Crea aplicaciones para drones basadas en IA con Ultralytics YOLO11

Las compras en tienda y las compras online pueden parecerse, pero dependen de logísticas diferentes. Las tiendas necesitan reponer las estanterías, mientras que los pedidos online dependen de las entregas a domicilio. Gracias a los avances tecnológicos, ambas experiencias de compra están transformándose en paralelo.

Por ejemplo, se está produciendo un cambio importante en las entregas. Los drones basados en IA están cambiando la forma en que los productos llegan a nuestros hogares. Se espera que estos drones inteligentes gestionen alrededor de 808 millones de entregas durante la próxima década, convirtiendo el cielo en la nueva ruta de entrega del comercio cotidiano.

Los drones de reparto utilizan inteligencia artificial (AI) y visión por ordenador, un subcampo de la AI que se utiliza para analizar datos visuales, para navegar y maniobrar alrededor de obstáculos. Los modelos de visión por ordenador como Ultralytics YOLO11 pueden ayudar a los drones a detectar y seguir objetos en tiempo real, lo que les permite comprender mejor su entorno e interactuar con él.

Fig 1. Un dron de reparto llevando un paquete a su destino.

Empresas como Meituan y DJI ya están integrando la visión por ordenador en sus drones. De hecho, la rápida adopción de los drones en diversos sectores ha preparado el mercado de los drones con AI para alcanzar los 206,9 mil millones de dólares en 2031.

En este artículo, analizaremos más detenidamente cómo se pueden utilizar modelos de visión por ordenador como Ultralytics YOLO11 en aplicaciones basadas en drones, como las entregas con drones. Veremos un ejemplo que mostrará cómo se pueden desarrollar y probar estas tecnologías antes de utilizarlas en situaciones reales.

Uso de Ultralytics YOLO11 en drones para detectar casas#

Una parte fundamental de los drones de reparto es su capacidad para detectar casas mientras navegan. Para recrear esta capacidad y entender cómo funciona, entrenaremos un modelo de visión por ordenador capaz de identificar casas en imágenes capturadas por un dron aéreo. Para ello, haremos un entrenamiento personalizado de Ultralytics YOLO11, lo que implica ajustar un modelo YOLO11 preentrenado para reconocer y detectar casas utilizando ejemplos etiquetados.

Para ello, necesitaremos datos de vídeo de alta calidad procedentes de un dron. Curiosamente, incluso sin tener acceso a un dron real, podemos generar imágenes aéreas realistas. Veamos cómo.

Creación de una toma de dron artificial con Google Earth Studio#

Google Earth Studio es una herramienta de animación basada en la web que los usuarios pueden utilizar para crear contenido estático y animado mediante las imágenes de satélite y 3D de Google Earth. Podemos usarla para crear imágenes aéreas realistas.

El primer paso es abrir Google Earth Studio y crear un proyecto, como se muestra a continuación.

Necesitarás una cuenta de Google para iniciar sesión.

Fig 2. Creación de un proyecto en Google Earth Studio.

Una vez que hayas iniciado sesión, puedes elegir una ubicación para tu vídeo de dron artificial. Puedes buscar ubicaciones utilizando la barra de búsqueda situada en la esquina superior izquierda de la página. Para este tutorial, elegiremos Canadá. Además, como vamos a entrenar un modelo para detectar casas, el vídeo del dron debe mostrar una vista aérea de casas.

Fig 3. Elección de una ubicación con Google Earth Studio.

A continuación, podemos establecer el primer y el último fotograma para capturar el movimiento de la toma de dron artificial. Cuando hayas elegido la ubicación inicial para la toma del dron, establece el primer fotograma utilizando los rombos azules, como se muestra a continuación.

Fig 4. Configuración del primer fotograma con los rombos azules.

A continuación, podemos elegir el último fotograma para determinar el destino del dron. Esto nos ayudará a crear un efecto de movimiento para las imágenes del dron. Para ello, desliza la barra (resaltada a continuación) hacia la derecha hasta un momento concreto para crear el efecto de movimiento de la toma del dron. De nuevo, utiliza los rombos azules para establecer el último punto.

