Entrenamiento personalizado de Ultralytics YOLO11 con conjuntos de datos de visión artificial

Entrenar un modelo de visión por ordenador como Ultralytics YOLO11 suele implicar recopilar imágenes para tu conjunto de datos, anotarlas, preparar los datos y ajustar el modelo para que cumpla tus requisitos específicos. Aunque el paquete de Python de Ultralytics hace que estos pasos sean sencillos y fáciles de usar, el desarrollo de IA de visión puede seguir requiriendo mucho tiempo.

Esto resulta especialmente cierto cuando trabajas con un plazo ajustado o desarrollas un prototipo. En estas situaciones, disponer de herramientas o integraciones que simplifiquen partes del proceso, como agilizar la preparación de conjuntos de datos o automatizar tareas repetitivas, puede marcar una gran diferencia. Al reducir el tiempo y el esfuerzo necesarios, estas soluciones te ayudan a centrarte en crear y perfeccionar tu modelo. Eso es precisamente lo que ofrece la integración con Roboflow.

La integración con Roboflow te permite acceder fácilmente a conjuntos de datos de Roboflow Universe, una amplia biblioteca de conjuntos de datos de visión por ordenador de código abierto. En lugar de dedicar horas a recopilar y organizar datos, puedes encontrar y utilizar rápidamente conjuntos de datos existentes para poner en marcha tu proceso de entrenamiento de Ultralytics YOLO11. Esta integración hace que experimentar e iterar durante el desarrollo de tu modelo de visión por ordenador sea mucho más rápido y sencillo.

En este artículo, veremos cómo puedes aprovechar la integración con Roboflow para acelerar el desarrollo de modelos. ¡Empecemos!

¿Qué es Roboflow Universe?#

Roboflow Universe es una plataforma mantenida por Roboflow, una empresa centrada en simplificar el desarrollo de la visión por ordenador. Consta de más de 350 millones de imágenes, 500.000 conjuntos de datos y 100.000 modelos ajustados para tareas como la detección de objetos, la clasificación de imágenes y la segmentación. Con aportaciones de desarrolladores e investigadores de todo el mundo, Roboflow Universe es un centro colaborativo para cualquiera que quiera poner en marcha o mejorar sus proyectos de visión por ordenador.

Fig. 1. Ejemplos de conjuntos de datos de detección de objetos en Roboflow Universe.

Roboflow Universe incluye las siguientes funciones principales:

• Herramientas de exploración de conjuntos de datos: Explora, filtra y visualiza conjuntos de datos para encontrar rápidamente los recursos que se ajusten a los requisitos de tu proyecto.
• Opciones de exportación: Exporta datos en formatos como COCO, YOLO, TFRecord, CSV y otros para adaptarlos a tu flujo de trabajo.
• Análisis de conjuntos de datos: Obtén información sobre distintos conjuntos de datos con herramientas de análisis que ofrecen visualizaciones de la distribución de etiquetas, los desequilibrios entre clases y la calidad del conjunto de datos.
• Seguimiento de versiones: Consulta y accede a distintas versiones de los conjuntos de datos que hayan subido los colaboradores, lo que te permite realizar un seguimiento de las actualizaciones, comparar cambios y elegir la versión que mejor se adapte a las necesidades de tu proyecto.

La integración con Roboflow te ayuda a encontrar los datos adecuados#

Encontrar el conjunto de datos adecuado suele ser una de las partes más difíciles de crear un modelo de visión por ordenador. Crear un conjunto de datos normalmente implica recopilar grandes cantidades de imágenes, asegurarte de que sean relevantes para tu tarea y etiquetarlas con precisión.

Este proceso puede consumir mucho tiempo y recursos, especialmente si estás probando distintos enfoques en un periodo breve. Incluso encontrar conjuntos de datos ya existentes puede resultar complicado, ya que a menudo están dispersos entre distintas plataformas, no están bien documentados o carecen de las anotaciones específicas que necesitas.

