Cómo utilizar Ultralytics YOLO11 para la detección de objetos OBB

El evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), se centró en debatir los últimos avances en IA y visión por computador. Esta fue la ocasión perfecta para presentar nuestro modelo más reciente, Ultralytics YOLO11. El modelo es compatible con las mismas tareas de visión por computador que Ultralytics YOLOv8, lo que facilita enormemente la transición al nuevo modelo para los usuarios.

Imagina que estabas usando YOLOv8 para la detección de objetos con cuadros delimitadores orientados (OBB) con el fin de detectar objetos desde varios ángulos. Ahora puedes cambiar a YOLO11 con unos pocos cambios menores en tu código y beneficiarte de las mejoras de YOLO11, que van desde una mayor precisión y eficiencia hasta una mayor velocidad de procesamiento. En caso de que aún no hayas utilizado modelos como YOLO11, la detección OBB es un gran ejemplo de cómo se puede aplicar YOLO11 en diversos sectores, ofreciendo soluciones prácticas que generan un impacto real.

En este artículo, analizaremos qué es la detección de objetos OBB, dónde se puede aplicar y cómo usar Ultralytics YOLO11 para detectar OBB. También veremos cómo las nuevas funciones de YOLO11 pueden mejorar estos procesos y cómo ejecutar inferencias y entrenar modelos personalizados para aprovechar al máximo sus capacidades de detección OBB.

Las características de última generación de Ultralytics YOLO11 incluyen tareas como la detección de objetos OBB#

La detección de objetos OBB lleva la detección de objetos tradicional un paso más allá al detectar objetos en diferentes ángulos. A diferencia de los cuadros delimitadores normales que permanecen alineados con los ejes de la imagen, los OBB rotan para ajustarse a la orientación del objeto. La detección de objetos OBB se puede utilizar para analizar imágenes aéreas o de satélite en las que los objetos no siempre están rectos. En sectores como la planificación urbana, la energía y el transporte, la capacidad de detectar con precisión objetos angulares como edificios, vehículos o infraestructuras puede constituir la base de aplicaciones de visión por computador con beneficios tangibles.

Fig. 1 Comparación de cuadros delimitadores normales y cuadros delimitadores orientados.

YOLO11 admite la detección OBB y se ha entrenado con el conjunto de datos DOTA v1.0 para detectar objetos como aviones, barcos y tanques de almacenamiento desde diferentes perspectivas. YOLO11 se presenta en varias variantes de modelo para adaptarse a diferentes necesidades, entre las que se incluyen YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) y YOLO11x-obb (Extra Large). Cada modelo ofrece un tamaño diferente, con distintos niveles de velocidad, precisión y potencia de cálculo. Los usuarios pueden elegir el modelo que ofrezca el equilibrio adecuado de velocidad y precisión para su aplicación.

Casos de uso de Ultralytics YOLO11 que aportan un nuevo ángulo a la detección#

Las capacidades de detección de objetos de Ultralytics YOLO11, especialmente su compatibilidad con cuadros delimitadores orientados, aportan mayor precisión a diversas industrias. A continuación, veremos algunos ejemplos de cómo se pueden usar YOLO11 y la detección OBB en situaciones reales para que los procesos sean más eficientes, precisos y fáciles de gestionar en distintos campos.

Planificación urbana y monitorización de infraestructuras con Ultralytics YOLO11#

Si alguna vez has admirado el diseño y la distribución de una ciudad, se lo debes al trabajo detallado de la planificación urbana y la monitorización de infraestructuras. Uno de los muchos aspectos de la monitorización de infraestructuras es identificar y gestionar estructuras importantes como tanques de almacenamiento, tuberías y sitios industriales. Ultralytics YOLO11 puede ayudar a los urbanistas a analizar imágenes aéreas para detectar estos componentes críticos de forma rápida y precisa.

