Cómo utilizar Ultralytics YOLO11 para la detección de objetos OBB

El evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), se centró en analizar los últimos avances en IA y visión por ordenador. Fue la ocasión perfecta para presentar nuestro modelo más reciente, Ultralytics YOLO11. El modelo admite las mismas tareas de visión por ordenador que Ultralytics YOLOv8, lo que permite a los usuarios cambiar al nuevo modelo sin esfuerzo.

Supón que estabas usando YOLOv8 para la detección de objetos con cajas delimitadoras orientadas (OBB) con el fin de detectar objetos desde distintos 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. Si todavía no has usado modelos como YOLO11, la detección con OBB es un ejemplo excelente de cómo se puede aplicar YOLO11 en diversos sectores, ofreciendo soluciones prácticas que generan un impacto real.

En este artículo veremos qué es la detección de objetos con OBB, dónde se puede aplicar y cómo usar Ultralytics YOLO11 para detectar objetos con OBB. También repasaremos 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 con OBB.

Las funciones de nueva generación de Ultralytics YOLO11 incluyen tareas como la detección de objetos con OBB#

La detección de objetos con OBB lleva la detección de objetos tradicional un paso más allá al detectar objetos desde distintos ángulos. A diferencia de las cajas delimitadoras normales, que permanecen alineadas con los ejes de la imagen, las cajas delimitadoras orientadas giran para ajustarse a la orientación del objeto. La detección de objetos con OBB se puede usar 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 inclinados, como edificios, vehículos o infraestructuras, puede sentar las bases de aplicaciones de visión por ordenador con beneficios tangibles.

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

YOLO11 admite la detección con OBB y se ha entrenado 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 variantes de modelo para adaptarse a distintas necesidades, como YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) y YOLO11x-obb (Extra Large). Cada modelo tiene un tamaño diferente, con distintos niveles de velocidad, precisión y potencia computacional. Los usuarios pueden elegir el modelo que ofrezca 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, especialmente su compatibilidad con las cajas delimitadoras orientadas, aportan una mayor precisión a diversos sectores. A continuación, veremos algunos ejemplos de cómo se pueden usar YOLO11 y la detección con OBB en situaciones reales para hacer que los procesos sean más eficientes, precisos y fáciles de gestionar en distintos ámbitos.

Planificación urbana y supervisión de infraestructuras con Ultralytics YOLO11#

Si alguna vez has admirado el diseño y la distribución de una ciudad, es gracias al trabajo detallado 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 planificadores urbanos a analizar imágenes aéreas para detectar estos componentes críticos de forma rápida y precisa.

La detección de objetos con cajas delimitadoras orientadas resulta especialmente útil aquí porque permite detectar objetos vistos desde distintos ángulos, algo habitual en las imágenes aéreas. La precisión es vital para realizar un seguimiento de las zonas industriales, gestionar el impacto medioambiental y garantizar el mantenimiento adecuado de las infraestructuras. La detección con OBB hace que el proceso de detección sea más fiable y ayuda 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 las infraestructuras que permiten que las ciudades funcionen correctamente.

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

Inspección de paneles solares con drones, Ultralytics YOLO11 e IA en el edge#

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

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

Ultralytics YOLO11 puede proporcionar información útil para la gestión de flotas#

Los puertos y las dársenas gestionan cientos de barcos cada semana, y administrar una flota tan grande puede resultar 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 con OBB.

La detección con OBB permite al modelo detectar barcos desde distintos ángulos con mayor precisión que las cajas rectangulares estándar. Al usar Ultralytics YOLO11 con OBB, las empresas navieras pueden identificar más fácilmente la ubicación y el estado de su flota, y realizar 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 desde un ángulo.

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

Si eres desarrollador de IA y quieres usar YOLO11 para la detección con 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 es una plataforma interna diseñada precisamente para eso. Para obtener más información, puedes consultar nuestra guía sobre cómo entrenar y desplegar Ultralytics YOLO11 usando Ultralytics HUB.

Ahora que hemos visto ejemplos de dónde se puede aplicar 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#

Primero, para usar YOLO11 con Python, tendrás que instalar el paquete de Ultralytics. Según tus preferencias, puedes instalarlo con pip, conda o Docker. Para consultar instrucciones paso a paso, puedes consultar nuestra Guía de instalación de Ultralytics. Si encuentras algún problema durante la instalación, nuestra Guía de problemas comunes ofrece consejos útiles para solucionarlo.

Una vez instalado el paquete de Ultralytics, trabajar con YOLO11 es increíblemente sencillo. Ejecutar una inferencia se refiere al proceso de usar un modelo entrenado para realizar predicciones sobre imágenes nuevas, por ejemplo, detectar objetos con OBB en tiempo real. Esto es diferente del entrenamiento del modelo, que consiste en enseñar al modelo a reconocer objetos nuevos o mejorar su rendimiento en tareas específicas. Las inferencias se usan cuando quieres aplicar el modelo a datos que no ha visto.

El siguiente ejemplo te guía por el proceso de cargar un modelo y usarlo para predecir cajas delimitadoras orientadas en una imagen. Para consultar ejemplos más detallados y consejos de uso avanzado, no olvides revisar 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 permite ajustar su rendimiento en conjuntos de datos y tareas específicas, como la detección de objetos con cajas delimitadoras orientadas. Aunque los modelos preentrenados, como YOLO11, se pueden usar para la detección de objetos general, entrenar un modelo personalizado es esencial cuando necesitas que el modelo detecte objetos únicos u optimizar su rendimiento en un conjunto de datos específico.

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

Primero, el modelo se inicializa usando pesos preentrenados específicos para OBB de YOLO11 (yolo11n-obb.pt). A continuación, se usa 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). Después del entrenamiento, se valida el rendimiento del modelo para comprobar métricas como la precisión y la pérdida.

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

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

El camino hacia los avances de IA de Ultralytics YOLO11#

Ultralytics YOLO11 lleva la detección de objetos al siguiente nivel gracias a su compatibilidad con las cajas delimitadoras orientadas. Al poder detectar objetos desde distintos ángulos, YOLO11 se puede usar en diversas aplicaciones de diferentes sectores. Por ejemplo, es ideal 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. Con un rendimiento más rápido y una precisión mejorada, YOLO11 puede ayudar a los desarrolladores de IA a resolver problemas del mundo real.

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

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