Por ejemplo, si estás creando una aplicación de visión por ordenador para detectar malas hierbas en campos agrícolas, quizá quieras probar distintos enfoques de IA de visión, como la detección de objetos frente a la segmentación de instancias. Esto te permite experimentar y averiguar qué método funciona mejor antes de invertir tiempo y esfuerzo en recopilar y etiquetar tu propio conjunto de datos.

Fig. 2. Detección de piezas de automóviles mediante Ultralytics YOLO11.

Con la integración con Roboflow, puedes explorar una gran variedad de conjuntos de datos relacionados con la agricultura, incluidos los centrados en la detección de malas hierbas, la salud de los cultivos o la supervisión de campos. Estos conjuntos de datos listos para usar te permiten probar distintas técnicas y perfeccionar tu modelo sin el esfuerzo inicial de crear tus propios datos.

Cómo funciona la integración con Roboflow#

Ahora que hemos explicado cómo puedes utilizar la integración con Roboflow para encontrar los conjuntos de datos adecuados, veamos cómo encaja en tu flujo de trabajo. Una vez que hayas elegido un conjunto de datos de Roboflow Universe, puedes exportarlo o descargarlo en el formato YOLO11. Después de exportar el conjunto de datos, puedes utilizarlo para entrenar YOLO11 de forma personalizada mediante el paquete de Python de Ultralytics.

Al descargar tu conjunto de datos, quizá observes que Roboflow Universe también admite otros formatos para entrenar distintos modelos. Entonces, ¿por qué deberías elegir entrenar Ultralytics YOLO11 de forma personalizada?

YOLO11 es la versión más reciente de los modelos YOLO de Ultralytics y está diseñado para ofrecer una detección de objetos más rápida y precisa. Utiliza un 22 % menos de parámetros (los valores internos que un modelo ajusta durante el entrenamiento para realizar predicciones) que YOLOv8m, pero consigue una mayor precisión media promedio (mAP) en el conjunto de datos COCO. Este equilibrio entre velocidad y precisión convierte a YOLO11 en una opción versátil para una amplia variedad de aplicaciones de visión por ordenador, especialmente al entrenar modelos de forma personalizada para adaptarlos a tareas específicas.

A continuación, te explicamos con más detalle cómo funciona el entrenamiento personalizado de Ultralytics YOLO11:

• Procesamiento de datos: El modelo Ultralytics YOLO11 procesa tu conjunto de datos y aprende a detectar y clasificar objetos a partir de las imágenes y sus anotaciones.
• Predicción y retroalimentación: El modelo realiza predicciones sobre los objetos de las imágenes y las compara con las respuestas correctas proporcionadas en el conjunto de datos.
• Seguimiento del rendimiento: Se supervisan métricas como la precisión (detecciones correctas), la exhaustividad (detecciones omitidas) y la pérdida (errores de predicción) para evaluar el progreso.
• Aprendizaje iterativo: El modelo ajusta sus parámetros durante varias rondas (épocas) para mejorar la precisión de la detección y minimizar los errores.
• Resultado final del modelo: Tras el entrenamiento, el modelo optimizado se guarda y queda listo para su implementación.

Otras integraciones centradas en el desarrollo de la visión por ordenador#

Mientras exploras la integración con Roboflow, observarás que en la documentación de Ultralytics se mencionan otras integraciones. Admitimos diversas integraciones relacionadas con distintas fases del desarrollo de la visión por ordenador.

El objetivo es ofrecer a nuestra comunidad distintas opciones para que puedas elegir la que mejor funcione con tu flujo de trabajo específico.

Fig. 3. Descripción general de las integraciones compatibles con Ultralytics.

Además de los conjuntos de datos, otras integraciones compatibles con Ultralytics se centran en distintas partes del proceso de visión por ordenador, como el entrenamiento, la implementación y la optimización. Estos son algunos ejemplos de otras integraciones que admitimos:

• Integraciones de entrenamiento: Integraciones como Amazon SageMaker y Paperspace Gradient agilizan los flujos de trabajo de entrenamiento al ofrecer plataformas basadas en la nube para desarrollar y probar modelos de forma eficiente.
• Integraciones de seguimiento de flujos de trabajo y experimentos: ClearML, MLflow y Weights & Biases (W&B) ayudan a automatizar flujos de trabajo, realizar un seguimiento de experimentos y mejorar la colaboración, lo que facilita la gestión de proyectos de machine learning.
• Integraciones de optimización e implementación: CoreML, ONNX y OpenVINO permiten una implementación optimizada en distintos dispositivos y frameworks, garantizando un rendimiento eficiente en plataformas como el hardware de Apple y las CPU de Intel.
• Integraciones de supervisión y visualización: TensorBoard y Weights & Biases ofrecen herramientas para visualizar el progreso del entrenamiento y supervisar el rendimiento, proporcionando información detallada para perfeccionar los modelos.

