Cómo evaluar el rendimiento de modelos Ultralytics YOLO como YOLO11

Con el creciente número de modelos de IA disponibles hoy en día, elegir el más adecuado para tu aplicación de IA específica es esencial para obtener resultados precisos y fiables. Cada modelo varía en velocidad, precisión y rendimiento general. Entonces, ¿cómo podemos determinar qué modelo es el más adecuado para una tarea concreta? Esto es especialmente importante en sistemas en tiempo real, como los vehículos autónomos, las soluciones de seguridad y la robótica, donde es fundamental tomar decisiones rápidas y fiables.

La evaluación comparativa ayuda a responder a esta pregunta al evaluar un modelo en distintas condiciones. Permite conocer el rendimiento del modelo en diversas configuraciones de hardware y ajustes, lo que facilita tomar decisiones fundamentadas.

Por ejemplo, Ultralytics YOLO11 (al que ha sucedido Ultralytics YOLO26) es un modelo de visión artificial compatible con diversas tareas de análisis de datos visuales, como la detección de objetos y la segmentación de instancias. Para comprender todas sus capacidades, puedes evaluar su rendimiento en distintas configuraciones y comprobar cómo se comporta en situaciones del mundo real.

En este artículo, veremos cómo evaluar modelos Ultralytics YOLO, como YOLO11, comparar su rendimiento en distintos tipos de hardware y comprobar cómo afectan los diferentes formatos de exportación a su velocidad y eficiencia.

¿Qué es la evaluación comparativa de modelos?#

Cuando se trata de usar un modelo de IA visual en una aplicación del mundo real, ¿cómo puedes saber si será lo bastante rápido, preciso y fiable? La evaluación comparativa del modelo puede darte información para responder a esta pregunta. La evaluación comparativa de modelos es el proceso de probar y comparar distintos modelos de IA para determinar cuál ofrece el mejor rendimiento.

Consiste en establecer una referencia de comparación, elegir las medidas de rendimiento adecuadas (como la precisión o la velocidad) y probar todos los modelos en las mismas condiciones. Los resultados ayudan a identificar los puntos fuertes y débiles de cada modelo, lo que facilita decidir cuál se adapta mejor a tu solución de IA. En particular, se suele utilizar un conjunto de datos de referencia para realizar comparaciones justas y evaluar el rendimiento de un modelo en distintas situaciones del mundo real.

Fig. 1. ¿Por qué evaluar comparativamente los modelos de visión artificial? Imagen del autor.

Un ejemplo claro de la importancia de la evaluación comparativa son las aplicaciones en tiempo real, como la vigilancia o la robótica, en las que hasta los retrasos leves pueden afectar a la toma de decisiones. La evaluación comparativa ayuda a determinar si un modelo puede procesar imágenes rápidamente y, a la vez, ofrecer predicciones fiables.

También desempeña un papel clave a la hora de identificar cuellos de botella en el rendimiento. Si un modelo se ejecuta lentamente o consume demasiados recursos, la evaluación comparativa puede revelar si el problema se debe a limitaciones del hardware, a la configuración del modelo o a los formatos de exportación. Esta información es crucial para elegir la configuración más eficaz.

Diferencias entre la evaluación comparativa, la evaluación y las pruebas de modelos#

La evaluación comparativa, la evaluación y las pruebas de modelos son términos habituales en IA que suelen usarse juntos. Aunque son conceptos similares, no significan lo mismo y tienen funciones distintas. Las pruebas de modelos comprueban el rendimiento de un único modelo ejecutándolo con un conjunto de datos de prueba y midiendo factores como la precisión y la velocidad. La evaluación de modelos va un paso más allá y analiza los resultados para entender los puntos fuertes y débiles del modelo y su funcionamiento en situaciones del mundo real. Ambos procesos se centran en un modelo cada vez.

En cambio, la evaluación comparativa de modelos compara varios modelos en paralelo con las mismas pruebas y los mismos conjuntos de datos. Ayuda a averiguar qué modelo funciona mejor para una tarea específica al destacar las diferencias de precisión, velocidad y eficiencia. Mientras que las pruebas y la evaluación se centran en un único modelo, la evaluación comparativa ayuda a elegir el modelo adecuado (o el mejor) mediante la comparación justa de distintas opciones.

