Cómo usar Ultralytics YOLO11 para clasificar imágenes

Imagina que un robot ve dos gatos, uno negro y otro blanco, y tiene que distinguirlos. Para hacerlo, puede utilizar la clasificación de imágenes, una tarea de visión artificial que ayuda a identificar y categorizar objetos o escenas en una imagen. De hecho, gracias a los recientes avances de la inteligencia artificial (IA), la clasificación de imágenes puede utilizarse en una gran variedad de aplicaciones, desde la supervisión de animales hasta la fabricación y la agricultura, por ejemplo, para detectar enfermedades en los cultivos.

Un avance destacado en la clasificación de imágenes es el modelo Ultralytics YOLO11. Presentado en el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), YOLO11 está diseñado para abordar con facilidad y precisión una gran variedad de tareas de IA de visión, incluida la clasificación de imágenes. (Desde entonces, Ultralytics YOLO26 ha sucedido a YOLO11 y admite las mismas tareas.)

En este artículo veremos los fundamentos de la clasificación de imágenes, hablaremos de aplicaciones del mundo real y te mostraremos cómo utilizar YOLO11 para clasificar imágenes con el paquete de Python de Ultralytics. También veremos cómo puedes probar las capacidades de YOLO11 en Ultralytics HUB (ahora Ultralytics Platform) en unos sencillos pasos. ¡Vamos allá!

Fig. 1. Ejemplo del uso de Ultralytics YOLO11 para clasificar un gato persa.

¿Qué es la clasificación de imágenes?#

La clasificación de imágenes asigna una etiqueta o categoría a una imagen a partir de patrones aprendidos de imágenes etiquetadas previamente. Al analizar detenidamente los píxeles de una imagen, un modelo de visión artificial puede encontrar la mejor coincidencia. Los modelos fiables, como Ultralytics YOLO11, pueden realizar este proceso de forma eficiente. La arquitectura del modelo YOLO11 permite procesar imágenes o fotogramas de vídeo casi al instante, por lo que es ideal para aplicaciones que requieren una clasificación de imágenes rápida y precisa.

Para comprender de verdad el alcance de la clasificación de imágenes, conviene distinguirla de otras tareas, como la detección de objetos. Mientras que la clasificación de imágenes etiqueta una imagen completa, la detección de objetos identifica y localiza cada objeto dentro de la imagen.

Fig. 2. Comparación de la clasificación de imágenes, la detección de objetos y la segmentación de imágenes.

Pensemos en una imagen de una jirafa. En la clasificación de imágenes, el modelo podría etiquetar toda la imagen simplemente como una jirafa según su contenido general. Sin embargo, con la detección de objetos, el modelo no se limita a identificar la jirafa, sino que también la rodea con un cuadro delimitador para señalar su ubicación exacta en la imagen.

Ahora imagina una jirafa junto a un árbol en la sabana, rodeada de otros animales. Un modelo de clasificación de imágenes podría etiquetar toda la escena como una sabana o simplemente como vida silvestre. Sin embargo, con la detección de objetos, el modelo identificaría cada elemento por separado: la jirafa, el árbol y los demás animales, cada uno con su propio cuadro delimitador.

Aplicaciones de clasificación de imágenes de Ultralytics YOLO11#

La precisión y el rendimiento del modelo Ultralytics YOLO11 para la clasificación de imágenes lo hacen útil en numerosos sectores. Veamos algunas de sus principales aplicaciones.

Clasificación de imágenes de Ultralytics YOLO11 en la agricultura#

La clasificación de imágenes puede ayudar a optimizar muchas tareas del sector de la agricultura. En concreto, mediante modelos de clasificación de imágenes como YOLO11, los agricultores pueden supervisar continuamente la salud de sus cultivos, detectar enfermedades graves e identificar plagas con gran precisión.