La detección de objetos con cuadros delimitadores orientados es especialmente útil aquí porque permite detectar objetos vistos desde varios ángulos (algo habitual en las imágenes aéreas). La precisión es vital en este caso para realizar un seguimiento de las zonas industriales, gestionar los impactos ambientales y garantizar que la infraestructura se mantenga adecuadamente. OBB hace que el proceso de detección sea más fiable, ayudando a los planificadores a tomar decisiones informadas sobre el crecimiento, la seguridad y la sostenibilidad de la ciudad. El uso de Ultralytics YOLO11 puede ayudar a los planificadores a supervisar y gestionar la infraestructura que mantiene las ciudades funcionando sin problemas.

Fig 2. Uso de Ultralytics YOLO11 para detectar tanques de almacenamiento en imágenes aéreas.

Inspección de paneles solares con drones, Ultralytics YOLO11 y IA en el borde#

A medida que las energías renovables y las innovaciones como los parques solares ganan popularidad, las inspecciones periódicas cobran mayor importancia. Es necesario revisar los paneles solares para garantizar que funcionan de manera eficiente. Con el tiempo, factores como grietas, acumulación de suciedad o desalineación pueden reducir su rendimiento. Las inspecciones rutinarias ayudan a detectar estos problemas a tiempo para poder realizar tareas de mantenimiento que mantengan su correcto funcionamiento.

Por ejemplo, se pueden inspeccionar paneles solares en busca de daños utilizando drones integrados con IA de borde y Ultralytics YOLO11. Analizar imágenes en el borde aporta mayor precisión y eficiencia al proceso de inspección. Debido al movimiento y la perspectiva del dron, las grabaciones de vigilancia a menudo pueden capturar los paneles solares desde varios ángulos. En estos casos, la detección OBB de YOLO11 puede ayudar a los drones a identificar con precisión los paneles solares.

Ultralytics YOLO11 puede proporcionar información para la gestión de flotas#

Los puertos y dársenas manejan cientos de barcos cada semana, y gestionar una flota tan grande puede resultar complicado. Un elemento adicional de dificultad surge al analizar barcos en imágenes aéreas; los barcos suelen aparecer en diferentes ángulos. Aquí es donde entra en juego la compatibilidad de Ultralytics YOLO11 con la detección OBB.

La detección OBB hace posible que el modelo detecte barcos en varios ángulos con mayor precisión que los cuadros rectangulares estándar. Al utilizar Ultralytics YOLO11 con OBB, las empresas navieras pueden identificar más fácilmente la ubicación y el estado de su flota, realizando un seguimiento de detalles importantes como los movimientos de la flota y la logística de la cadena de suministro. Estas soluciones basadas en visión ayudan a optimizar las rutas, reducir los retrasos y mejorar la gestión general de las flotas en las rutas marítimas.

Fig 3. Uso de Ultralytics YOLO11 para detectar barcos y puertos en ángulo.

Ultralytics YOLO11 para desarrolladores de IA: Detección de cuadros delimitadores orientados#

Si eres un desarrollador de IA que busca utilizar YOLO11 para la detección OBB, tienes dos opciones sencillas para empezar. Si te sientes cómodo trabajando con código, el paquete de Python de Ultralytics es una excelente opción. Si prefieres una solución intuitiva y sin código con capacidades de entrenamiento en la nube, Ultralytics HUB es una plataforma interna diseñada precisamente para eso. Para obtener más detalles, puedes consultar nuestra guía sobre entrenamiento y despliegue de Ultralytics YOLO11 utilizando Ultralytics HUB.

Ahora que hemos visto ejemplos de dónde se puede aplicar la compatibilidad OBB de YOLO11, vamos a explorar el paquete de Python de Ultralytics y ver cómo puedes ejecutar inferencias y entrenar modelos personalizados utilizándolo.

