Entrenamiento personalizado de Ultralytics YOLO11 para la estimación de la postura de perros

¿Y si la postura de tu perro pudiera darte pistas sobre cómo se siente? Vigilarle las veinticuatro horas del día de forma manual no es tarea fácil. Sin embargo, gracias a los avances en inteligencia artificial (IA) y computer vision, podemos analizar grabaciones de vídeo en tiempo real para comprender mejor su comportamiento.

En concreto, los modelos de computer vision como Ultralytics YOLO11 pueden ayudar a estimar la postura de un perro y rastrear su movimiento, aportando información muy valiosa sobre su bienestar. ¿Cómo funciona esto? La capacidad de estimación de poses de YOLO11 permite identificar puntos clave en el cuerpo de un sujeto para entender su postura y movimiento.

Además, se puede entrenar a medida a YOLO11 con un conjunto de datos diseñado para la estimación de poses de perros, lo que hace posible analizar con precisión el lenguaje corporal de tu mascota. El paquete de Python de Ultralytics incluye compatibilidad con un Dog-Pose Dataset que facilita el entrenamiento y la implementación de modelos de visión artificial para perros. Esta tecnología forma parte del floreciente pet tech market, valorado en 9400 millones de dólares en 2024 y con una previsión de alcanzar los 64 000 millones para 2037.

La inspiración detrás de este artículo es Blues, nuestro director ejecutivo canino (DEO, por sus siglas en inglés). Si echas un vistazo a nuestra página About Us, verás que Blues es un miembro muy querido del equipo y desempeña un papel fundamental para mantener un ambiente divertido en Ultralytics.

En este artículo, hablaremos sobre cómo entrenar de forma personalizada Ultralytics YOLO11 utilizando el Dog-Pose Dataset para la estimación de postura de perros. También exploraremos sus aplicaciones prácticas en el cuidado de mascotas y el análisis de comportamiento.

Fig 1. Conoce a Blues, el Director Ejecutivo Canino (DEO) en Ultralytics.

Una visión general del conjunto de datos de poses caninas#

Un dataset es un conjunto de datos que se utiliza para entrenar modelos de aprendizaje automático. Para la pose estimation, un conjunto de datos ideal incluye imágenes con puntos clave etiquetados para mapear las posiciones corporales. También debe contar con una gran variedad de posturas, ángulos, condiciones de iluminación y fondos para ayudar al modelo a aprender a reconocer y predecir posturas con precisión. Esta diversidad hace que el modelo sea más fiable para su uso en el mundo real.

El conjunto de datos de poses caninas, respaldado por Ultralytics, está diseñado específicamente para ayudar a los modelos a aprender y reconocer poses de perros de forma efectiva. Incluye más de 8400 imágenes anotadas de varias razas de perros, con etiquetas detalladas para 24 puntos clave, como la cola, las orejas y las patas.

Fig 2. Una visión general del Dog-Pose Dataset.

Cómo entrenar a medida Ultralytics YOLO11 con el Dog-Pose Dataset#

Entrenar a medida YOLO11 con el Dog-Pose Dataset es un proceso sencillo. Para empezar, debes configurar tu entorno instalando el Ultralytics Python package, que incluye todas las herramientas necesarias para el entrenamiento y la evaluación.

Ultralytics cuenta con soporte integrado para el conjunto de datos de poses caninas, lo que elimina la necesidad de etiquetado manual, permitiéndote pasar directamente al entrenamiento. Una vez configurado todo, puedes entrenar YOLO11 con este conjunto de datos usando solo unas pocas líneas de código, como se muestra en la imagen a continuación.

Durante el entrenamiento, el modelo aprende a detectar y seguir poses caninas en diferentes razas, condiciones de iluminación y entornos. Tras el entrenamiento, puedes visualizar los resultados y ajustar el modelo para mejorar la precisión y el rendimiento.

Fig 3. Un fragmento de código que muestra el entrenamiento a medida de Ultralytics YOLO11 en el Dog-Pose Dataset.