Así es como funciona:

• Captura de imágenes: Se pueden desplegar dispositivos del Internet de las cosas (IoT), como cámaras y drones, para captar imágenes de los cultivos en tiempo real desde distintos ángulos y lugares de los campos.
• Procesamiento: Según los recursos y la conectividad disponibles, las imágenes pueden procesarse in situ mediante computación en el borde o subirse a la nube para realizar un análisis más exhaustivo.
• Clasificación de imágenes con YOLO11: El modelo YOLO11 puede analizar estas imágenes para clasificar distintas condiciones de los cultivos. Entre las clases habituales podrían estar sano, enfermo, infestado por plagas o con deficiencia de nutrientes, lo que ayuda a localizar problemas concretos que afectan a distintas zonas del campo.
• Generación de información útil: A partir de las clasificaciones, Ultralytics YOLO11 proporciona información sobre los indicadores de salud de los cultivos y ayuda a los agricultores a detectar los primeros signos de enfermedades, identificar focos de plagas o descubrir deficiencias de nutrientes.
• Toma de decisiones fundamentadas: Con esta información, los agricultores pueden tomar decisiones específicas sobre el riego, la fertilización y el control de plagas, y aplicar los recursos solo donde más se necesitan.

Fig. 3. Ejemplo de distintas clases de hojas, desde sanas hasta infectadas.

Clasificación de imágenes de Ultralytics YOLO11 en el comercio minorista#

La clasificación de imágenes puede mejorar significativamente la experiencia de compra en tiendas y hacerla más personalizada y fácil de usar. Los minoristas pueden utilizar modelos de visión artificial entrenados a medida para reconocer los productos de su inventario e integrar esta capacidad en sus aplicaciones móviles o sitios web. Así, los clientes pueden buscar productos simplemente subiendo una foto, lo que agiliza y facilita las compras.

Cuando un cliente sube una imagen a un sistema de búsqueda visual, ocurren varias cosas en segundo plano antes de que aparezcan los resultados de búsqueda.

En primer lugar, la detección de objetos puede utilizarse para identificar los elementos principales de la imagen, como una prenda de ropa o un mueble, y separarlos del fondo. Después, la clasificación de imágenes puede utilizarse para categorizar cada elemento con más detalle y reconocer si se trata de una chaqueta, una camisa, un sofá o una mesa.

Con esta información, el sistema puede mostrar productos similares disponibles para comprar, algo especialmente útil para encontrar artículos únicos o de moda que son difíciles de describir solo con palabras. Esta misma tecnología también puede agilizar otras tareas del comercio minorista, como la gestión del inventario, al reconocer y categorizar los artículos automáticamente.

Fig. 4. Plataforma de búsqueda visual basada en la clasificación de imágenes en funcionamiento.

Seguimiento de la fauna con la clasificación de imágenes de Ultralytics YOLO11#

Tradicionalmente, vigilar a los animales en libertad es una tarea tediosa que implica que muchas personas clasifiquen y analicen manualmente miles de fotos. Con modelos de visión artificial como Ultralytics YOLO11, los investigadores pueden vigilar animales automáticamente y con mayor rapidez. Se pueden instalar cámaras en hábitats naturales para tomar fotos. Después, se puede utilizar el modelo de IA de visión para analizar esas fotos y clasificar los animales que aparezcan. Este sistema puede ayudar a los investigadores a estudiar y seguir las poblaciones animales y sus patrones migratorios.

Otra forma en que la IA y los modelos de visión artificial como Ultralytics YOLO11 pueden ayudar en este ámbito es agilizando el proceso de clasificación de especies en peligro de extinción. Al identificar las posibles especies o categorías de razas a las que podría pertenecer un animal, estos modelos pueden proporcionar datos esenciales a los investigadores. Por ejemplo, la Universidad de Tasmania (UTAS) desarrolló un sistema basado en la clasificación de imágenes para vigilar distintas especies de la fauna de Tasmania. Las predicciones de los modelos pueden ayudar a científicos e investigadores a seguir la actividad y el comportamiento de los animales, que podrían indicar amenazas como la caza furtiva o la pérdida de hábitat.

Fig. 5. Ultralytics YOLO11 predice las posibles razas a las que podría pertenecer un perro.

