Cómo usar Ultralytics YOLO11 para clasificar imágenes

Imagina que un robot observa dos gatos, uno negro y otro blanco, y necesita distinguirlos. Para ello, 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 avances recientes en inteligencia artificial (AI), la clasificación de imágenes puede utilizarse en una gran variedad de aplicaciones, desde la supervisión de animales hasta la fabricación y la agricultura, incluida la detección de enfermedades en cultivos.

Uno de los avances más recientes en clasificación de imágenes es el modelo Ultralytics YOLO11. Presentado en YOLO Vision 2024 (YV24), el evento híbrido anual de Ultralytics, YOLO11 está diseñado para abordar con facilidad y precisión una amplia variedad de tareas de IA visual, incluida la clasificación de imágenes.

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

Fig. 1. 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 un tag a una imagen en función de patrones aprendidos a partir de imágenes etiquetadas previamente. Al analizar cuidadosamente los píxeles de una imagen, un modelo de visión artificial puede encontrar la mejor correspondencia para la imagen. Los modelos fiables, como Ultralytics YOLO11, pueden realizar este proceso sin complicaciones. La arquitectura del modelo YOLO11 permite procesar imágenes o fotogramas de vídeo casi al instante, por lo que es ideal para aplicaciones que necesitan 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 basándose en su contenido general. Sin embargo, con la detección de objetos, el modelo no se limita a identificar la jirafa; también dibuja un cuadro delimitador alrededor de ella y señala 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 una amplia variedad de sectores. Exploremos algunas de las principales aplicaciones de YOLO11 en la clasificación de imágenes.

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, con modelos de clasificación de imágenes como YOLO11, los agricultores pueden vigilar continuamente la salud de sus cultivos, detectar enfermedades graves e identificar con gran precisión cualquier plaga.

Así es como funciona:

• Captura de imágenes: Los dispositivos del Internet de las cosas (IoT), como las cámaras y los drones, pueden desplegarse para capturar imágenes de los cultivos en tiempo real desde distintos ángulos y ubicaciones de los campos.
• Procesamiento: En función de los recursos disponibles y de la conectividad, las imágenes pueden procesarse in situ mediante la 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 y clasificar distintos estados de los cultivos. Las clases habituales pueden incluir cultivos sanos, enfermos, afectados por plagas o con deficiencias nutricionales, lo que ayuda a localizar problemas concretos en distintas zonas del campo.
• Generación de información útil: A partir de las clasificaciones, Ultralytics YOLO11 proporciona información sobre indicadores de la salud de los cultivos, lo que ayuda a los agricultores a detectar señales tempranas de enfermedades, localizar focos de plagas o identificar deficiencias nutricionales.
• Toma de decisiones informadas: Gracias a esta información, los agricultores pueden tomar decisiones específicas sobre el riego, la fertilización y el control de plagas, y aplicar 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 notablemente la experiencia de compra en tiendas, haciéndola más personalizada y fácil de usar. Los comercios pueden usar 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 con solo subir 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.

Primero, se puede usar la detección de objetos para localizar los elementos principales de la imagen, por ejemplo, identificar una prenda o un mueble y separarlo del fondo. Después, se puede usar la clasificación de imágenes para categorizar mejor cada elemento 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 a los animales automáticamente y con mayor rapidez. Se pueden instalar cámaras en hábitats naturales para hacer fotos. Después, se puede usar el modelo de IA visual para analizar las fotos y clasificar los animales que aparezcan en ellas. Este sistema puede ayudar a los investigadores a estudiar y seguir las poblaciones de animales, sus patrones migratorios, etc.

Otra forma en que la IA y los modelos de visión artificial, como Ultralytics YOLO11, pueden ayudar en este ámbito es agilizando la clasificación de especies en peligro de extinción. Al identificar las posibles especies o categorías de razas a las que puede 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 fauna de Tasmania. Las predicciones de los modelos pueden ayudar a científicos e investigadores a observar la actividad y el comportamiento de los animales, que podrían revelar 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 hemos visto algunas de sus aplicaciones, veamos cómo puedes probarla con el nuevo modelo YOLO11. Hay dos formas sencillas de empezar: con el paquete de Python de Ultralytics o a través de Ultralytics HUB. Te explicamos ambas opciones.

Ejecución de inferencias con Ultralytics YOLO11#

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

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 usar el mismo paquete de Python para entrenar un modelo de clasificación personalizado de Ultralytics YOLO11. 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 modelo YOLO11 específicamente para ese fin.

El código siguiente muestra cómo cargar y entrenar un modelo de clasificación de imágenes de Ultralytics YOLO11. Te permite transferir pesos preentrenados, aprovechando 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 vestir (camisas, pantalones, zapatos, etc.). Al entrenar el modelo con este conjunto de datos, aprenderá a reconocer distintas categorías de ropa. Puedes sustituir «fashion-mnist» por cualquier conjunto de datos adecuado para 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 de Ultralytics es fácil de usar, requiere ciertos conocimientos de Python. Si buscas una opción más sencilla para principiantes, puedes usar Ultralytics HUB, una plataforma diseñada para que entrenar e implementar distintos modelos YOLO sea fácil 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 disponibles: nano, pequeño, mediano, grande y extragrande. Después de 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 distintos sectores. Desde mejorar la supervisión de cultivos en la agricultura y optimizar la búsqueda de productos en el comercio minorista hasta apoyar la conservación de la fauna, la velocidad y precisión de YOLO11 lo hacen ideal para aplicaciones muy diversas. Gracias a las opciones de entrenamiento personalizado mediante el paquete de Python de Ultralytics o a la configuración intuitiva sin código de Ultralytics HUB, los usuarios pueden integrar YOLO11 fácilmente en sus flujos de trabajo. A medida que más sectores adoptan soluciones de IA, YOLO11 ofrece una herramienta flexible y de alto rendimiento que impulsa la innovación y los avances prácticos.

Para descubrir más, visita nuestro repositorio de GitHub y participa en nuestra comunidad. Descubre aplicaciones de IA en coches autónomos y atención sanitaria en nuestras páginas de soluciones. 🚀