Explorando la detección de objetos pequeños con Ultralytics YOLO11

Los drones integrados con IA de visión pueden volar a cientos de metros del suelo y, aun así, se espera que detecten a una persona que aparece como apenas unos pocos píxeles en su transmisión de vídeo. De hecho, es un desafío habitual en aplicaciones como la robótica, la vigilancia y la teledetección, donde los sistemas deben identificar objetos muy pequeños dentro de una imagen.

Sin embargo, los modelos tradicionales de detección de objetos pueden tener dificultades para hacerlo. Los objetos pequeños en imágenes y vídeos representan una cantidad muy limitada de información visual. En pocas palabras, cuando un modelo los observa, no hay mucho detalle del que pueda aprender o que pueda reconocer.

En segundo plano, estos modelos suelen basarse en una arquitectura basada en una red neuronal convolucional (CNN). Las imágenes pasan por las capas de la red y se transforman en mapas de características o representaciones simplificadas que resaltan patrones relevantes en lugar de píxeles sin procesar.

A medida que la imagen avanza por la red, estos mapas de características se vuelven más pequeños. Esto hace que el cálculo sea más rápido, pero también significa que los detalles más finos pueden desaparecer.

En el caso de los objetos diminutos, esos detalles son cruciales. Cuando desaparecen, un modelo de visión por computador puede tener dificultades para detectar el objeto, lo que puede dar lugar a BBox menos precisos o inconsistentes.

Los sistemas de visión por computador integrales y en tiempo real lo complican aún más. Las imágenes de alta resolución ayudan a conservar el detalle, pero ralentizan la inferencia y requieren más potencia de GPU. Las resoluciones más bajas se ejecutan más rápido, pero hacen que los objetos pequeños sean aún más difíciles de detectar.

Se convierte en un equilibrio constante entre velocidad, precisión y las limitaciones del hardware. Gracias a los avances tecnológicos recientes, los modelos de visión por computador como Ultralytics YOLO11 y el próximo Ultralytics YOLO26 están diseñados para gestionar esta compensación de forma más eficaz.

Fig. 1. Uso de YOLO11 para detectar objetos pequeños en imágenes aéreas (Fuente)

En este artículo, exploraremos por qué la detección de objetos pequeños es difícil y cómo Ultralytics YOLO11 puede facilitarla. ¡Empecemos!

¿Qué es la detección de objetos pequeños y por qué es importante?#

La detección de objetos pequeños es una tarea de la visión por computador, una rama de la IA, que se centra en identificar y localizar objetos que ocupan una parte muy pequeña de una imagen. Estos objetos suelen estar representados en la imagen por un número limitado de píxeles, que son las unidades más pequeñas de una imagen digital. Esto hace que sean más difíciles de detectar que los objetivos más grandes y claros (que suelen contener más píxeles).

Por ejemplo, los vehículos en imágenes aéreas, las herramientas en el suelo de una fábrica o las personas captadas por cámaras de vigilancia gran angular pueden aparecer como objetos pequeños dentro de la imagen. Detectarlos es importante porque suelen contener información crítica y muchas aplicaciones del mundo real, como la vigilancia, dependen de estas detecciones para funcionar correctamente.

Cuando no se detectan objetos pequeños, el rendimiento del sistema y la toma de decisiones pueden verse afectados. La supervisión de vehículos aéreos no tripulados (UAV) es un buen ejemplo: no detectar un objeto pequeño en movimiento sobre el suelo puede afectar a la precisión de la navegación o del seguimiento.

Desafíos relacionados con la detección de objetos pequeños#

Los primeros sistemas utilizaban características diseñadas manualmente y métodos tradicionales de visión por computador, que tenían dificultades en escenas complejas o variadas. Incluso hoy, aunque los modelos de aprendizaje profundo ofrecen un rendimiento mucho mejor, detectar objetivos pequeños sigue siendo difícil cuando ocupan solo una diminuta parte de la imagen.

A continuación, veremos algunos de los desafíos habituales que aparecen en distintos escenarios del mundo real al detectar objetos pequeños.

Tamaño, píxeles y pérdida de información#

Los objetos pequeños contienen muy pocos píxeles, lo que limita la cantidad de detalle visual que un modelo puede aprender durante etapas como la extracción de características. Como resultado, los patrones como los bordes, las formas y las texturas son más difíciles de detectar, por lo que es más probable que los objetos pequeños se mezclen con el fondo.

A medida que las imágenes atraviesan las capas convolucionales de una red neuronal, la información visual de los píxeles se comprime gradualmente en mapas de características. Esto ayuda al modelo a mantener la eficiencia, pero también significa que los detalles más finos se desvanecen.

