Cómo usar Ultralytics YOLO11 para la clasificación de imágenes

Digamos que un robot está observando a dos gatos, uno negro y otro blanco, y necesita averiguar cuál es cuál. Para hacerlo, puede usar 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 en inteligencia artificial (IA), la clasificación de imágenes se puede utilizar en una amplia variedad de aplicaciones que van desde el monitoreo de animales hasta la fabricación y la agricultura con la detección de enfermedades en cultivos.

Uno de los últimos avances 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 una gran variedad de tareas de visión artificial, incluida la clasificación de imágenes, con facilidad y precisión.

En este artículo, exploraremos los fundamentos de la clasificación de imágenes, hablaremos sobre aplicaciones del mundo real y te mostraremos cómo puedes usar YOLO11 para la clasificación de imágenes a través del paquete de Python de Ultralytics. También veremos cómo puedes probar las capacidades de YOLO11 en el Ultralytics HUB en unos pocos pasos sencillos. ¡Comencemos!

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

¿Qué es la clasificación de imágenes?#

La clasificación de imágenes funciona asignando una etiqueta o marca a una imagen basándose en patrones aprendidos de imágenes etiquetadas previamente. Al analizar cuidadosamente los píxeles de una imagen, un modelo de visión por computadora puede encontrar la mejor coincidencia para la imagen. Modelos fiables como Ultralytics YOLO11 pueden gestionar este proceso sin problemas. La arquitectura de modelo de YOLO11 hace posible procesar imágenes o fotogramas de vídeo casi al instante, lo que lo hace ideal para aplicaciones que necesitan una clasificación de imágenes rápida y precisa.

Para comprender realmente el alcance de la clasificación de imágenes, ayuda 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. Una comparación de clasificación de imágenes, detección de objetos y segmentación de imágenes.

Consideremos la imagen de una jirafa. En la clasificación de imágenes, el modelo puede etiquetar toda la imagen simplemente como una jirafa en función de su contenido general. Sin embargo, con la detección de objetos, el modelo no se detiene en identificar la jirafa; también coloca un cuadro delimitador alrededor de la jirafa, señalando su ubicación exacta dentro de la imagen.

Ahora, imagina a la jirafa de pie cerca de un árbol en una sabana con otros animales. Un modelo de clasificación de imágenes podría etiquetar toda la escena como "sabana" o simplemente "vida silvestre". Sin embargo, con la detección de objetos, el modelo identificaría cada elemento individualmente, reconociendo a la jirafa, el árbol y los otros animales, cada uno con sus propias cajas delimitadoras.

Aplicaciones de clasificación de imágenes con Ultralytics YOLO11#

La precisión y el rendimiento del modelo Ultralytics YOLO11 para la clasificación de imágenes lo hacen útil en una amplia gama de industrias. Exploremos algunas de las principales aplicaciones de YOLO11 en la clasificación de imágenes.

Clasificación de imágenes con Ultralytics YOLO11 en la agricultura#

La clasificación de imágenes puede ayudar a optimizar muchas funciones en la industria agrícola y ganadera. Específicamente, utilizando modelos de clasificación de imágenes como YOLO11, los agricultores pueden monitorear constantemente la salud de sus cultivos, detectar enfermedades graves e identificar cualquier infestación de plagas con alta precisión.

Aquí tienes un vistazo a cómo funciona:

• Captura de imágenes: Se pueden implementar dispositivos de Internet de las Cosas (IoT) como cámaras y drones para capturar imágenes de los cultivos en tiempo real desde varios ángulos y ubicaciones en los campos.
• Procesamiento: Dependiendo de los recursos disponibles y la conectividad, las imágenes se pueden procesar in situ mediante edge computing o cargarse en la nube para un análisis más intensivo.
• Clasificación de imágenes con YOLO11: El modelo YOLO11 puede analizar estas imágenes para clasificar varias condiciones de los cultivos. Las clases comunes pueden incluir sano, enfermo, infestado de plagas o con deficiencia de nutrientes, lo que ayuda a identificar problemas específicos que afectan a diferentes áreas del campo.
• Generación de información: Basándose en las clasificaciones, Ultralytics YOLO11 ofrece información sobre los indicadores de salud de los cultivos, ayudando a los agricultores a detectar signos tempranos de enfermedades, identificar focos de plagas o detectar deficiencias de nutrientes.
• Toma de decisiones informada: Con esta información, los agricultores pueden tomar decisiones específicas sobre riego, fertilización y control de plagas, aplicando los recursos solo donde más se necesitan.

Fig 3. Un ejemplo de diferentes clases de hojas, desde sanas hasta infectadas.

Clasificación de imágenes con Ultralytics YOLO11 en el comercio minorista#

La clasificación de imágenes puede mejorar significativamente la experiencia de compras minoristas, haciéndola más personalizada y fácil de usar. Los minoristas pueden usar modelos de visión artificial entrenados a medida para reconocer productos en su inventario e integrar esta capacidad en sus aplicaciones móviles o sitios web. Los clientes pueden entonces buscar productos simplemente subiendo una foto, lo que hace que comprar sea más rápido y cómodo.