Si tienes algún problema durante el entrenamiento de tu modelo, aquí tienes algunos consejos de solución de problemas para ayudarte a resolverlos rápidamente:

• Comprueba tu conexión a internet: El conjunto de datos de poses caninas se descarga automáticamente cuando ejecutas el script de entrenamiento. Asegúrate de tener una conexión a internet estable para evitar errores en la descarga.
• Actualiza Ultralytics: Asegúrate de utilizar la última versión del paquete de Python de Ultralytics.
• Busca errores en la consola: Lee detenidamente cualquier mensaje de error, ya que suelen proporcionar pistas sobre lo que debe corregirse.

Puedes consultar la Ultralytics Common Issues Guide para obtener más consejos de resolución de problemas.

¿Qué ocurre durante el entrenamiento personalizado del modelo?#

Puede que te preguntes qué ocurre entre bastidores cuando entrenas de forma personalizada Ultralytics YOLO11 con el Dog-Pose Dataset. Echemos un vistazo más de cerca al proceso.

En lugar de empezar desde cero, utilizamos un modelo Ultralytics YOLO11-pose preentrenado, que ya ha sido entrenado en el COCO-Pose dataset. Este modelo preentrenado puede detectar puntos clave humanos, ya que COCO-Pose está diseñado para la estimación de poses humanas. De hecho, sin ningún entrenamiento adicional, puedes utilizar YOLO11-Pose para realizar la estimación de poses humanas directamente.

Mediante el aprendizaje por transferencia, adaptamos este modelo específicamente para la estimación de la postura canina, ayudándole a reconocer puntos clave como las patas, la cola y la cabeza. Al exponer el modelo a ejemplos específicos de perros, este aprende a centrarse en estas características esenciales.

Durante el entrenamiento, algunas partes del modelo permanecen sin cambios, manteniendo el conocimiento general obtenido del conjunto de datos COCO. Otras partes se reentrenan para mejorar la precisión en la estimación de poses caninas. El modelo aprende comparando sus predicciones con los puntos clave reales en el conjunto de datos y ajustándose para reducir los errores. Con el tiempo, este proceso lo hace mejor a la hora de seguir los movimientos de un perro con precisión.

El transfer learning también permite que el modelo se adapte a diferentes razas, tamaños y patrones de movimiento, lo que garantiza un rendimiento fiable en escenarios del mundo real.

Fig 4. Puntos clave de Blues y su hermana Happy siendo detectados.

Las ventajas de Ultralytics YOLO11 en la estimación de postura de perros#

Existen varios computer vision models en el mercado, así que ¿qué hace que YOLO11 sea la opción adecuada para la estimación de poses en perros?

Ultralytics YOLO11 destaca por su velocidad y precisión en tiempo real, lo que lo convierte en una excelente opción para la estimación de poses de perros. Funciona mejor que las versiones anteriores tanto en precisión como en velocidad. Con un 22 % menos de parámetros que YOLOv8, alcanza una mayor mAP en el conjunto de datos COCO, lo que significa que detecta objetos con mayor precisión y eficiencia. Su alta velocidad de procesamiento lo hace perfecto para aplicaciones en tiempo real, donde una detección rápida y fiable es fundamental.

Más allá de la estimación de postura, Ultralytics YOLO11 también admite tareas de visión artificial como la segmentación de instancias y el seguimiento de objetos, lo que puede ayudar a crear una solución de IA de visión más completa para supervisar a tu perro. Estas características pueden mejorar el seguimiento de movimientos, el análisis de comportamiento y el cuidado general de la mascota.

Fig 5. Ultralytics YOLO11 en acción: ¡segmentando a Blues sin esfuerzo!

Aplicaciones de la estimación de postura de perros y Ultralytics YOLO11#

A continuación, vamos a hablar de las aplicaciones en el mundo real de la estimación de la postura canina y su impacto en el cuidado de mascotas.

