Cómo comparar modelos Ultralytics YOLO como YOLO11

Con el creciente número de modelos de IA disponibles hoy en día, seleccionar el más adecuado para tu aplicación de IA específica es esencial para conseguir 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 determinada? Esto es especialmente importante en sistemas en tiempo real, como vehículos autónomos, soluciones de seguridad y robótica, donde la toma de decisiones rápida y fiable es fundamental.

La comparación de modelos ayuda a responder a esta pregunta evaluando un modelo en distintas condiciones. Proporciona información sobre el rendimiento del modelo en diversas configuraciones y tipos de hardware, lo que permite tomar decisiones más fundamentadas.

Por ejemplo, Ultralytics YOLO11 es un modelo de visión por ordenador compatible con varias tareas de análisis de datos visuales, como la detección de objetos y la segmentación de instancias. Para comprender plenamente sus capacidades, puedes comparar su rendimiento en distintas configuraciones y comprobar cómo gestiona situaciones del mundo real.

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

¿Qué es la comparación de modelos?#

Cuando se trata de utilizar un modelo de IA de visión en una aplicación del mundo real, ¿cómo puedes saber si será suficientemente rápido, preciso y fiable? La comparación del modelo puede proporcionar información para responder a esta pregunta. La comparación 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 para la 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 específica. En particular, a menudo se utiliza 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 comparar modelos de visión por ordenador? Imagen del autor.

Un ejemplo claro de por qué la comparación es fundamental se encuentra en aplicaciones en tiempo real, como la vigilancia o la robótica, donde incluso pequeños retrasos pueden afectar a la toma de decisiones. La comparación ayuda a evaluar si un modelo puede procesar imágenes rápidamente y, al mismo tiempo, ofrecer predicciones fiables.

También desempeña un papel clave en la identificación de cuellos de botella del rendimiento. Si un modelo funciona lentamente o utiliza demasiados recursos, la comparación 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 fundamental para seleccionar la configuración más eficaz.

Comparación de modelos frente a evaluación y pruebas de modelos#

La comparación, la evaluación y las pruebas de modelos son términos habituales en IA que suelen utilizarse conjuntamente. Aunque son similares, no son lo mismo y cumplen funciones distintas. Las pruebas del modelo comprueban el rendimiento de un único modelo ejecutándolo con un conjunto de datos de prueba y midiendo factores como la precisión y la velocidad. Por su parte, la evaluación del modelo va un paso más allá al analizar los resultados para comprender sus puntos fuertes y débiles, así como su funcionamiento en situaciones del mundo real. Ambas se centran en un solo modelo cada vez.

Sin embargo, la comparación de modelos compara varios modelos entre sí utilizando las mismas pruebas y conjuntos de datos. Ayuda a descubrir qué modelo funciona mejor para una tarea específica al destacar las diferencias de precisión, velocidad y eficiencia entre ellos. Mientras que las pruebas y la evaluación se centran en un único modelo, la comparación ayuda a elegir el modelo adecuado (o el mejor) mediante una comparación justa de distintas opciones.

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

Descripción general de Ultralytics YOLO11#

Ultralytics YOLO11 es un modelo fiable de IA de visión diseñado para realizar con precisión diversas tareas de visión por ordenador. Mejora las versiones anteriores de los modelos YOLO e incorpora funciones que pueden ayudar a resolver problemas del mundo real. Por ejemplo, puede utilizarse para detectar objetos, clasificar imágenes, segmentar regiones, realizar el seguimiento de movimientos y mucho más. También puede utilizarse 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 contar con conocimientos técnicos avanzados.

También funciona sin problemas con distintos tipos de hardware, ejecutándose 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 sólido.

Ultralytics YOLO11 está disponible en varios tamaños de modelo, cada uno optimizado para distintas tareas. La comparación ayuda a determinar qué versión se adapta mejor a tus necesidades específicas. Por ejemplo, una de las conclusiones que puede revelar la comparación es que los modelos más pequeños, como nano o small, suelen ejecutarse más rápido, pero pueden sacrificar algo de precisión.

Cómo comparar modelos YOLO como Ultralytics YOLO11#

Ahora que hemos entendido qué es la comparación de modelos y por qué es importante, veamos cómo puedes comparar modelos YOLO como Ultralytics YOLO11 y evaluar su eficiencia para obtener información valiosa.