Fig. 2. Los mapas de características representan patrones visuales en una imagen (Fuente)

En el caso de los objetivos pequeños, las señales importantes pueden desaparecer antes de que la red de detección tenga la oportunidad de actuar. Cuando ocurre, la localización se vuelve menos fiable y los BBox pueden desplazarse, solaparse o no detectar por completo los objetos objetivo.

Oclusión, variación de escala y contexto#

Los desafíos relacionados con el tamaño también suelen deberse a la oclusión. La oclusión se produce cuando otros objetos de la escena ocultan parcialmente a los objetos, especialmente a los más pequeños.

Esto reduce el área visible de un objetivo, lo que limita la información disponible para el detector de objetos. Incluso una oclusión pequeña puede confundir a las redes de detección, especialmente cuando se combina con una entrada de baja resolución. Un ejemplo interesante puede observarse en conjuntos de datos de UAV como VisDrone, donde los peatones, las bicicletas o los vehículos pueden quedar parcialmente bloqueados por edificios, árboles u otros objetos en movimiento.

Fig. 3. Ejemplo del conjunto de datos VisDrone que muestra objetos pequeños (Fuente)

De forma similar, la variación de escala introduce otra dificultad cuando el mismo objeto aparece muy pequeño o relativamente grande dependiendo de la distancia y la posición de la cámara. A pesar de estos obstáculos, los algoritmos de detección deben reconocer estos objetos pequeños a distintas escalas sin perder precisión.

El contexto también desempeña un papel importante en la detección. Por ejemplo, los objetos grandes suelen aparecer con un entorno claro que proporciona señales visuales útiles. En cambio, los objetivos pequeños suelen carecer de esta información contextual, lo que dificulta el reconocimiento de patrones.

El problema de la métrica oculta en la detección de objetos pequeños#

Las métricas de evaluación habituales, como la intersección sobre unión (IoU), miden en qué medida un BBox predicho se solapa con el cuadro de referencia. Aunque IoU funciona bien con objetos grandes, su comportamiento es bastante diferente con los pequeños.

Los objetos pequeños ocupan solo unos pocos píxeles, por lo que incluso un desplazamiento mínimo en el cuadro predicho puede crear un error proporcional grande y reducir considerablemente la puntuación IoU. Esto significa que los objetos pequeños a menudo no alcanzan el umbral IoU estándar utilizado para considerar correcta una predicción, aunque el objeto sea visible en la imagen.

Como resultado, es más probable que los errores de localización se clasifiquen como falsos positivos o falsos negativos. Estas limitaciones han llevado a los investigadores a replantearse cómo los sistemas de detección de objetos evalúan y gestionan los objetivos pequeños difíciles de detectar.

Características multiescala: la clave para la detección de objetos pequeños en tiempo real#

A medida que los investigadores trabajaban para mejorar la detección de objetos pequeños, quedó claro que es esencial conservar y representar la información visual a múltiples escalas. Esta idea también se refleja en investigaciones recientes de arXiv y en artículos presentados en eventos como las Conferencias Internacionales del IEEE y la Asociación Europea de Visión por Computador (ECCV).

A medida que las imágenes avanzan por una red neuronal, los objetos pequeños pueden perder detalle o desaparecer por completo, por lo que los modelos modernos de visión por computador como Ultralytics YOLO11 hacen especial hincapié en mejorar la extracción de características. A continuación, repasaremos los conceptos fundamentales de los mapas de características y las redes piramidales de características para entenderlos mejor.

Mapas de características y representación de escala#

Cuando una imagen de entrada, como una imagen de teledetección, entra en una red neuronal, se transforma gradualmente en mapas de características. Estas son representaciones simplificadas de la imagen que resaltan patrones visuales como bordes, formas y texturas.

A medida que la red profundiza, estos mapas de características reducen su tamaño espacial. Esta reducción ayuda al modelo a ejecutarse de forma eficiente y a centrarse en la información de alto nivel. Sin embargo, los mapas de características reducidos y profundos también disminuyen el detalle espacial.

Fig. 4. La extracción de características es clave para la detección de objetos pequeños. (Fuente)

Aunque los objetos grandes conservan suficiente información visual para una detección precisa, los objetivos pequeños pueden perder detalles críticos después de atravesar apenas unas pocas capas de la red. Cuando ocurre, el modelo puede tener dificultades incluso para reconocer que existe un objeto pequeño. Esta es una de las razones principales por las que no se detectan objetos pequeños en los modelos de detección profunda de objetos.

