Cómo usar Ultralytics YOLO11 para detectar objetos con OBB

El evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), se centró en analizar los últimos avances en IA y visión artificial. También fue el evento en el que presentamos nuestro modelo más reciente de entonces, Ultralytics YOLO11, que desde entonces ha sido sustituido por Ultralytics YOLO26. El modelo admite las mismas tareas de visión artificial que Ultralytics YOLOv8, por lo que a los usuarios les resulta fácil pasarse al nuevo modelo.

Imagina que utilizabas YOLOv8 para la detección de objetos con cajas delimitadoras orientadas (OBB) y detectar objetos desde distintos ángulos. Ahora puedes pasarte a YOLO11 con unos pocos cambios menores en el código y beneficiarte de las mejoras de YOLO11, que incluyen mayor precisión y eficiencia, así como más velocidad de procesamiento. Si aún no has utilizado modelos como YOLO11, la detección OBB es un excelente ejemplo de cómo puede aplicarse YOLO11 en distintos sectores y ofrecer soluciones prácticas con un impacto real.

En este artículo veremos qué es la detección de objetos OBB, dónde se puede aplicar y cómo utilizar Ultralytics YOLO11 para detectar OBB. También explicaremos 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 funciones de nueva 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 desde distintos ángulos. A diferencia de las cajas delimitadoras convencionales, que permanecen alineadas con los ejes de la imagen, las OBB giran para ajustarse a la orientación del objeto. La detección de objetos OBB puede utilizarse para analizar imágenes aéreas o de satélite, en las que los objetos no siempre aparecen rectos. En sectores como la planificación urbana, la energía y el transporte, la capacidad de detectar con precisión objetos inclinados, como edificios, vehículos o infraestructuras, puede servir de base para aplicaciones de visión artificial con beneficios tangibles.

Fig. 1. Comparación de cajas delimitadoras normales y cajas delimitadoras orientadas.

YOLO11 admite la detección OBB y se entrenó con el conjunto de datos DOTA v1.0 para detectar objetos como aviones, barcos y depósitos de almacenamiento desde distintas perspectivas. YOLO11 está disponible en varias versiones para adaptarse a distintas necesidades: YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) y YOLO11x-obb (Extra Large). Cada modelo tiene un tamaño distinto y ofrece diferentes niveles de velocidad, precisión y capacidad computacional. Los usuarios pueden elegir el modelo que proporcione el equilibrio adecuado entre 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, en especial su compatibilidad con cajas delimitadoras orientadas, aportan mayor precisión a distintos sectores. A continuación, veremos algunos ejemplos de cómo se pueden utilizar YOLO11 y la detección OBB en situaciones reales para hacer que los procesos sean más eficientes, precisos y fáciles de gestionar en diversos ámbitos.

Planificación urbana y monitorización de infraestructuras con Ultralytics YOLO11#

Si alguna vez has admirado el diseño y la distribución de una ciudad, es gracias al minucioso trabajo de la planificación urbana y la supervisión de infraestructuras. Uno de los muchos aspectos de la supervisión de infraestructuras consiste en identificar y gestionar estructuras importantes, como depósitos de almacenamiento, tuberías y emplazamientos industriales. Ultralytics YOLO11 puede ayudar a los urbanistas a analizar imágenes aéreas para detectar estos elementos esenciales con rapidez y precisión.

La detección de objetos con cajas delimitadoras orientadas resulta especialmente útil en este caso, ya que permite detectar objetos vistos desde distintos ángulos, algo habitual en las imágenes aéreas. La precisión es fundamental para controlar las zonas industriales, gestionar el impacto ambiental y garantizar el mantenimiento adecuado de las infraestructuras. OBB hace que el proceso de detección sea más fiable y ayuda a los urbanistas a tomar decisiones fundamentadas sobre el crecimiento, la seguridad y la sostenibilidad de la ciudad. El uso de Ultralytics YOLO11 puede ayudar a los urbanistas a supervisar y gestionar las infraestructuras que permiten que las ciudades funcionen sin problemas.

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

Inspección de paneles solares con drones, Ultralytics YOLO11 e IA periférica#

A medida que las energías renovables y las innovaciones como los parques solares ganan popularidad, las inspecciones periódicas cobran cada vez más importancia. Es necesario revisar los paneles solares para asegurarse de que funcionen de forma eficiente. Con el tiempo, problemas como las grietas, la acumulación de suciedad o la desalineación pueden reducir su rendimiento. Las inspecciones periódicas ayudan a detectar estos problemas a tiempo para poder realizar el mantenimiento necesario y mantenerlos en buen estado.

Por ejemplo, los paneles solares pueden inspeccionarse para detectar daños mediante drones integrados con IA en el borde y Ultralytics YOLO11. El análisis de imágenes en el borde aporta más precisión y eficiencia al proceso de inspección. Debido al movimiento y la perspectiva del dron, las imágenes suelen mostrar los paneles solares desde distintos ángulos. En estos casos, la detección OBB de YOLO11 puede ayudar a los drones a identificar los paneles solares con precisión.