Mejora del entrenamiento de mascotas con la estimación de la postura canina#

La estimación de postura de perros puede hacer que el entrenamiento canino sea más inteligente y eficaz. Supongamos que se utiliza una cámara para capturar los movimientos del perro; aquí es donde Ultralytics YOLO11 puede entrar en acción. Puede detectar puntos clave como las patas, la cola y la cabeza, analizándolos para reconocer acciones como sentarse, quedarse quieto o tumbarse.

Si el perro no realiza la acción correctamente, el sistema puede proporcionar información instantánea a través de una aplicación, ayudando al entrenador en tiempo real. Esto hace que el entrenamiento sea más eficiente, preciso y receptivo al progreso del perro.

Por ejemplo, considera enseñarle a tu perro a sentarse a la orden. El sistema puede supervisar la postura de tu perro y detectar si está completamente sentado. Si el perro baja el cuerpo pero no termina de sentarse, el sistema puede detectar la acción incompleta y enviar una respuesta instantánea a través de una aplicación. Se puede alertar al entrenador para que haga pequeños ajustes en el entrenamiento, como reforzar la orden o guiar al perro hacia la posición correcta.

Fig 6. Blues ayudando al equipo con la estimación de postura de perros utilizando Ultralytics YOLO11

Avances en la atención veterinaria con modelos de estimación de poses#

La visión artificial puede transformar la forma en que los veterinarios abordan el cuidado de los animales. La capacidad de la estimación de la postura canina para analizar los detalles con precisión facilita la detección de patrones de movimiento inusuales y la identificación de posibles problemas de salud.

Por ejemplo, un veterinario que supervise a un perro en recuperación de una lesión de ligamentos puede confiar en Ultralytics YOLO11, entrenado con el Dog-Pose Dataset, para un análisis automatizado. La cojera o los cambios en la posición de las patas se pueden detectar fácilmente. La supervisión continua y permanente 24/7 habilitada por visión proporciona información clara sobre la recuperación del perro, ayudando a determinar si el tratamiento está funcionando o si se necesitan ajustes.

El futuro de la estimación de la postura canina#

A medida que la tecnología sigue evolucionando, soluciones como la estimación de poses de perros con YOLO11 probablemente desempeñarán un papel más importante en el animal monitoring y el bienestar. De hecho, YOLO11 se puede integrar con tecnología ponible, como collares inteligentes y monitores de salud, para vigilar indicadores clave de salud como la frecuencia cardíaca, los niveles de actividad y los patrones de movilidad.

Por ejemplo, un collar inteligente equipado con sensores de movimiento puede rastrear la marcha al caminar o correr de un perro, mientras que la estimación de postura de Ultralytics YOLO11 analiza la postura en tiempo real. Si el sistema detecta un movimiento irregular, como cojera o rigidez, puede correlacionar estos datos con la frecuencia cardíaca y los niveles de actividad para evaluar posibles molestias o lesiones. Los dueños de mascotas y los veterinarios utilizan estos datos para identificar problemas de manera temprana y tomar medidas proactivas.

Con estos avances, la estimación de la postura canina está evolucionando más allá del simple seguimiento de movimientos: se está convirtiendo en una parte clave de un sistema integral de cuidado de mascotas basado en IA, ayudando a los perros a estar más sanos, más seguros y mejor supervisados en tiempo real.

Conclusiones clave#

Con innovaciones como Ultralytics YOLO11 y el Dog-Pose Dataset, estamos abriendo nuevas posibilidades en la visión artificial. Estos avances nos ayudan a comprender mejor el comportamiento y la salud de los perros de formas que antes no eran posibles.

Al seguir con precisión las poses de los perros, podemos mejorar el entrenamiento, supervisar la salud y hacer que el cuidado de las mascotas sea más eficaz. Ya sea en investigación, atención veterinaria o entrenamiento canino, la visión IA está creando formas más inteligentes de cuidar a nuestros perros y mejorar su bienestar.

Únete a our community y explora our GitHub repository para saber más sobre la IA. Descubre cómo innovaciones como computer vision in healthcare y AI in self-driving cars están dando forma al futuro. Echa un vistazo a nuestras licensing options para empezar hoy mismo tus proyectos de visión artificial.