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 artificial. Fue la ocasión perfecta para presentar nuestro modelo más reciente, Ultralytics YOLO11. Este modelo admite las mismas tareas de visión artificial que Ultralytics YOLOv8, lo que facilita enormemente la transición al nuevo modelo para los usuarios.

Supongamos que usabas YOLOv8 para la detección de objetos con cuadros delimitadores orientados (OBB) para detectar objetos desde diversos 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 excelente ejemplo de cómo se puede aplicar YOLO11 en una variedad de industrias, 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 utilizar YOLO11 para detectar OBB. También veremos cómo las nuevas características de YOLO11 pueden mejorar estos procesos y cómo ejecutar inferencias y entrenar modelos personalizados para aprovechar al máximo sus capacidades de detección OBB.

Link to this sectionLas características de YOLO11 de última generación incluyen tareas como la detección de objetos OBB#

La detección de objetos OBB lleva a 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 giran para ajustarse a la orientación del objeto. La detección de objetos OBB se puede utilizar para analizar imágenes aéreas o satelitales donde los objetos no siempre están rectos. En sectores como la planificación urbana, la energía y el transporte, la capacidad de detectar con precisión objetos en ángulo como edificios, vehículos o infraestructuras puede formar la base de aplicaciones de visión artificial con beneficios tangibles.

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

YOLO11 admite la detección OBB y se entrenó con el conjunto de datos DOTA v1.0 para detectar objetos como aviones, barcos y tanques de almacenamiento desde diferentes perspectivas. YOLO11 está disponible en varias versiones de modelo para satisfacer distintas necesidades, incluyendo 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 computacional. Los usuarios pueden elegir el modelo que ofrezca el equilibrio adecuado de velocidad y precisión para su aplicación.

Link to this sectionCasos de uso de YOLO11 que introducen un nuevo ángulo a la detección#

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

Link to this sectionPlanificación urbana y monitoreo de infraestructura con YOLO11#

Si alguna vez has admirado el diseño y la disposición de una ciudad, es gracias al trabajo detallado de la planificación urbana y el monitoreo de infraestructura. Uno de los muchos aspectos del monitoreo de infraestructura es la identificación y gestión de estructuras importantes como tanques de almacenamiento, tuberías y sitios industriales. YOLO11 puede ayudar a los planificadores urbanos a analizar imágenes aéreas para detectar estos componentes críticos de manera rápida y precisa.

La detección de objetos con cuadros delimitadores orientados es particularmente útil en este caso porque permite la detección de objetos vistos desde varios ángulos (a menudo el caso con imágenes aéreas). La precisión es vital aquí 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. Usar YOLO11 puede ayudar a los planificadores a monitorear y gestionar la infraestructura que mantiene las ciudades funcionando sin problemas.

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

Link to this sectionInspección de paneles solares con drones, YOLO11 y IA de borde#

A medida que la energía renovable y las innovaciones como los parques solares se vuelven más populares, las inspecciones periódicas cobran mayor importancia. Es necesario comprobar los paneles solares para asegurarse de 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 que se pueda realizar el mantenimiento necesario y mantenerlos funcionando sin problemas.

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

Link to this sectionYOLO11 puede proporcionar información para la gestión de flotas#

Los puertos y las dársenas gestionan cientos de barcos cada semana, y administrar una flota tan grande puede ser un desafío. Se añade un elemento de dificultad adicional al analizar barcos en imágenes aéreas; los barcos a menudo aparecen en ángulos diferentes. Aquí es donde resulta útil la compatibilidad de YOLO11 con la detección OBB.

La detección OBB permite al modelo detectar barcos en diversos ángulos con mayor precisión que los cuadros rectangulares estándar. Al usar YOLO11 con OBB, las compañías 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 habilitadas por visión ayudan a optimizar rutas, reducir retrasos y mejorar la gestión general de la flota a través de las rutas marítimas.

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

Link to this sectionYOLO11 para desarrolladores de IA: Detección de cuadros delimitadores orientados#

Si eres un desarrollador de IA que busca usar 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 gran elección. Si prefieres una solución fácil de usar, sin código y con capacidades de entrenamiento en la nube, Ultralytics HUB es una plataforma propia diseñada específicamente para ello. 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, exploremos el paquete de Python de Ultralytics y veamos cómo puedes ejecutar inferencias y entrenar modelos personalizados usándolo.

Link to this sectionEjecución de inferencias usando YOLO11#

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

Una vez que hayas 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 nuevas imágenes, como detectar objetos con OBB en tiempo real. Es diferente del entrenamiento de modelos, que es cuando enseñas 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 ejemplo a continuación te guía a través de cómo cargar un modelo y usarlo 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 instrucciones adicionales.

Fig. 4. Un fragmento de código que muestra la ejecución de inferencias usando YOLO11.

Link to this sectionEntrenamiento de un modelo YOLO11 personalizado#

Entrenar un modelo 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, el entrenamiento de un modelo personalizado es esencial cuando necesitas que el modelo detecte objetos únicos u optimice el rendimiento en un conjunto de datos específico.

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

Primero, el modelo se inicializa usando pesos preentrenados específicos para YOLO11 OBB (yolo11n-obb.pt). Luego, 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 para ejecutar 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.

Utilizando el modelo entrenado, puedes ejecutar inferencias en nuevas imágenes para detectar objetos con OBB y visualizarlos. Además, 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 YOLO11 para la detección de objetos OBB.

Link to this sectionEl camino a seguir para los avances en IA con 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 adopta más ampliamente y se integra en nuestra vida cotidiana, modelos como YOLO11 darán forma al futuro de las soluciones de IA.

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