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

Entrenar un modelo de visión artificial como Ultralytics YOLO11 suele implicar recopilar imágenes para tu conjunto de datos, anotarlas, preparar los datos y ajustar el modelo para satisfacer tus requisitos específicos. Aunque el paquete Python de Ultralytics facilita estos pasos, desarrollar sistemas de IA visual puede llevar mucho tiempo.

Esto cobra especial importancia cuando trabajas con plazos ajustados 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 artificial 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 el entrenamiento de Ultralytics YOLO11. Esta integración agiliza y simplifica la experimentación y la iteración durante el desarrollo de tus modelos de visión artificial.

En este artículo veremos cómo aprovechar la integración con Roboflow para desarrollar modelos más rápido.

¿Qué es Roboflow Universe?#

Roboflow Universe es una plataforma gestionada por Roboflow, una empresa centrada en simplificar el desarrollo de visión artificial. Incluye más de 350 millones de imágenes, 500.000 conjuntos de datos y 100.000 modelos ajustados para tareas como la detección de objetos, la segmentación y la clasificación de imágenes. Gracias a las contribuciones de desarrolladores e investigadores de todo el mundo, Roboflow Universe es un espacio colaborativo para quienes quieran poner en marcha o mejorar sus proyectos de visión artificial.

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

Roboflow Universe incluye las siguientes características principales:

• Herramientas para explorar 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 y CSV, entre 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 de los datos.
• Seguimiento de versiones: Consulta y accede a distintas versiones de los conjuntos de datos que han subido los colaboradores para seguir 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 artificial. Crear un conjunto de datos suele implicar recopilar muchas imágenes, asegurarse de que sean relevantes para tu tarea y etiquetarlas correctamente.

Este proceso puede requerir mucho tiempo y recursos, especialmente si pruebas distintos enfoques en poco tiempo. Incluso encontrar conjuntos de datos ya existentes puede resultar complicado, porque suelen estar dispersos en distintas plataformas, carecen de documentación adecuada o no incluyen las anotaciones específicas que necesitas.

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

Fig. 2. Detección de piezas de coche con Ultralytics YOLO11.

Con la integración con Roboflow, puedes explorar diversos 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 tener que crear tus propios datos desde cero.

Cómo funciona la integración con Roboflow#

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

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

En el momento de redactar este artículo, YOLO11 era la versión más reciente de los modelos Ultralytics YOLO (desde entonces ha sido sucedido por Ultralytics YOLO26) y está diseñado para ofrecer una detección de objetos más rápida y precisa. YOLO11m utiliza un 22 % menos de parámetros (los valores internos que ajusta un modelo durante el entrenamiento para realizar predicciones) que YOLOv8m y, aun así, logra una precisión media promedio (mAP) superior 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 artificial, especialmente al entrenar modelos de forma personalizada para tareas específicas.

Veamos más de cerca cómo funciona el entrenamiento personalizado de Ultralytics YOLO11:

• Entrada 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 predice los objetos que aparecen en las imágenes y compara sus predicciones con las respuestas correctas proporcionadas en el conjunto de datos.
• Seguimiento del rendimiento: Se supervisan métricas como la precisión (cuántas detecciones son correctas), la exhaustividad (cuántos objetos reales se encuentran) 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, se guarda el modelo optimizado, listo para desplegarlo.

Otras integraciones centradas en el desarrollo de visión artificial#

Al explorar la integración con Roboflow, encontrarás otras integraciones mencionadas en la documentación de Ultralytics. Ofrecemos diversas integraciones relacionadas con distintas etapas del desarrollo de sistemas de visión artificial.

Así ofrecemos a nuestra comunidad diversas opciones para que puedas elegir la que mejor se adapte a tu flujo de trabajo.

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 artificial, como el entrenamiento, la implementación y la optimización. Estos son algunos ejemplos de otras integraciones compatibles:

• Integraciones de entrenamiento: Integraciones como Amazon SageMaker y Paperspace Gradient agilizan los flujos de trabajo de entrenamiento al ofrecer plataformas 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 los flujos de trabajo, hacer un seguimiento de los experimentos y mejorar la colaboración, lo que facilita la gestión de proyectos de machine learning.
• Integraciones de optimización y despliegue: CoreML, ONNX y OpenVINO permiten optimizar el despliegue en distintos dispositivos y frameworks, y garantizan 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, con información detallada para perfeccionar los modelos.

Aplicaciones de Ultralytics YOLO11 y papel de las integraciones#

Las integraciones que facilitan el desarrollo de visión artificial, combinadas con las fiables capacidades de Ultralytics YOLO11, ayudan a resolver los retos del mundo real. Piensa en innovaciones como la visión artificial en la fabricación, donde se usa la IA visual para detectar defectos en una línea de producción, como arañazos en piezas metálicas o componentes que faltan. 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. Hay que tomar muchas imágenes, a menudo con una iluminación y unos ángulos uniformes, para garantizar la claridad y la uniformidad.

Una vez capturadas, las imágenes deben anotarse meticulosamente con etiquetas precisas para cada tipo de defecto, como arañazos, abolladuras o componentes que faltan. 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. Hay que tener en cuenta factores como los distintos tamaños, formas y materiales de los defectos para crear un conjunto de datos sólido y fiable.

Las integraciones que ofrecen conjuntos de datos listos para usar 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 durante su 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 de fácil acceso, 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 lleva al crear un modelo de visión artificial. Sin embargo, la integración de Roboflow facilita encontrar el mejor conjunto de datos para entrenar tus modelos Ultralytics YOLO personalizados, aunque acabes de empezar en el campo de la visión artificial.

Roboflow Universe ofrece acceso a una amplia colección de conjuntos de datos para tareas de visión artificial como la detección de objetos, la clasificación de imágenes y la segmentación de instancias, y facilita la búsqueda 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 ayuda a los desarrolladores a crear prototipos, iterar y desarrollar soluciones de visión artificial de forma más eficiente.

Para obtener más información, visita nuestro repositorio de GitHub y participa en nuestra comunidad. Descubre innovaciones en ámbitos como la IA en los coches autónomos y la visión artificial en la agricultura en nuestras páginas de soluciones.