Entrenamiento personalizado de Ultralytics YOLO11 con datasets 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 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 visión artificial puede seguir consumiendo mucho tiempo.

Esto es especialmente cierto cuando trabajas con un plazo ajustado o estás desarrollando un prototipo. En estas situaciones, contar con 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 construir y refinar tu modelo. Eso es exactamente lo que ofrece la integración con Roboflow.

La integración con Roboflow te permite acceder fácilmente a conjuntos de datos de Roboflow Universe, una gran biblioteca de conjuntos de datos de visión artificial de código abierto. En lugar de pasar horas recopilando y organizando datos, puedes encontrar y utilizar rápidamente conjuntos de datos existentes para poner en marcha tu proceso de entrenamiento de YOLO11. Esta integración hace que sea mucho más rápido y sencillo experimentar e iterar en el desarrollo de tu modelo de visión artificial.

En este artículo, profundizaremos en cómo puedes aprovechar la integración con Roboflow para un desarrollo de modelos más rápido. ¡Empecemos!

Link to this section¿Qué es Roboflow Universe?#

Roboflow Universe es una plataforma mantenida por Roboflow, una empresa centrada en simplificar el desarrollo de la visión artificial. Consiste en más de 350 millones de imágenes, 500,000 conjuntos de datos y 100,000 modelos ajustados para tareas como detección de objetos, clasificación de imágenes y segmentación. Con las contribuciones de desarrolladores e investigadores de todo el mundo, Roboflow Universe es un centro colaborativo para cualquiera que busque iniciar 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 clave:

• Herramientas de exploración de conjuntos de datos: Explora, filtra y visualiza conjuntos de datos para encontrar rápidamente los recursos que se alinean con los requisitos de tu proyecto.
• Opciones de exportación: Exporta datos en formatos como COCO, YOLO, TFRecord, CSV y más para adaptarlos a tu flujo de trabajo.
• Análisis de conjuntos de datos: Obtén información sobre diversos conjuntos de datos con herramientas de análisis que proporcionan visualizaciones de distribuciones de etiquetas, desequilibrios de clase y calidad del conjunto de datos.
• Seguimiento de versiones: Visualiza y accede a diferentes versiones de los conjuntos de datos subidos por 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.

Link to this sectionLa integración con Roboflow te ayuda a encontrar los datos correctos#

Encontrar el conjunto de datos adecuado suele ser una de las partes más desafiantes de la construcción de un modelo de visión artificial. Crear un conjunto de datos generalmente implica reunir grandes cantidades de imágenes, asegurarse de que sean relevantes para tu tarea y luego etiquetarlas con precisión.

Este proceso puede consumir mucho tiempo y recursos, especialmente si estás experimentando con diferentes enfoques en un corto período. Incluso encontrar conjuntos de datos preexistentes puede ser complicado, ya que a menudo están dispersos por varias plataformas, no están documentados correctamente o carecen de las anotaciones específicas que necesitas.

Por ejemplo, si estás construyendo una aplicación de visión artificial para detectar malas hierbas en campos agrícolas, podrías querer probar diferentes enfoques de IA visual, como la detección de objetos frente a la segmentación de instancias. Esto te permite 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 automóviles usando YOLO11.

Usando la integración con Roboflow, puedes explorar una 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 monitorización de campos. Estos conjuntos de datos listos para usar te permiten probar diferentes técnicas y refinar tu modelo sin el esfuerzo inicial de crear tus propios datos.

Link to this sectionCómo funciona la integración con Roboflow#

Ahora que hemos discutido cómo puedes usar 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 tu conjunto de datos, puedes usarlo para entrenar de forma personalizada YOLO11 usando el paquete de Python de Ultralytics.

Mientras descargas tu conjunto de datos, es posible que observes que Roboflow Universe también admite otros formatos para entrenar diferentes modelos. Entonces, ¿por qué deberías elegir entrenar de forma personalizada Ultralytics YOLO11?

YOLO11 es la última versión de los modelos Ultralytics YOLO y está construido 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 hacer predicciones) que YOLOv8m, pero logra una precisión media media (mAP) más alta en el conjunto de datos COCO. Este equilibrio de velocidad y precisión hace que YOLO11 sea una opción versátil para una amplia gama de aplicaciones de visión artificial, especialmente al entrenar modelos personalizados para tareas específicas.

Aquí tienes un vistazo más de cerca a cómo funciona el entrenamiento personalizado de YOLO11:

• Alimentación de datos: El modelo YOLO11 procesa tu conjunto de datos, aprendiendo a detectar y clasificar objetos a partir de las imágenes y sus anotaciones.
• Predicción y retroalimentación: El modelo hace predicciones sobre los objetos en las imágenes y las compara con las respuestas correctas proporcionadas en el conjunto de datos.
• Seguimiento del rendimiento: Métricas como la precisión (detecciones correctas), la exhaustividad (detecciones omitidas) y la pérdida (errores de predicción) se monitorizan para medir el progreso.
• Aprendizaje iterativo: El modelo ajusta sus parámetros a lo largo de 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.