Redes piramidales de características y aprendizaje multiescala#

Las redes piramidales de características, denominadas habitualmente FPN, se introdujeron para abordar la pérdida de detalle espacial y funcionan como un módulo de apoyo que combina información de varias capas para que los modelos puedan detectar objetos pequeños con mayor eficacia. Este proceso también se conoce como agregación y fusión de características.

Las capas superficiales proporcionan detalles espaciales precisos, mientras que las capas más profundas aportan contexto semántico, lo que permite un aprendizaje eficaz de características multiescala. A diferencia del sobremuestreo ingenuo, que simplemente amplía los mapas de características, FPN conserva la información relevante y mejora la detección de objetos pequeños.

Los enfoques modernos se basan en esta idea y utilizan una fusión adaptativa de características y diseños que tienen en cuenta el contexto para mejorar aún más la detección de objetivos pequeños. En otras palabras, FPN ayuda a los modelos a ver tanto la visión general como los detalles diminutos al mismo tiempo. Esta optimización es esencial cuando los objetos son pequeños.

Cómo evolucionaron los modelos de detección de objetos para gestionar objetos pequeños#

Este es un breve recorrido por cómo los modelos de detección de objetos han evolucionado y avanzado con el tiempo para detectar mejor objetos de distintos tamaños, incluidos los muy pequeños:

• Primeros métodos de detección: Los primeros enfoques de detección de objetos se basaban en características diseñadas manualmente y algoritmos basados en reglas, arraigados en el procesamiento clásico de imágenes. Como estas características eran fijas, el rendimiento se degradaba con imágenes diferentes.
• Introducción del aprendizaje automático y el aprendizaje profundo: La adopción del aprendizaje automático y el aprendizaje profundo supuso un cambio importante en la investigación sobre detección de objetos. En lugar de depender de reglas predefinidas, las redes neuronales aprendían representaciones visuales directamente de los datos de entrenamiento, lo que mejoraba su adaptabilidad a distintos tamaños de objetos y escenas.
• Redes convolucionales: Estas redes neuronales aprenden a identificar patrones en las imágenes. Cada capa capta detalles diferentes, empezando por bordes y colores sencillos, después formas y, finalmente, objetos completos, lo que las hace esenciales para la visión por computador moderna.
• Detectores de objetos en dos etapas: Los detectores en dos etapas, como Faster R-CNN, introducido por Girshick y Ren, primero generaban regiones candidatas y después las clasificaban. Este enfoque mejoraba la precisión con objetos pequeños, pero aumentaba el coste computacional y reducía el rendimiento en tiempo real.
• Detectores de objetos en una etapa: Los detectores en una etapa, como SSD (Detector de un solo disparo) y la familia YOLO (Solo miras una vez), incluidos YOLOv3, Ultralytics YOLOv5 y posteriormente Ultralytics YOLOv8, realizan la detección en una sola pasada. Este diseño mejora significativamente la velocidad de inferencia y mantiene una precisión competitiva.
• Modelos de última generación: Los modelos de detección de objetos más recientes ponen un mayor énfasis en el rendimiento en tiempo real y la implementación en el edge. Las versiones recientes de los modelos Ultralytics YOLO, como Ultralytics YOLO11 y el próximo Ultralytics YOLO26, están diseñadas para equilibrar una alta precisión con una inferencia de baja latencia, por lo que resultan adecuadas para detectar objetos de cualquier tamaño, incluidos objetivos pequeños, en dispositivos con una capacidad de cálculo limitada.

Uso de Ultralytics YOLO11 en casos de uso de detección de objetos pequeños#

Ahora que entendemos mejor cómo funciona la detección de objetos pequeños, veamos un par de aplicaciones del mundo real en las que se puede aplicar Ultralytics YOLO11.

UAV e imágenes aéreas#

Imagina un dron volando a gran altura sobre una calle urbana concurrida. Desde esa altura, los coches, las bicicletas e incluso las personas se reducen a apenas unos pocos píxeles en una pantalla.

Los módulos de UAV e imágenes aéreas suelen capturar escenas como esta, en las que los objetos de interés son diminutos y están rodeados de fondos abigarrados, lo que dificulta su detección para los modelos de visión por computador.

En este tipo de situaciones, Ultralytics YOLO11 puede ser una opción de modelo ideal. Por ejemplo, un dron equipado con un modelo como YOLO11 podría supervisar el tráfico en tiempo real y detectar vehículos, ciclistas y peatones mientras se desplazan por la escena, incluso cuando cada objeto ocupa solo una pequeña parte de la imagen. Esto permite tomar decisiones más rápidamente y obtener información más precisa en aplicaciones como la gestión del tráfico, la seguridad pública o la planificación urbana.