Fig 5. Configuración del último fotograma moviendo la barra.

Por último, puedes guardar este proyecto y renderizarlo haciendo clic en el botón rojo «Render» situado en la esquina superior derecha de la página. Así obtendrás el vídeo final de la toma del dron y crearás correctamente las imágenes de vídeo del dron artificial.

Fig 6. Renderizado del vídeo de salida final.

¿Cómo etiquetar los datos del dron?#

Ahora que hemos creado las imágenes de vídeo del dron artificial, el siguiente paso es etiquetar o anotar las casas que aparecen en ellas. También tendremos que separar los fotogramas individuales del vídeo.

Para empezar, instalaremos LabelImg. LabelImg es una herramienta de etiquetado de imágenes de código abierto. Puedes instalarla directamente desde el terminal utilizando el instalador de paquetes pip mediante el siguiente comando: «pip install labelImg».

Tras la instalación, puedes ejecutar la herramienta utilizando el comando ‘labelImg’ en el terminal o en el símbolo del sistema. Esto te llevará a la página que se muestra a continuación.

Fig 7. La interfaz de la herramienta LabelImg.

Mientras tanto, podemos utilizar un conversor de vídeo a imagen online o una herramienta llamada FFmpeg para dividir el vídeo en fotogramas. FFmpeg es un conjunto de bibliotecas y herramientas para procesar contenido multimedia, como audio, vídeo, subtítulos y metadatos relacionados.

Puedes utilizar el siguiente comando del terminal para separar cada fotograma del vídeo de las imágenes del dron:

ffmpeg -i input_video.mp4 frame_%04d.png

Una vez separados los fotogramas de las imágenes del dron, podemos empezar a etiquetar los objetos (casas) que aparecen en ellos. Al navegar hasta la carpeta de imágenes mediante la herramienta LabelImg, podemos etiquetar los objetos de cada imagen. Asegúrate de guardar y verificar todas las imágenes etiquetadas. Después de anotar las imágenes, ya podemos pasar a entrenar Ultralytics YOLO11 con estos datos.

Fig 8. Ejemplo de guardado de imágenes anotadas.

Flujo de trabajo para entrenar el modelo Ultralytics YOLO11#

Antes de empezar a entrenar Ultralytics YOLO11, organizaremos nuestras imágenes y etiquetas. Empieza creando dos carpetas: una llamada "train" y otra llamada "valid". Divide las imágenes entre estas carpetas. Dentro de cada una, crea subcarpetas independientes para las imágenes y sus correspondientes archivos de etiquetas (en formato de texto), como se muestra a continuación.

Fig 9. Ejemplo de creación de carpetas para imágenes y etiquetas.

A continuación, podemos empezar a entrenar el modelo Ultralytics YOLO11 de la siguiente forma:

• Paso 1: Instala el paquete de Ultralytics para Python. Para ello, ejecuta el comando «pip install ultralytics» en el terminal. Si encuentras problemas durante la instalación, consulta nuestra guía de solución de problemas para obtener consejos que te ayuden a resolverlos.
• Paso 2: Después de instalar correctamente el paquete, crea un archivo con el nombre ‘data.yaml’. Se trata de un archivo de configuración fundamental para entrenar el modelo. En el archivo data.yaml, incluye la siguiente información: la ruta al conjunto de datos de entrenamiento, la ruta al conjunto de datos de validación, el número de clases (nc) y una lista de nombres de clases (names), como se muestra a continuación.

Fig 10. Ejemplo de un archivo data.yaml.

• Paso 3: Una vez configurado el archivo ‘data.yaml’, puedes empezar a entrenar el modelo utilizando el siguiente código de Python. Este código carga el modelo Ultralytics YOLO11 preentrenado y lo entrena según tus configuraciones.

from ultralytics import YOLO

# Load a YOLO11 model
model = YOLO("yolo11n.pt")  # choose your model, e.g., YOLO11 nano

# Train the model with your data and settings
model.train(data="data.yaml", epochs=100, imgsz=640)

• Paso 4: Cuando termine el entrenamiento, deberías ver un resultado similar al que se muestra a continuación. Esto significa que has entrenado correctamente tu modelo Ultralytics YOLO11 para aplicaciones basadas en drones.