Fig. 2. Diferencias entre la evaluación comparativa, la evaluación y las pruebas de modelos. Imagen del autor.

Descripción general de Ultralytics YOLO11#

Ultralytics YOLO11 es un modelo fiable de IA visual, diseñado para realizar con precisión diversas tareas de visión artificial. Mejora las versiones anteriores de YOLO e incluye funciones que pueden ayudar a resolver problemas del mundo real. Por ejemplo, puede detectar objetos, clasificar imágenes, segmentar regiones, seguir movimientos y mucho más. También puede usarse en aplicaciones de muchos sectores, desde la seguridad hasta la automatización y el análisis.

Fig. 3. Ejemplo del uso de Ultralytics YOLO11 para segmentar personas en una imagen.

Una de las principales ventajas de Ultralytics YOLO11 es su facilidad de uso. Con solo unas pocas líneas de código, cualquiera puede integrarlo en sus proyectos de IA sin tener que lidiar con configuraciones complicadas ni necesitar conocimientos técnicos avanzados.

También funciona sin problemas con distintos tipos de hardware y se ejecuta de forma eficiente en CPU (unidades centrales de procesamiento), GPU (unidades de procesamiento gráfico) y otros aceleradores de IA especializados. Tanto si se implementa en dispositivos periféricos como en servidores en la nube, ofrece un rendimiento excelente.

Ultralytics YOLO11 está disponible en distintos tamaños de modelo, cada uno optimizado para tareas diferentes. La evaluación comparativa ayuda a determinar qué versión se adapta mejor a tus necesidades específicas. Por ejemplo, una conclusión importante que puede revelar la evaluación comparativa es que los modelos más pequeños, como Nano o Small, suelen funcionar más rápido, aunque quizá sacrifiquen algo de precisión.

Cómo evaluar comparativamente modelos YOLO como Ultralytics YOLO11#

Ahora que hemos visto qué es la evaluación comparativa y por qué es importante, repasemos cómo puedes evaluar modelos YOLO, como Ultralytics YOLO11, y analizar su eficiencia para obtener información útil.

Para empezar, puedes instalar el paquete de Python de Ultralytics ejecutando el siguiente comando en tu terminal o símbolo del sistema: “pip install ultralytics”. Si tienes algún problema durante la instalación, consulta nuestra guía de problemas frecuentes para obtener consejos de resolución.

Una vez instalado el paquete, puedes evaluar comparativamente Ultralytics YOLO11 fácilmente con solo unas pocas líneas de código Python:

from ultralytics.utils.benchmarks import benchmark

# Evaluación comparativa en GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, device=0)

Al ejecutar el código anterior, se calcula la velocidad a la que el modelo procesa imágenes, cuántos fotogramas puede procesar en un segundo y con qué precisión detecta objetos.

La mención de “coco8.yaml” en el código hace referencia a un archivo de configuración de conjunto de datos basado en el conjunto de datos COCO8 (objetos comunes en contexto), una pequeña muestra del conjunto de datos COCO completo que se suele usar para pruebas y experimentación.

Si estás probando Ultralytics YOLO11 para una aplicación específica, como la supervisión del tráfico o el diagnóstico por imagen, usar un conjunto de datos pertinente (p. ej., un conjunto de datos de tráfico o un conjunto de datos médicos) te proporcionará información más precisa. La evaluación comparativa con COCO da una idea general del rendimiento, pero para obtener los mejores resultados puedes elegir un conjunto de datos que refleje tu caso de uso real.

Cómo interpretar los resultados de la evaluación comparativa de Ultralytics YOLO11#

Una vez realizada la evaluación comparativa de Ultralytics YOLO11, el siguiente paso es interpretar los resultados. Tras ejecutar la evaluación comparativa, verás varios valores en los resultados. Estas métricas ayudan a evaluar el rendimiento de YOLO11 en términos de precisión y velocidad.