Ultralytics YOLO11 puede proporcionar información útil para gestionar flotas#

Los puertos y los puertos deportivos reciben cientos de barcos cada semana, y gestionar una flota tan grande puede ser complicado. La dificultad aumenta al analizar barcos en imágenes aéreas, ya que suelen aparecer desde distintos ángulos. Aquí es donde resulta útil la compatibilidad de Ultralytics YOLO11 con la detección OBB.

La detección OBB permite que el modelo detecte barcos desde distintos ángulos con más precisión que las cajas rectangulares convencionales. Al utilizar Ultralytics YOLO11 con OBB, las empresas navieras pueden identificar con mayor facilidad la ubicación y el estado de su flota y controlar aspectos importantes, como los movimientos de los barcos 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 la flota en las rutas marítimas.

Fig. 3. Uso de Ultralytics YOLO11 para detectar barcos y puertos desde distintos ángulos.

Ultralytics YOLO11 para desarrolladores de IA: detección de cajas delimitadoras orientadas#

Si eres desarrollador de IA y quieres 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, sin código y con capacidades de entrenamiento en la nube, Ultralytics HUB (ahora Ultralytics Platform) es una plataforma diseñada precisamente para eso. Para obtener más información, consulta nuestra guía sobre cómo entrenar e implementar Ultralytics YOLO11 con Ultralytics HUB.

Ahora que hemos visto ejemplos de aplicaciones de la compatibilidad de YOLO11 con OBB, exploremos el paquete de Python de Ultralytics y veamos cómo puedes ejecutar inferencias y entrenar modelos personalizados con él.

Ejecución de inferencias con Ultralytics YOLO11#

En primer lugar, para utilizar YOLO11 con Python, tendrás que instalar el paquete de Ultralytics. Según tus preferencias, puedes instalarlo con pip, conda o Docker. Para obtener instrucciones paso a paso, consulta nuestra guía de instalación de Ultralytics. Si tienes algún problema durante la instalación, nuestra guía de problemas habituales ofrece consejos útiles para solucionarlo.

Una vez instalado el paquete Ultralytics, trabajar con YOLO11 es muy sencillo. Ejecutar una inferencia consiste en utilizar un modelo entrenado para hacer predicciones sobre imágenes nuevas, por ejemplo, detectar objetos con OBB en tiempo real. Es distinto del entrenamiento del modelo, que consiste en enseñarle a reconocer objetos nuevos o mejorar su rendimiento en tareas concretas. La inferencia se utiliza cuando quieres aplicar el modelo a datos que no ha visto.

En el siguiente ejemplo se explica cómo cargar un modelo y utilizarlo para predecir cajas delimitadoras orientadas en una imagen. Para ver ejemplos más detallados y consejos de uso avanzado, consulta la documentación oficial de Ultralytics, donde encontrarás buenas prácticas e instrucciones adicionales.

Fig. 4. Fragmento de código que muestra cómo ejecutar inferencias con Ultralytics YOLO11.

Entrenamiento de un modelo Ultralytics YOLO11 personalizado#

Entrenar un modelo Ultralytics YOLO11 te permite ajustar su rendimiento a conjuntos de datos y tareas concretos, como la detección de objetos con cajas delimitadoras orientadas. Aunque los modelos preentrenados como YOLO11 pueden utilizarse para la detección de objetos general, entrenar un modelo personalizado es esencial cuando necesitas que detecte objetos específicos u optimizar su rendimiento con un conjunto de datos concreto.

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

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

Con el modelo entrenado, puedes ejecutar inferencias sobre imágenes nuevas para detectar objetos con OBB y visualizarlos. También puedes convertir el modelo entrenado a formatos como ONNX para implementarlo mediante la función de exportación.

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

El futuro de los avances en IA con Ultralytics YOLO11#

Ultralytics YOLO11 amplía la detección de objetos con su compatibilidad con cajas delimitadoras orientadas. Al poder detectar objetos desde distintos ángulos, YOLO11 puede utilizarse en diversas aplicaciones de distintos sectores. Por ejemplo, es muy adecuado para sectores como la planificación urbana, la energía y el transporte marítimo, donde la precisión es crucial en tareas como la inspección de paneles solares o la supervisión de flotas. Gracias a su mayor velocidad y precisión mejorada, YOLO11 puede ayudar a los desarrolladores de IA a resolver problemas del mundo real.

A medida que la IA se adopte e integre cada vez más en nuestra vida cotidiana, modelos como Ultralytics YOLO11 darán forma al futuro de las soluciones de IA.

Para descubrir el potencial de la IA visual, únete a nuestra creciente comunidad y explora nuestro repositorio de GitHub. Descubre cómo se aplica la IA visual en sectores que van desde la sanidad hasta los vehículos autónomos.