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 encuentras algún problema durante la instalación, consulta nuestra guía de problemas comunes para obtener consejos de resolución de problemas.

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

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Al ejecutar el código mostrado anteriormente, se calcula la velocidad a la que el modelo procesa las imágenes, cuántos fotogramas puede gestionar 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 un conjunto de datos basado en el conjunto de datos COCO8 (objetos comunes en contexto): una versión pequeña de muestra del conjunto de datos COCO completo, que suele utilizarse para pruebas y experimentación.

Si estás probando Ultralytics YOLO11 para una aplicación específica, como la supervisión del tráfico o el análisis de imágenes médicas, utilizar un conjunto de datos relevante (por ejemplo, un conjunto de datos de tráfico o un conjunto de datos médicos) te proporcionará información más precisa. Comparar con COCO ofrece 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 comparación de Ultralytics YOLO11#

Una vez comparado Ultralytics YOLO11, el siguiente paso es interpretar los resultados. Después de ejecutar la comparación, verás varios números 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 comparación de Ultralytics YOLO11 a las que debes prestar atención:

• mAP50-95: Mide la precisión de la detección de objetos. Un valor más alto significa que el modelo reconoce mejor los objetos.
• accuracy_top5: Se utiliza habitualmente para tareas de clasificación. Muestra con qué frecuencia aparece la etiqueta correcta entre las cinco predicciones principales.
• Tiempo de inferencia: El tiempo necesario para procesar una sola imagen, medido en milisegundos. Los valores más bajos indican un procesamiento más rápido.

Fig. 4. Gráfico del rendimiento de YOLO11 en la comparación.

Otros factores que debes tener en cuenta al comparar Ultralytics YOLO11#

Analizar únicamente los resultados de la comparación solo cuenta una parte de la historia. Para comprender mejor el rendimiento, resulta útil comparar distintas configuraciones y opciones de hardware. Estos son algunos aspectos importantes que debes revisar:

• GPU frente a CPU: Las GPU pueden procesar imágenes mucho más rápido que las CPU. La comparación te ayuda a comprobar si una CPU es suficientemente rápida para tus necesidades o si te beneficiarás de utilizar una GPU.
• Configuración de precisión (FP32, FP16, INT8): Controla cómo gestiona el modelo los números. Una precisión menor (como FP16 o INT8) hace que el modelo se ejecute 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 determinados tipos de hardware. Esto resulta útil si estás optimizando la velocidad para dispositivos específicos.

Cómo comparar Ultralytics YOLO11 en distintos tipos de hardware#

El paquete de Python de Ultralytics permite convertir los modelos YOLO11 a distintos formatos que se ejecutan de forma más eficiente en determinados tipos de hardware, mejorando tanto la velocidad como el uso de memoria. Cada formato de exportación está optimizado para dispositivos diferentes.

Por un lado, el formato ONNX puede mejorar el rendimiento en diversos entornos. Por otro lado, OpenVINO mejora la eficiencia en hardware Intel, y formatos como CoreML o TF SavedModel son ideales para dispositivos Apple y aplicaciones móviles.

Veamos cómo puedes comparar Ultralytics YOLO11 en un formato específico. El código siguiente compara YOLO11 en formato ONNX, que se utiliza ampliamente para ejecutar modelos de IA tanto en CPU como en GPU.

from ultralytics.utils.benchmarks import benchmark

# Benchmark a specific export format (e.g., ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

Además de los resultados de la comparación, elegir el formato adecuado depende de las especificaciones de tu sistema y de tus necesidades de implementación. Por ejemplo, los coches autónomos necesitan una detección de objetos rápida. 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 la detección de objetos en coches autónomos.

Conclusiones clave#

El paquete de Python de Ultralytics facilita la comparación de YOLO11 al proporcionar comandos sencillos que pueden encargarse de las pruebas de rendimiento. Con solo unos pasos, puedes comprobar cómo afectan distintas configuraciones a la velocidad y precisión de los modelos, lo que te ayuda a tomar decisiones fundamentadas sin necesidad de conocimientos técnicos profundos.

El hardware y la configuración 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 localmente en un dispositivo periférico.

Conecta con nuestra comunidad y descubre proyectos de IA de vanguardia en nuestro repositorio de GitHub. Descubre el impacto de la IA en la agricultura y el papel de la visión por ordenador en la fabricación a través de nuestras páginas de soluciones. Explora nuestros planes de licencia y empieza ahora tu trayectoria en IA.