Aprende cómo la IA en la agricultura está transformando la agricultura y cómo la IA visual en robótica está dando forma al futuro visitando nuestras páginas de soluciones.