Robótica y automatización#

Los robots suelen utilizarse en entornos donde la precisión y la sincronización son fundamentales. En lugares como almacenes, fábricas y explotaciones agrícolas, un robot puede necesitar reconocer objetos muy pequeños, como una pieza en una cadena de montaje, una etiqueta en un paquete o un pequeño brote en un campo, y responder con rapidez.

Detectar objetos de este tamaño puede ser complicado, especialmente cuando aparecen como apenas unos pocos píxeles en la transmisión de la cámara o están parcialmente ocluidos por otros objetos. No detectar estos pequeños detalles puede ralentizar la automatización o afectar a la capacidad del robot para completar una tarea.

Ultralytics YOLO11 puede marcar la diferencia en estas situaciones. Su extracción de características mejorada y su rápida inferencia permiten a los robots detectar objetos pequeños en tiempo real y actuar de inmediato.

Ultralytics YOLO11 también admite la segmentación de instancias, que puede ayudar a los robots a comprender con mayor precisión los límites de los objetos y los puntos de agarre, en lugar de limitarse a localizar BBox generales. Por ejemplo, un brazo robótico integrado con YOLO11 podría detectar pequeños componentes en una cinta transportadora, segmentar su forma exacta y recogerlos antes de que quedaran fuera de su alcance, ayudando al sistema a mantener la eficiencia y la fiabilidad.

Qué hace eficaz a Ultralytics YOLO11 para la detección de objetos pequeños#

Con tantos modelos de visión por computador disponibles hoy en día, quizá te preguntes qué diferencia a Ultralytics YOLO11.

Estas son algunas razones por las que Ultralytics YOLO11 es una excelente opción para aplicaciones en las que es necesario detectar objetos pequeños:

• Mejor extracción de características: YOLO11 utiliza una arquitectura de backbone y neck mejorada para optimizar la extracción de características, lo que permite una detección de objetos más precisa.
• Ecosistema y facilidad de uso: El paquete de Python de Ultralytics es una biblioteca que proporciona funciones integradas para cargar, entrenar, validar e implementar modelos como YOLO11. Como estos flujos de trabajo solo requieren unas pocas líneas de código, los equipos pueden experimentar rápidamente y ajustar los modelos para la detección de objetos pequeños.
• Optimizado para la implementación en el edge: Ultralytics YOLO11 puede ejecutarse eficientemente en dispositivos edge como NVIDIA Jetson, Raspberry Pi y sistemas de cámaras industriales. En pocas palabras, permite realizar tareas de IA de visión en tiempo real directamente en el dispositivo.

Estrategias prácticas para usar al detectar objetos pequeños con Ultralytics YOLO11#

Además de utilizar un modelo como Ultralytics YOLO11, la forma en que prepares tus anotaciones, el conjunto de datos en su totalidad y el procedimiento de entrenamiento del modelo pueden marcar una diferencia significativa en el rendimiento de la detección.

Este es un breve resumen de los aspectos en los que debes centrarte:

• Aumento de datos adecuado: Un aumento de datos moderado, como el escalado o el recorte, puede ayudar al modelo a generalizar a nuevas imágenes. Sin embargo, un aumento agresivo a gran escala puede distorsionar o eliminar objetos pequeños, lo que dificulta que el modelo aprenda de ellos.
• Análisis de los casos de fallo: Analizar dónde el modelo no detecta o identifica incorrectamente los objetos ayuda a establecer una línea base y a revelar si los problemas proceden del conjunto de datos, de la pérdida de información durante la extracción de características o de la necesidad de ajustar la configuración del entrenamiento.
• Composición del conjunto de datos: Tu conjunto de datos debe contener suficientes ejemplos de objetos pequeños para que el modelo pueda aprender patrones significativos y debe mantenerse equilibrado para que los objetos grandes no eclipsen a los pequeños durante el entrenamiento.

Conclusiones clave#

La detección de objetos pequeños es difícil porque los objetivos pequeños pierden detalle a medida que las imágenes atraviesan un modelo de visión por computador. Ultralytics YOLO11 mejora la forma en que se conservan estos detalles, haciendo que la detección de objetos pequeños sea más fiable sin sacrificar el rendimiento en tiempo real. Este equilibrio permite a YOLO11 ofrecer una detección precisa y eficiente en aplicaciones del mundo real.

¡Únete a nuestra creciente comunidad! Explora nuestro repositorio de GitHub para obtener más información sobre la IA. Descubre innovaciones como la visión por ordenador en el comercio minorista y la IA en el sector de la automoción visitando nuestras páginas de soluciones. Para empezar hoy mismo a desarrollar con visión por ordenador, consulta nuestras opciones de licencia.