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 algo imprescindible en el día a día. La gente los usa para comprar, orientarse, hacer fotos, escanear productos e interactuar con aplicaciones a lo largo del día.

Con el rápido avance de la inteligencia artificial, muchos smartphones incluyen ahora funciones capaces de interpretar imágenes y vídeos capturados con 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 de aprendizaje automático dedicados, lo que permite ejecutar inferencias de IA en el propio dispositivo.

En concreto, 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 la 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 recuadros delimitadores a su alrededor. Estos modelos se pueden optimizar para funcionar de forma eficiente en hardware móvil, como los chips Apple Silicon, lo que permite realizar análisis visuales en tiempo real directamente en el dispositivo, en dispositivos iOS.

Fig. 1. Ejemplo de detección de objetos, con objetos identificados mediante recuadros delimitadores. (Fuente)

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

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 recuadros 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 procedente de grandes conjuntos de datos de entrenamiento.

Las redes neuronales convolucionales (CNNs) suelen utilizarse como base de los modelos de detección de objetos. Las CNNs son muy adecuadas para hacer 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 de 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 con rapidez y utilizar recursos computacionales limitados.

Los modelos eficientes mantienen una latencia baja y permiten detectar objetos en tiempo real en aplicaciones móviles, sobre todo al analizar la 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, demos un paso atrás y veamos qué hace que un modelo sea adecuado 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 buen modelo para implementarlo en iOS:

• Latencia baja: El modelo debe procesar imágenes con rapidez para permitir la detección de objetos en tiempo real, especialmente en aplicaciones que dependen de la entrada continua de la cámara.
• Tamaño eficiente del modelo: Los modelos compactos se ejecutan con mayor eficiencia en dispositivos móviles y suelen necesitar menos memoria y recursos computacionales.
• Precisión de detección: Una detección precisa garantiza que los objetos se clasifiquen correctamente y que los recuadros delimitadores mantengan la 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 una experiencia inestable con la cámara.
• Huella de memoria: La cantidad de RAM necesaria durante la inferencia afecta a la fluidez con la que se ejecuta un modelo junto con otros procesos de la aplicación en dispositivos iOS.

Un repaso 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 en dispositivos iOS.

1. Modelos Ultralytics YOLO#

Los modelos YOLO de Ultralytics son una popular familia de modelos de detección de objetos diseñados para aplicaciones de visión artificial en tiempo real. A lo largo de los años, Ultralytics ha publicado modelos de visión como Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11 y el modelo más reciente y avanzado, Ultralytics YOLO26.

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

Fig. 2. YOLO26 se puede utilizar para detectar varios objetos en una escena real. (Fuente)

Una de las principales ventajas de utilizar modelos YOLO de Ultralytics en aplicaciones iOS es la integración con CoreML que ofrece el paquete Python de Ultralytics. Esta biblioteca de código abierto ayuda a los desarrolladores a entrenar, probar y exportar modelos YOLO de Ultralytics mediante 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 se puede integrar en una aplicación y ejecutarse directamente en el dispositivo mediante hardware como la CPU, la GPU y Apple Neural Engine. Los modelos de Ultralytics también se pueden exportar al nuevo formato Core AI de Apple para iOS 27 y macOS 27, mientras que CoreML sigue siendo el formato predeterminado en el SDK de iOS de Ultralytics.

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

Esto facilita a los desarrolladores integrar la detección de objetos en tiempo real en aplicaciones iOS y mantener la inferencia del modelo en el dispositivo.

Opciones de implementación de los modelos YOLO de Ultralytics 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 presentó 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 reales.

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

Además de las funciones de exportación, Ultralytics ofrece una implementación de código abierto en Swift (el lenguaje de programación de Apple para crear aplicaciones 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 detectar objetos en tiempo real.