Prueba la clasificación de imágenes con el modelo Ultralytics YOLO11#

Ahora que hemos explicado qué es la clasificación de imágenes y explorado algunas de sus aplicaciones, veamos cómo puedes probarla con YOLO11. Hay dos formas sencillas de empezar: usar el paquete Python de Ultralytics o hacerlo a través de Ultralytics HUB. Te explicaremos ambas opciones.

Ejecución de inferencias con Ultralytics YOLO11#

Para empezar a utilizar el paquete Ultralytics para Python, solo tienes que instalarlo con pip, conda o Docker. Si tienes algún problema, consulta nuestra guía de problemas habituales, donde encontrarás consejos útiles para solucionarlo.

Una vez instalado el paquete, puedes usar el siguiente código para cargar una variante del modelo de clasificación de imágenes Ultralytics YOLO11 y ejecutar una inferencia en una imagen. Ejecutar una inferencia significa usar un modelo entrenado para hacer predicciones sobre datos nuevos que no se han visto antes. ¡Puedes probarlo con la imagen que quieras!

Fig. 6. Ejecución de inferencias con el modelo Ultralytics YOLO11.

Entrenamiento de un modelo de clasificación personalizado de Ultralytics YOLO11#

También puedes utilizar el mismo paquete de Python para entrenar un modelo de clasificación Ultralytics YOLO11 personalizado. El entrenamiento personalizado te permite ajustar un modelo YOLO11 a tus necesidades específicas. Por ejemplo, si estás desarrollando una aplicación para clasificar distintas razas de gatos, puedes entrenar un clasificador YOLO11 personalizado específicamente para ese fin.

El código siguiente muestra cómo cargar y entrenar un modelo Ultralytics YOLO11 de clasificación de imágenes. Te permite transferir pesos preentrenados y aprovechar los conocimientos de un modelo existente para mejorar el rendimiento de tu propio modelo. Puedes especificar un conjunto de datos, como el conjunto de datos «fashion-mnist», un conocido conjunto de imágenes en escala de grises de prendas de ropa (camisas, pantalones, zapatos, etc.). Entrenar el modelo con este conjunto de datos le enseña a reconocer distintas categorías de prendas. Puedes sustituir «fashion-mnist» por cualquier conjunto de datos que se ajuste a tu proyecto, como uno de razas de gatos o tipos de plantas.

Fig. 7. Entrenamiento personalizado de un modelo Ultralytics YOLO11 para la clasificación de imágenes.

Prueba YOLO11 en Ultralytics HUB#

Aunque el paquete Ultralytics es fácil de usar, requiere ciertos conocimientos de Python. Si buscas una opción más adecuada para principiantes, puedes utilizar Ultralytics HUB, una plataforma diseñada para que entrenar e implementar distintos modelos YOLO sea sencillo y accesible. Para empezar, tendrás que crear una cuenta.

Cuando hayas iniciado sesión, ve a la sección «Models» y selecciona el modelo Ultralytics YOLO11 para la clasificación de imágenes. Verás varios tamaños de modelo disponibles: nano, small, medium, large y extra-large. Tras elegir un modelo, puedes subir una imagen en la sección «Preview». Una vez procesada la imagen, las predicciones aparecerán en la parte izquierda de la página.

Fig. 8. Ejecución de una inferencia con Ultralytics HUB.

Conclusiones clave#

YOLO11 ofrece potentes capacidades de clasificación de imágenes que abren nuevas posibilidades en diversos sectores. Desde mejorar la supervisión de cultivos en la agricultura y optimizar las búsquedas de productos en el comercio minorista hasta contribuir a la conservación de la fauna, la rapidez y precisión de YOLO11 lo hacen ideal para múltiples aplicaciones. Los usuarios pueden incorporar fácilmente YOLO11 a sus flujos de trabajo, ya sea mediante entrenamiento personalizado con el paquete Ultralytics para Python o con la intuitiva configuración sin código de Ultralytics HUB. A medida que más sectores adoptan la IA, YOLO11 ofrece una opción flexible y rápida para la clasificación de imágenes.

Para saber más, visita nuestro repositorio de GitHub y participa en nuestra comunidad. Descubre aplicaciones de IA en los coches autónomos y la sanidad en nuestras páginas de soluciones.