Una vez que un cliente sube una imagen a un sistema de búsqueda visual, ocurren varias cosas entre bastidores antes de que se muestren los resultados de búsqueda.

Primero, se puede usar la detección de objetos para seleccionar los elementos principales de la imagen, como identificar una prenda de vestir o un mueble y separarlo del fondo. A continuación, se puede utilizar la clasificación de imágenes para categorizar aún más cada artículo, reconociendo si es una chaqueta, una camisa, un sofá o una mesa.

Con esta información, el sistema puede mostrar productos similares disponibles para la compra, lo cual es especialmente útil para encontrar artículos únicos o de tendencia que son difíciles de describir solo con palabras. La misma tecnología también puede ayudar a optimizar otras tareas minoristas, como la gestión de inventario, al reconocer y categorizar automáticamente los artículos.

Fig 4. Una plataforma de búsqueda visual basada en la clasificación de imágenes en acción.

Monitoreo de fauna silvestre con la clasificación de imágenes de Ultralytics YOLO11#

Tradicionalmente, monitorizar animales en libertad es una tarea tediosa que requiere que muchas personas clasifiquen y analicen manualmente miles de fotos. Con modos de visión artificial como Ultralytics YOLO11, los investigadores pueden monitorizar animales automáticamente a mayor velocidad. Se pueden colocar cámaras en hábitats naturales para tomar fotos. A continuación, se puede utilizar el modelo de IA de visión para analizar estas fotos y clasificar los animales que contienen (si los hay). Un sistema de este tipo puede ayudar a los investigadores a estudiar y rastrear las poblaciones de animales, sus patrones de migración, etc.

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

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

Prueba la clasificación de imágenes con el modelo Ultralytics YOLO11#

Ahora que hemos hablado de qué es la clasificación de imágenes y explorado algunas de sus aplicaciones, echemos un vistazo a cómo puedes probar la clasificación de imágenes con el nuevo modelo YOLO11. Hay dos formas sencillas de empezar: usando el paquete de Python de Ultralytics o a través de Ultralytics HUB. Veremos ambas opciones.

Ejecución de inferencias con Ultralytics YOLO11#

Para empezar con el paquete de Python de Ultralytics, simplemente instálalo usando pip, conda o Docker. Si tienes algún problema, consulta nuestra Guía de problemas comunes para obtener útiles consejos de solución de problemas.

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

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

Entrenamiento de un modelo de clasificación personalizado de Ultralytics YOLO11#

También puedes usar el mismo paquete de Python para entrenar un modelo de clasificación de Ultralytics YOLO11 personalizado. El entrenamiento personalizado te permite ajustar con precisión un modelo YOLO11 para tus necesidades específicas. Por ejemplo, si estás desarrollando una aplicación para clasificar diferentes razas de gatos, puedes entrenar un modelo YOLO11 de forma personalizada solo para ese propósito.

El código siguiente muestra cómo cargar y entrenar un modelo de clasificación de imágenes de Ultralytics YOLO11. Te permite transferir pesos preentrenados, utilizando el conocimiento 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", que es un conocido conjunto de imágenes en escala de grises de prendas de vestir (camisas, pantalones, zapatos, etc.). Entrenar el modelo con este conjunto de datos le enseña a reconocer diferentes categorías de ropa. Puedes cambiar "fashion-mnist" por cualquier conjunto de datos que se adapte a tu proyecto, como 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 usar el paquete de Ultralytics es sencillo, requiere ciertos conocimientos de Python. Si buscas una opción más apta para principiantes, puedes utilizar el Ultralytics HUB, una plataforma diseñada para que el entrenamiento y la implementación de diferentes modelos YOLO sean sencillos y accesibles. Para empezar, tendrás que crear una cuenta.

Una vez que hayas iniciado sesión, navega a la sección 'Models' y selecciona el modelo Ultralytics YOLO11 para la clasificación de imágenes. Verás una variedad de tamaños de modelos disponibles: nano, small, medium, large y extra-large. Después de elegir un modelo, puedes subir una imagen en la sección 'Preview', donde las predicciones aparecerán en el lado izquierdo de la página una vez que la imagen sea procesada.

Fig 8. Uso de Ultralytics HUB para ejecutar una inferencia.

Conclusiones clave#

YOLO11 ofrece potentes capacidades de clasificación de imágenes que abren nuevas posibilidades en diversos sectores. Desde mejorar el monitoreo de cultivos en la agricultura y mejorar las búsquedas de productos en el comercio minorista, hasta apoyar la conservación de la vida silvestre, la velocidad y precisión de YOLO11 lo hacen ideal para diversas aplicaciones. Con opciones para entrenamiento personalizado a través del paquete de Python de Ultralytics o una configuración sencilla y sin código en Ultralytics HUB, los usuarios pueden incorporar fácilmente YOLO11 a sus flujos de trabajo. A medida que más sectores adoptan soluciones de IA, YOLO11 ofrece una herramienta flexible y de alto rendimiento que respalda la innovación y los avances prácticos.

Para explorar más, visita nuestro repositorio de GitHub e interactúa con nuestra comunidad. Explora aplicaciones de IA en coches autónomos y sanidad en nuestras páginas de soluciones. 🚀