Otras ventajas de los modelos YOLO de Ultralytics#

Estas son otras características clave que hacen de los modelos YOLO de Ultralytics una excelente opción para crear aplicaciones iOS:

• Admite diversas tareas de visión: Además de la detección de objetos, los modelos Ultralytics YOLO se pueden utilizar para la segmentación de instancias, la clasificación de imágenes, la estimación de poses, la detección de cuadros delimitadores orientados (OBB) y el seguimiento de objetos; YOLO26 también admite la segmentación semántica y la estimación de profundidad.
• Varios tamaños de modelo: Ultralytics ofrece distintas variantes de modelos (nano, pequeño, mediano, grande y extragrande), para que los desarrolladores puedan elegir la versión que mejor se adapte a las limitaciones de rendimiento de los dispositivos móviles.
• Modelos preentrenados: Los modelos Ultralytics YOLO están disponibles como modelos preentrenados que puedes utilizar directamente o ajustar para tareas específicas, lo que reduce 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 resulta adecuada para entornos con recursos limitados. Para ver una comparativa directa, consulta YOLO26 frente a EfficientDet.

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 método escala simultáneamente varios componentes de la arquitectura.

Al ajustar estos elementos a la vez, el modelo mantiene un rendimiento estable tanto si se configura para lograr una gran 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 inferencias más rápidas y un menor consumo 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 edge. Ganó popularidad en torno a 2017.

El modelo combina la base MobileNet, centrada en la extracción eficiente de características, con el método SSD (detector de disparo único) para detectar objetos. El método SSD detecta objetos y genera recuadros delimitadores en una sola pasada hacia delante.

Este diseño mantiene el modelo relativamente rápido y sencillo, algo útil para las aplicaciones que necesitan resultados de detección rápidos. MobileNet SSD suele utilizarse cuando es importante reducir el tamaño del modelo y acelerar la inferencia.

La arquitectura MobileNet reduce la cantidad de cálculos necesarios, lo que facilita la ejecución del modelo en dispositivos con poca potencia de procesamiento. Aunque MobileNet SSD quizá no alcance el mismo nivel de precisión que algunas arquitecturas de detección más recientes, sigue funcionando bien en muchas tareas habituales de detección de objetos.

4. CenterNet#

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

En lugar de generar muchas regiones candidatas, el modelo detecta el centro de un objeto y, a continuación, predice el tamaño del recuadro delimitador que lo rodea. Este método simplifica el proceso de detección y reduce los pasos necesarios durante la inferencia.

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

CenterNet se puede utilizar en tareas de detección en tiempo real y es conocido por su arquitectura relativamente sencilla en comparación con algunos detectores de varias etapas. Las variantes de 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 detectar objetos con rapidez, 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 edge y móviles. Se presentó en 2020 con el objetivo de ofrecer una detección de objetos eficiente y mantener muy bajos tanto el tamaño del modelo como los requisitos computacionales.

El modelo utiliza una arquitectura de detección de una sola etapa, lo que le permite predecir la ubicación y las categorías de los objetos en una única pasada por la red. Este diseño hace que el modelo sea 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 operaciones necesarios durante la inferencia. Estas decisiones de diseño ayudan a mantener una precisión de detección razonable y dan prioridad a la velocidad y la eficiencia.

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

La elección 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, hay varios factores que influyen en cuál es la mejor opción.

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 procesan continuamente las imágenes 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 con el hardware: La arquitectura del modelo que elijas debe ejecutarse de forma eficiente en el hardware iOS, incluida la CPU, la GPU y Neural Engine de Apple.
• Escalabilidad: Algunas arquitecturas ofrecen varios tamaños o variantes de modelo, para que los desarrolladores puedan elegir las versiones que mejor se ajusten a los requisitos de rendimiento y hardware.

Conclusiones clave#

Los modelos de detección de objetos incorporan capacidades avanzadas de visión artificial a las aplicaciones móviles inteligentes. Al ejecutarse directamente en dispositivos iOS, 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 ágiles basadas en visión que ofrecen un rendimiento fiable en tiempo real.

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