Crea aplicaciones de drones impulsadas por IA con Ultralytics YOLO11

Comprar en una tienda física y comprar por internet pueden parecer actividades similares, pero dependen de logísticas distintas. Las tiendas necesitan reponer las estanterías, mientras que los pedidos en línea dependen de entregas a domicilio. Gracias a los avances tecnológicos, ambas experiencias de compra están evolucionando en paralelo.

Por ejemplo, se está produciendo un cambio importante en el reparto. Los drones con IA están cambiando la forma en que llegan los productos 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 reparto del comercio cotidiano.

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

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

Empresas como Meituan y DJI ya están integrando la visión artificial en sus drones. De hecho, la rápida adopción de drones en diversos sectores ha impulsado el mercado de los drones con IA, que alcanzará los 206.900 millones de dólares en 2031.

En este artículo, analizaremos cómo se pueden utilizar modelos de visión artificial como Ultralytics YOLO11 en aplicaciones con drones, como el reparto. Veremos un ejemplo que muestra cómo desarrollar y probar estas tecnologías antes de utilizarlas en situaciones reales.

Uso de Ultralytics YOLO11 en drones para detectar casas#

Una función clave 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 artificial capaz de identificar casas en imágenes grabadas por un dron aéreo. Para ello, entrenaremos Ultralytics YOLO11 con datos personalizados, lo que implica ajustar un modelo YOLO11 preentrenado para que reconozca y detecte casas a partir de ejemplos etiquetados.

Para ello, necesitaremos vídeos de alta calidad grabados con un dron. Curiosamente, aunque no tengamos acceso a un dron real, podemos generar imágenes aéreas realistas. Veamos cómo.

Creación de una toma aérea artificial con Google Earth Studio#

Google Earth Studio es una herramienta de animación basada en la web que permite crear contenido estático y animado a partir de las imágenes satelitales 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 el vídeo de dron artificial. Usa la barra de búsqueda de la esquina superior izquierda de la página para buscar ubicaciones. En este tutorial, elegiremos Canadá. Además, como vamos a entrenar un modelo para detectar casas, el vídeo del dron debe mostrar casas desde el aire.

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

A continuación, podemos establecer los fotogramas inicial y final para capturar el movimiento de la toma aérea artificial. Cuando hayas elegido la ubicación inicial de la toma, establece el primer fotograma con los rombos azules, como se muestra a continuación.

Fig. 4. Establecimiento 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 en 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. Vuelve a usar los rombos azules para establecer el punto final.

Fig. 5. Establecimiento del último fotograma moviendo la barra.

Por último, puedes guardar y renderizar este proyecto 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 imágenes de dron artificiales.

Fig. 6. Renderizado del vídeo final.

¿Cómo etiquetar los datos del dron?#

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

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

Tras la instalación, puedes ejecutar la herramienta con el comando «labelImg» desde el terminal o el símbolo del sistema. Se abrirá la página que se muestra a continuación.

Fig. 7. Interfaz de la herramienta LabelImg.

Mientras tanto, podemos usar un conversor de vídeo a imagen en línea 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 usar el siguiente comando del terminal para separar todos los fotogramas del vídeo grabado con el dron:

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

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

Fig. 8. Ejemplo de cómo guardar imágenes anotadas.

Flujo de trabajo para entrenar el modelo Ultralytics YOLO11#

Antes de empezar a entrenar Ultralytics YOLO11, organizaremos las imágenes y las etiquetas. Empieza creando dos carpetas: una llamada "train" y otra llamada "valid". Reparte las imágenes entre estas carpetas. Dentro de cada una, crea subcarpetas separadas 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 manera:

• Paso 1: Instala el paquete Python de Ultralytics. Para ello, ejecuta el comando «pip install ultralytics» en el terminal. Si tienes problemas durante la instalación, consulta nuestra guía de solución de problemas, donde encontrarás consejos y trucos para resolverlos.
• Paso 2: Una vez instalado el paquete, crea un archivo llamado «data.yaml». Este archivo de configuración es fundamental para entrenar el modelo. Incluye en el archivo data.yaml 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 con los nombres de las 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 con el siguiente código Python. Este código carga el modelo Ultralytics YOLO11 preentrenado y lo entrena según tus configuraciones.

from ultralytics import YOLO

# Cargar un modelo YOLO11
model = YOLO("yolo11n.pt")  # elegir el modelo, p. ej., YOLO11 nano

# Entrenar el modelo con tus datos y ajustes
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 con drones.

Fig. 11. Resultado que se muestra tras entrenar el modelo.

Ejecución de predicciones con Ultralytics YOLO11 en drones#

Ahora puedes usar el modelo Ultralytics YOLO11 entrenado para hacer predicciones mediante un proceso llamado inferencia. La inferencia consiste en usar un modelo para analizar datos nuevos que no haya visto antes, a partir de lo aprendido durante el entrenamiento. En este caso, el modelo puede encontrar y etiquetar objetos concretos, como casas, en imágenes o vídeos dibujando recuadros delimitadores a su alrededor.

Para ejecutar una predicción, puedes usar el modelo Ultralytics YOLO11 entrenado en un vídeo de entrada con el siguiente código Python. En este ejemplo, usaremos el mismo vídeo de dron artificial que se utilizó para el entrenamiento, pero, si lo prefieres, puedes usar cualquier otro archivo de vídeo.

# Importar la biblioteca
from ultralytics import YOLO

# Cargar el modelo YOLO
model = YOLO("best.pt")  # Elegir el modelo entrenado con tus propios datos

# Predecir los resultados del modelo
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

Al ejecutar este código, se guardará el archivo de vídeo de salida con las predicciones y los recuadros 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 artificial y Ultralytics YOLO11. Estos son otros usos de la visión artificial, YOLO11 y los drones aéreos en el mundo real:

• Vigilancia y seguridad: Los drones con IA pueden utilizarse para supervisar grandes áreas en tiempo real. Pueden detectar intrusiones y actividades sospechosas, así como 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 artificial pueden utilizarse para analizar el estado de los cultivos y detectar enfermedades, lo que ayuda 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 IA pueden ayudar en la planificación urbana y los levantamientos topográficos. Ofrecen evaluaciones del terreno más rápidas y precisas que los métodos tradicionales.

Conclusiones clave#

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

Aplicar la detección de objetos a las grabaciones de drones los hace más inteligentes y les permite reconocer y seguir objetos automáticamente en tiempo real. A medida que avance la tecnología, es probable que los drones impulsados por IA 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 IA de visión; consulta también nuestras opciones de licencia para poner en marcha tus proyectos de visión artificial. ¿Te interesan innovaciones como la IA en la fabricación o la visión artificial en el sector de la automoción? Visita nuestras páginas de soluciones para descubrir más.