Aplicaciones de Ultralytics YOLO11 y el papel de las integraciones#

Las integraciones que permiten desarrollar soluciones de visión por ordenador, combinadas con las fiables capacidades de Ultralytics YOLO11, facilitan la resolución de problemas del mundo real. Piensa en innovaciones como la visión por ordenador en la fabricación, donde la IA de visión se utiliza para detectar defectos en una línea de producción, como arañazos en piezas metálicas o componentes ausentes. Recopilar los datos adecuados para estas tareas puede ser lento y complicado, ya que a menudo requiere acceso a entornos especializados.

Normalmente, esto implica instalar cámaras o sensores a lo largo de las líneas de producción para capturar imágenes de los productos. Estas imágenes deben tomarse en grandes cantidades, a menudo con una iluminación y unos ángulos uniformes, para garantizar su claridad y homogeneidad.

Una vez capturadas, las imágenes deben anotarse meticulosamente con etiquetas precisas para cada tipo de defecto, como arañazos, abolladuras o componentes ausentes. Este proceso requiere mucho tiempo y recursos, además de conocimientos especializados, para garantizar que el conjunto de datos refleje con precisión la variabilidad del mundo real. Para crear un conjunto de datos sólido y fiable, hay que tener en cuenta factores como los distintos tamaños, formas y materiales de los defectos.

Las integraciones que proporcionan conjuntos de datos ya preparados facilitan tareas como el control de calidad industrial y, gracias a las capacidades de detección en tiempo real de Ultralytics YOLO11, los fabricantes pueden supervisar las líneas de producción, detectar defectos al instante y mejorar la eficiencia.

Fig. 4. Ejemplo del uso de Ultralytics YOLO11 para detectar y contar latas en proceso de fabricación.

Más allá de la fabricación, las integraciones relacionadas con conjuntos de datos pueden utilizarse en muchos otros sectores. Al combinar la velocidad y precisión de Ultralytics YOLO11 con conjuntos de datos fácilmente accesibles, las empresas pueden desarrollar e implementar rápidamente soluciones adaptadas a sus necesidades específicas. Por ejemplo, en el sector sanitario, las integraciones de conjuntos de datos pueden ayudar a desarrollar soluciones para analizar imágenes médicas y detectar anomalías como tumores. Del mismo modo, en la conducción autónoma, estas integraciones pueden ayudar a identificar vehículos, peatones y señales de tráfico para mejorar la seguridad.

Conclusiones clave#

Encontrar el conjunto de datos adecuado suele ser una de las partes que más tiempo consume al crear un modelo de visión por ordenador. Sin embargo, la integración con Roboflow facilita la búsqueda del mejor conjunto de datos para entrenar tus modelos YOLO de Ultralytics de forma personalizada, incluso si eres nuevo en la visión por ordenador.

Con acceso a una amplia colección de conjuntos de datos para tareas de visión por ordenador como la detección de objetos, la clasificación de imágenes o la segmentación de instancias, Roboflow Universe elimina las complicaciones del proceso de descubrimiento de datos. Te ayuda a empezar rápidamente y a centrarte en crear tu modelo en lugar de dedicar tiempo a recopilar y organizar datos. Este enfoque optimizado permite a los desarrolladores crear prototipos, iterar y desarrollar soluciones de visión por ordenador de forma más eficiente.

Para obtener más información, visita nuestro repositorio de GitHub y participa en nuestra comunidad. Explora innovaciones en áreas como la IA en los vehículos autónomos y la visión por ordenador en la agricultura en nuestras páginas de soluciones. 🚀