Cómo usar Ultralytics YOLO11 para la clasificación de imágenes

Supongamos que un robot está mirando 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 avances recientes en inteligencia artificial (AI), la clasificación de imágenes puede utilizarse en una gran variedad de aplicaciones, desde la monitorización de animales hasta la fabricación y la agricultura con la detección de enfermedades de los cultivos.

Uno de los avances más recientes en 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 IA de visión, incluida la clasificación de imágenes, con facilidad y precisión.

En este artículo, exploraremos los fundamentos de la clasificación de imágenes, analizaremos aplicaciones del mundo real y te mostraremos cómo puedes usar YOLO11 para la clasificación de imágenes mediante el paquete Python de Ultralytics. También veremos cómo puedes probar las capacidades de YOLO11 en Ultralytics HUB en 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. Mediante un análisis minucioso de los píxeles de una imagen, un modelo de visión artificial puede encontrar la mejor coincidencia para ella. 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, 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, resulta útil 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.

Consideremos 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, sino que también coloca un cuadro delimitador alrededor de ella y señala su ubicación exacta dentro de la imagen.

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

Aplicaciones de la 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 gran variedad de sectores. Exploremos algunas de las aplicaciones principales 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 del sector de la agricultura. En concreto, mediante modelos de clasificación de imágenes como YOLO11, los agricultores pueden monitorizar constantemente el estado de sus cultivos, detectar enfermedades graves e identificar cualquier infestación de plagas con gran precisión.

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 en tiempo real de los cultivos desde distintos ángulos y ubicaciones de los campos.
• Procesamiento: en función de 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. Algunas clases habituales pueden ser sano, enfermo, infestado de plagas o con deficiencia de nutrientes, lo que ayuda a localizar problemas concretos que afectan a distintas zonas del campo.
• Generación de información útil: basándose en las clasificaciones, Ultralytics YOLO11 proporciona información sobre los indicadores de salud de los cultivos, lo que ayuda a los agricultores a detectar los primeros signos de enfermedad, identificar focos de plagas o detectar 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, aplicando los recursos solo donde más se necesitan.

Fig. 3. Ejemplo de distintas 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 compra en comercios minoristas, haciéndola 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. De este modo, los clientes pueden buscar productos simplemente subiendo una foto, lo que hace que comprar sea más rápido y cómodo.

Cuando un cliente sube una imagen a un sistema de búsqueda visual, suceden varias cosas entre bastidores antes de que aparezcan los resultados de búsqueda.

En primer lugar, puede utilizarse la detección de objetos para identificar los elementos principales de la imagen, como una prenda de ropa o un mueble, y separarlos del fondo. A continuación, la clasificación de imágenes puede utilizarse 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, lo que resulta especialmente útil para encontrar artículos únicos o de moda que son difíciles de describir solo con palabras. La misma tecnología también puede ayudar a optimizar otras tareas del comercio minorista, como la gestión del inventario, al reconocer y categorizar artículos automáticamente.

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

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

Tradicionalmente, monitorizar 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 monitorizar animales automáticamente y a mayor velocidad. Se pueden colocar cámaras en hábitats naturales para tomar fotografías. A continuación, el modelo de IA de visión puede utilizarse para analizar estas fotos y clasificar los animales que aparecen en ellas, si los hay. Un sistema de este tipo puede ayudar a los investigadores a estudiar y hacer un seguimiento de las poblaciones animales, sus patrones migratorios, etc.

Otra forma en que los modelos de IA y visión artificial, como Ultralytics YOLO11, pueden ayudar en este ámbito es optimizando el proceso de 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 monitorizar distintas especies de fauna silvestre de Tasmania. Las predicciones de los modelos pueden ayudar a científicos e investigadores a vigilar 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 prediciendo las posibles razas a las que podría pertenecer un perro.

Probar la clasificación de imágenes con el modelo Ultralytics YOLO11#

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

Ejecución de inferencias con Ultralytics YOLO11#

Para empezar a utilizar el paquete Python de Ultralytics, solo tienes que instalarlo mediante pip, conda o Docker. Si encuentras algún problema, consulta nuestra guía de problemas habituales para obtener consejos de resolución de problemas útiles.

Una vez instalado el paquete, puedes utilizar el siguiente código para cargar una variante del modelo de clasificación de imágenes Ultralytics YOLO11 y ejecutar una inferencia sobre una imagen. Ejecutar una inferencia significa utilizar un modelo entrenado para realizar predicciones sobre datos nuevos que no ha 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 Python para entrenar un modelo de clasificación personalizado de Ultralytics YOLO11. El entrenamiento personalizado te permite ajustar un modelo YOLO11 para tus necesidades específicas. Por ejemplo, si estás desarrollando una aplicación para clasificar distintas razas de gatos, puedes entrenar un modelo YOLO11 personalizado específicamente para ese fin.

El código siguiente muestra cómo cargar y entrenar un modelo de clasificación de imágenes Ultralytics YOLO11. Te permite transferir pesos preentrenados, utilizando 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", que es un conjunto conocido 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 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 utilizar el paquete Ultralytics es sencillo, requiere ciertos conocimientos de Python. Si buscas una opción más adecuada para principiantes, puedes usar Ultralytics HUB, una plataforma diseñada para que entrenar y desplegar distintos modelos YOLO sea sencillo y accesible. Para empezar, tendrás que crear una cuenta.

Una vez que 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, pequeño, mediano, grande y extragrande. 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 procesada la imagen.

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 la monitorización de cultivos en la agricultura y optimizar la búsqueda de productos en el comercio minorista hasta apoyar la conservación de la fauna silvestre, la velocidad y precisión de YOLO11 lo hacen ideal para aplicaciones diversas. Con opciones de entrenamiento personalizado mediante el paquete Python de Ultralytics o una configuración intuitiva sin código en Ultralytics HUB, los usuarios pueden incorporar YOLO11 fácilmente a 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. Explora aplicaciones de IA en coches autónomos y sanidad en nuestras páginas de soluciones. 🚀