Fig 11. Resultado mostrado después de entrenar el modelo.

Ejecución de predicciones con Ultralytics YOLO11 en drones#

El modelo Ultralytics YOLO11 entrenado ya se puede utilizar para realizar predicciones mediante un proceso llamado inferencia. La inferencia consiste en utilizar un modelo para analizar datos nuevos que no ha visto antes, basándose en lo que ha aprendido durante el entrenamiento. En este caso, el modelo se puede utilizar para encontrar y etiquetar objetos concretos, como casas, en imágenes o vídeos mediante el trazado de cuadros delimitadores a su alrededor.

Para ejecutar una predicción, puedes utilizar el modelo Ultralytics YOLO11 entrenado sobre un vídeo de entrada mediante el siguiente código de Python. En este ejemplo, utilizaremos el mismo vídeo de dron artificial empleado para el entrenamiento, pero puedes usar cualquier otro archivo de vídeo si lo prefieres.

# Import library
from ultralytics import YOLO

# Load the YOLO model
model = YOLO("best.pt")  # Choose your custom-trained model

# Predict the results from the model
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

Después de ejecutar este código, se guardará el archivo de vídeo de salida con las predicciones y los cuadros delimitadores.

Fig 12. Un fotograma del archivo de vídeo de salida.

Integración de Ultralytics YOLO11 en drones para diversas aplicaciones#

Detectar casas para entregar paquetes con drones es solo un ejemplo de cómo se pueden aplicar la visión por ordenador y Ultralytics YOLO11. Estos son otros usos reales de la visión por ordenador, YOLO11 y los drones aéreos:

• Vigilancia y seguridad: Los drones con AI se pueden utilizar para supervisar grandes áreas en tiempo real. Pueden detectar intrusiones, seguir actividades sospechosas y mejorar la seguridad en las fronteras nacionales y en grandes eventos públicos.

• Respuesta ante catástrofes y búsqueda y rescate: Equipados con cámaras térmicas y detección de objetos, los drones pueden ayudar a localizar supervivientes en zonas afectadas por catástrofes. También pueden evaluar los daños y entregar suministros de emergencia.

• Agricultura y agricultura de precisión: Los drones integrados con visión por ordenador se pueden utilizar para analizar el estado de los cultivos y detectar enfermedades, ayudando a los agricultores a aumentar el rendimiento y reducir los costes.

• Cartografía y análisis geoespacial: Al recopilar mapas 3D de alta resolución, los drones con AI pueden ayudar en la planificación urbana y los estudios del terreno. Proporcionan evaluaciones del terreno más rápidas y precisas que los métodos tradicionales.

Conclusiones clave#

Los drones con AI impulsados por visión por ordenador están transformando muchos sectores, desde la entrega de paquetes hasta la asistencia en emergencias y la agricultura. En esta guía, hemos explicado cómo crear un vídeo de dron artificial, etiquetar los objetos que aparecen en él, entrenar Ultralytics YOLO11 y utilizarlo para detectar casas.

Aplicar la detección de objetos a las imágenes de drones hace que estos sean más inteligentes, ya que les permite reconocer y seguir objetos automáticamente en tiempo real. A medida que mejora la tecnología, es probable que los drones basados en AI desempeñen un papel aún más importante a la hora de agilizar las entregas, mejorar la seguridad y ayudar en la respuesta ante catástrofes.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para obtener más información sobre la AI de visión, y consulta nuestras opciones de licencia para poner en marcha tus proyectos de visión por ordenador. ¿Te interesan innovaciones como la AI en la fabricación o la visión por ordenador en la industria de la automoción? Visita nuestras páginas de soluciones para descubrir más.