Estas son algunas métricas destacadas de la evaluación comparativa de Ultralytics YOLO11 a las que conviene prestar atención:

• mAP_50-95: Mide la precisión de la detección de objetos. Un valor más alto significa que el modelo reconoce mejor los objetos.
• accuracy_top5: Se usa habitualmente en tareas de clasificación. Muestra con qué frecuencia aparece la etiqueta correcta entre las cinco predicciones principales.
• Tiempo de inferencia: El tiempo que se tarda en procesar una sola imagen, medido en milisegundos. Los valores más bajos indican un procesamiento más rápido.

Fig. 4. Gráfico que muestra el rendimiento de YOLO11 en la evaluación comparativa.

Otros factores que debes tener en cuenta al evaluar comparativamente Ultralytics YOLO11#

Los resultados de la evaluación comparativa por sí solos solo cuentan una parte de la historia. Para entender mejor el rendimiento, conviene comparar distintos ajustes y opciones de hardware. Estos son algunos aspectos importantes que debes tener en cuenta:

• GPU frente a CPU: Las GPU pueden procesar imágenes mucho más rápido que las CPU. La evaluación comparativa te ayuda a ver si una CPU es lo bastante rápida para tus necesidades o si te conviene usar una GPU.
• Ajustes de precisión (FP32, FP16, INT8): Controlan cómo maneja los números el modelo y se configuran con el argumento quantize (por ejemplo, quantize=16). Una precisión menor (como FP16 o INT8) hace que el modelo funcione más rápido y utilice menos memoria, pero puede reducir ligeramente la precisión.
• Formatos de exportación: Convertir el modelo a un formato como TensorRT puede hacer que se ejecute mucho más rápido en determinado hardware. Esto resulta útil si optimizas la velocidad en dispositivos específicos.

Cómo evaluar comparativamente Ultralytics YOLO11 en distintos tipos de hardware#

El paquete de Python de Ultralytics te permite convertir modelos YOLO11 a distintos formatos que se ejecutan con mayor eficiencia en hardware específico, mejorando tanto la velocidad como el uso de memoria. Cada formato de exportación está optimizado para dispositivos distintos.

Por un lado, el formato ONNX puede acelerar el rendimiento en distintos entornos. Por otro, OpenVINO mejora la eficiencia en hardware Intel, CoreML es ideal para dispositivos Apple y LiteRT (antes TensorFlow Lite) es adecuado para aplicaciones móviles.

Veamos cómo puedes evaluar comparativamente Ultralytics YOLO11 en un formato específico. El código siguiente evalúa YOLO11 en formato ONNX, que se usa ampliamente para ejecutar modelos de IA tanto en CPU como en GPU.

from ultralytics.utils.benchmarks import benchmark

# Evaluación comparativa en un formato de exportación específico (p. ej., ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

Además de los resultados de la evaluación comparativa, la elección del formato adecuado depende de las especificaciones de tu sistema y de las necesidades de implementación. Por ejemplo, los coches autónomos necesitan detectar objetos rápidamente. Si tienes previsto utilizar GPU NVIDIA para acelerar el rendimiento, el formato TensorRT es la opción ideal para ejecutar Ultralytics YOLO11 en una GPU NVIDIA.

Fig. 5. Uso de YOLO11 para detectar objetos en coches autónomos.

Conclusiones clave#

El paquete de Python de Ultralytics facilita la evaluación comparativa de YOLO11 gracias a comandos sencillos que realizan las pruebas de rendimiento por ti. Con solo unos pasos, puedes ver cómo afectan distintas configuraciones a la velocidad y la precisión de los modelos, lo que te ayuda a tomar decisiones fundamentadas sin necesidad de conocimientos técnicos avanzados.

El hardware y los ajustes adecuados también pueden marcar una gran diferencia. Ajustar parámetros como el tamaño del modelo y el conjunto de datos te permite optimizar Ultralytics YOLO11 para obtener el mejor rendimiento, tanto si lo ejecutas en una GPU de gama alta como si lo haces localmente en un dispositivo periférico.

Conecta con nuestra comunidad y descubre nuestros proyectos de IA en nuestro repositorio de GitHub. Descubre el impacto de la IA en la agricultura y el papel de la visión artificial en la fabricación en nuestras páginas de soluciones. Consulta nuestros planes de licencia y empieza ya tu recorrido en el mundo de la IA.