Link to this sectionOtras integraciones centradas en el desarrollo de la visión artificial#

A medida que explores la integración con Roboflow, notarás otras integraciones mencionadas en la documentación de Ultralytics. Admitimos una variedad de integraciones relacionadas con varias etapas del desarrollo de la visión artificial.

Esto es para proporcionar a nuestra comunidad una gama de opciones, de modo que puedas elegir lo que mejor funcione para tu flujo de trabajo específico.

Fig 3. Una descripción general de las integraciones compatibles con Ultralytics.

Además de los conjuntos de datos, otras integraciones compatibles con Ultralytics se centran en varias partes del proceso de visión artificial, como el entrenamiento, la implementación y la optimización. Aquí hay 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 el desarrollo y las pruebas eficientes de modelos.
• Integraciones de flujo de trabajo y seguimiento de experimentos: ClearML, MLflow y Weights & Biases (W&B) ayudan a automatizar los flujos de trabajo, realizar un seguimiento de los experimentos y mejorar la colaboración, lo que facilita la gestión de proyectos de aprendizaje automático.
• Integraciones de optimización e implementación: CoreML, ONNX y OpenVINO permiten una implementación optimizada en diversos dispositivos y marcos, garantizando un rendimiento eficiente en plataformas como el hardware de Apple y las CPU de Intel.
• Integraciones de monitorización y visualización: TensorBoard y Weights & Biases proporcionan herramientas para visualizar el progreso del entrenamiento y monitorizar el rendimiento, brindando información detallada para refinar los modelos.

Link to this sectionAplicaciones de YOLO11 y el papel de las integraciones#

Las integraciones que respaldan el desarrollo de la visión artificial, combinadas con las capacidades fiables de YOLO11, facilitan la resolución de desafíos del mundo real. Considera innovaciones como la visión artificial en la fabricación, donde la IA visual se utiliza para detectar defectos en una línea de producción, como arañazos en piezas metálicas o componentes faltantes. Recopilar los datos correctos para tales tareas a menudo puede ser lento y desafiante, requiriendo acceso a entornos especializados.

Por lo general, implica configurar cámaras o sensores a lo largo de las líneas de producción para capturar imágenes de los productos. Estas imágenes deben tomarse en grandes volúmenes, a menudo bajo una iluminación y ángulos consistentes, 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 faltantes. Este proceso requiere mucho tiempo y recursos, así como experiencia, para asegurar que el conjunto de datos refleje con precisión la variabilidad del mundo real. Se deben tener en cuenta factores como los diferentes tamaños, formas y materiales de los defectos para crear un conjunto de datos robusto y fiable.

Las integraciones que proporcionan conjuntos de datos listos para usar facilitan tareas como el control de calidad industrial, y con las capacidades de detección en tiempo real de YOLO11, los fabricantes pueden monitorizar las líneas de producción, detectar defectos al instante y mejorar la eficiencia.

Fig 4. Un ejemplo del uso de Ultralytics YOLO11 para detectar y contar latas que se están fabricando.

Más allá de la fabricación, las integraciones relacionadas con los conjuntos de datos pueden utilizarse en muchas otras industrias. Al unir la velocidad y la precisión de YOLO11 con conjuntos de datos fácilmente accesibles, las empresas pueden desarrollar e implementar rápidamente soluciones adaptadas a sus necesidades específicas. Toma, por ejemplo, la atención sanitaria: 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, dichas integraciones pueden ayudar a identificar vehículos, peatones y señales de tráfico para mejorar la seguridad.

Link to this sectionConclusiones clave#

Encontrar el conjunto de datos adecuado es a menudo una de las partes que más tiempo consume al construir un modelo de visión artificial. Sin embargo, la integración con Roboflow hace que sea más fácil encontrar el mejor conjunto de datos para entrenar de forma personalizada tus modelos Ultralytics YOLO, incluso si eres nuevo en la visión artificial.

Con acceso a una vasta colección de conjuntos de datos para tareas de visión artificial como la detección de objetos, la clasificación de imágenes o la segmentación de instancias, Roboflow Universe elimina las molestias del proceso de descubrimiento de datos. Te ayuda a empezar rápidamente y a centrarte en la construcción de tu modelo en lugar de perder tiempo recopilando y organizando datos. Este enfoque simplificado permite a los desarrolladores crear prototipos, iterar y desarrollar soluciones de visión artificial de manera más eficiente.

Para obtener más información, visita nuestro repositorio de GitHub e interactúa con nuestra comunidad. Explora innovaciones en áreas como la IA en coches autónomos y la visión artificial en la agricultura en nuestras páginas de soluciones. 🚀