Ejecución de inferencias con Ultralytics YOLO11#

En primer lugar, para utilizar YOLO11 con Python, deberás instalar el paquete de Ultralytics. Dependiendo de tus preferencias, puedes elegir instalarlo mediante pip, conda o Docker. Para obtener instrucciones paso a paso, puedes consultar nuestra Guía de instalación de Ultralytics. Si te encuentras con algún problema durante la instalación, nuestra Guía de problemas comunes ofrece útiles consejos para la resolución de incidencias.

Una vez que hayas instalado el paquete de Ultralytics, trabajar con YOLO11 es sumamente sencillo. Ejecutar una inferencia se refiere al proceso de utilizar un modelo entrenado para realizar predicciones sobre nuevas imágenes, como detectar objetos con OBB en tiempo real. Es diferente al entrenamiento de modelos, que consiste en enseñar al modelo a reconocer nuevos objetos o mejorar su rendimiento en tareas específicas. La inferencia se utiliza cuando quieres aplicar el modelo a datos no vistos.

El siguiente ejemplo te guía a través de cómo cargar un modelo y utilizarlo para predecir cuadros delimitadores orientados en una imagen. Para ver ejemplos más detallados y consejos de uso avanzado, asegúrate de consultar la documentación oficial de Ultralytics para conocer las mejores prácticas y obtener más instrucciones.

Fig 4. Fragmento de código que muestra la ejecución de inferencias utilizando Ultralytics YOLO11.

Entrenamiento de un modelo personalizado de Ultralytics YOLO11#

Entrenar un modelo de Ultralytics YOLO11 significa que puedes ajustar su rendimiento en conjuntos de datos y tareas específicos, como la detección de objetos con cuadros delimitadores orientados. Si bien los modelos preentrenados como YOLO11 se pueden usar para la detección de objetos general, entrenar un modelo personalizado es fundamental cuando necesitas que el modelo detecte objetos únicos u optimice el rendimiento en un conjunto de datos específico.

En el fragmento de código siguiente, cubrimos los pasos para entrenar un modelo Ultralytics YOLO11 para la detección OBB.

Primero, el modelo se inicializa utilizando pesos específicos para OBB de YOLO11 preentrenados (yolo11n-obb.pt). A continuación, se utiliza una función de entrenamiento para entrenar el modelo en un conjunto de datos personalizado, con parámetros como el archivo de configuración del conjunto de datos, el número de ciclos de entrenamiento, el tamaño de la imagen de entrenamiento y el hardware en el que se ejecuta el entrenamiento (por ejemplo, CPU o GPU). Tras el entrenamiento, se valida el rendimiento del modelo para comprobar métricas como la precisión y la pérdida.

Utilizando el modelo entrenado, puedes ejecutar inferencias en nuevas imágenes para detectar objetos con OBB y visualizarlos. Asimismo, el modelo entrenado se puede convertir a formatos como ONNX para su despliegue utilizando la función de exportación.

Fig 5. Un ejemplo de entrenamiento de Ultralytics YOLO11 para la detección de objetos OBB.

El camino a seguir para los avances de la IA con Ultralytics YOLO11#

Ultralytics YOLO11 lleva la detección de objetos al siguiente nivel con su compatibilidad con cuadros delimitadores orientados. Al ser capaz de detectar objetos en diferentes ángulos, YOLO11 se puede utilizar para diversas aplicaciones en distintas industrias. Por ejemplo, es una opción perfecta para sectores como la planificación urbana, la energía y el transporte marítimo, donde la precisión es crucial para tareas como las inspecciones de paneles solares o el monitoreo de flotas. Con un rendimiento más rápido y una mayor precisión, YOLO11 puede ayudar a los desarrolladores de IA a resolver desafíos del mundo real.

A medida que la IA se adopte de forma más generalizada y se integre en nuestra vida diaria, modelos como Ultralytics YOLO11 darán forma al futuro de las soluciones de IA.

Para conocer el potencial de la IA de visión, únete a nuestra creciente comunidad y explora nuestro repositorio de GitHub. Estamos impulsando la innovación reinventando sectores que van desde la sanidad hasta los vehículos autónomos.