8 de octubre de 2024
Comprenda cómo Ultralytics YOLO11 puede mejorar la detección de objetos mediante cajas delimitadoras orientadas (OBB) y para qué aplicaciones es ideal esta tarea de visión por ordenador.
El evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), se centró en debatir 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 facilita a los usuarios el cambio al nuevo modelo.
Supongamos que estaba utilizando YOLOv8 para la detección de objetos con cajas delimitadoras orientadas (OBB ) para detectar objetos desde varios ángulos. Ahora puede cambiar a YOLO11 con unos pequeños cambios en su código y beneficiarse de las mejoras de YOLO11, que van desde una mayor precisión y eficacia hasta la velocidad de procesamiento. En caso de que aún no haya utilizado modelos como YOLO11, la detección OBB es un gran ejemplo de cómo YOLO11 puede aplicarse en una amplia gama de sectores, ofreciendo soluciones prácticas que tienen un impacto real.
En este artículo, veremos qué es la detección de objetos OBB, dónde puede aplicarse y cómo utilizar 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 de OBB.
La detección de objetos OBB va un paso más allá de la detección de objetos tradicional, ya que detecta objetos en distintos ángulos. A diferencia de los cuadros delimitadores normales, que permanecen alineados con los ejes de la imagen, los OBB giran para adaptarse a la orientación del objeto. La detección de objetos mediante OBB puede utilizarse para analizar imágenes aéreas o por 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 angulosos como edificios, vehículos o infraestructuras puede constituir la base de aplicaciones de visión por ordenador con beneficios tangibles.
YOLO11 es compatible con la detección de OBB y fue entrenado en el conjunto de datos DOTA v1.0 para detectar objetos como aviones, barcos y tanques de almacenamiento desde diferentes perspectivas. YOLO11 está disponible en varios modelos para adaptarse a las distintas necesidades: YOLO11n-obb (Nano), YOLO11s-obb (Pequeño), YOLO11m-obb (Mediano), YOLO11l-obb (Grande) y YOLO11x-obb (Extra Grande). 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.
Las funciones de detección de objetos de YOLO11, especialmente su compatibilidad con los cuadros delimitadores orientados, aportan mayor precisión a diversos sectores. A continuación, veremos algunos ejemplos de cómo YOLO11 y la detección de OBB pueden utilizarse en situaciones reales para que los procesos sean más eficientes, precisos y fáciles de gestionar en distintos campos.
Si alguna vez ha admirado el diseño y la disposición de una ciudad, es gracias al minucioso trabajo de planificación urbana y supervisión de infraestructuras. Uno de los muchos aspectos de la supervisión de infraestructuras es la identificación y gestión de estructuras importantes como tanques de almacenamiento, tuberías y polígonos industriales. YOLO11 puede ayudar a los urbanistas a analizar imágenes aéreas para detectar estos componentes críticos con rapidez y precisión.
La detección de objetos mediante cuadros delimitadores orientados es especialmente útil en este caso porque permite detectar objetos vistos desde varios ángulos (lo que suele ocurrir con las imágenes aéreas). En este caso, la precisión es vital para hacer un seguimiento de las zonas industriales, gestionar el impacto medioambiental y garantizar el mantenimiento adecuado de las infraestructuras. 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 YOLO11 puede ayudar a los planificadores a supervisar y gestionar las infraestructuras que mantienen el buen funcionamiento de las ciudades.
A medida que se popularizan las energías renovables y las innovaciones como las huertas solares, las inspecciones periódicas cobran mayor importancia. Los paneles solares deben revisarse para asegurarse de que funcionan correctamente. Con el tiempo, cosas como grietas, acumulación de suciedad o desalineación pueden reducir su rendimiento. Las inspecciones rutinarias ayudan a detectar estos problemas a tiempo, de modo que se pueda realizar el mantenimiento necesario para que sigan funcionando sin problemas.
Por ejemplo, los paneles solares pueden inspeccionarse en busca de daños utilizando drones integrados con edge AI y 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 de vigilancia pueden captar a menudo 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.
Los puertos manejan cientos de barcos cada semana, y gestionar una flota tan grande puede ser todo un reto. El análisis de buques en imágenes aéreas entraña una dificultad añadida, ya que los buques suelen aparecer en ángulos diferentes. Aquí es donde resulta útil el soporte de YOLO11 para la detección de OBB.
La detección OBB permite que el modelo detecte buques en varios ángulos con más precisión que las cajas rectangulares estándar. Al utilizar YOLO11 con OBB, las empresas navieras pueden identificar más fácilmente la ubicación y el estado de su flota, haciendo un seguimiento de detalles importantes como los movimientos de la flota y la logística de la cadena de suministro. Estas soluciones de visión ayudan a optimizar las rutas, reducir los retrasos y mejorar la gestión general de la flota en todas las rutas marítimas.
Si eres un desarrollador de IA y quieres utilizar YOLO11 para la detección de OBB, hay dos opciones sencillas para empezar. Si se siente cómodo trabajando con código, el paquete Ultralytics Python es una gran elección. Si prefiere una solución fácil de usar, sin código y con capacidades de formación en la nube, Ultralytics HUB es una plataforma interna diseñada precisamente para eso. Para más detalles puede echar un vistazo a nuestra guía sobre formación e implementación de Ultralytics YOLO11 utilizando Ultralytics HUB.
Ahora que hemos visto ejemplos en los que se puede aplicar el soporte OBB de YOLO11, vamos a explorar el paquete Python Ultralytics y ver cómo se pueden ejecutar inferencias y entrenar modelos personalizados con él.
En primer lugar, para utilizar YOLO11 con Python, necesitarás instalar el paquete Ultralytics. Dependiendo de tus preferencias, puedes elegir instalarlo usando pip, conda o Docker. Para obtener instrucciones paso a paso, puede consultar nuestra Guía de instalación de Ultralytics. Si se enfrenta a algún problema durante la instalación, nuestra Guía de problemas comunes ofrece consejos útiles para la solución de problemas.
Una vez instalado el paquete Ultralytics, trabajar con YOLO11 es increíblemente sencillo. Ejecutar una inferencia se refiere al proceso de utilizar un modelo entrenado para hacer predicciones sobre nuevas imágenes - como detectar objetos con OBB en tiempo real. Es diferente del entrenamiento del modelo, que es cuando se enseña al modelo a reconocer nuevos objetos o a mejorar su rendimiento en tareas específicas. La inferencia se utiliza cuando se quiere aplicar el modelo a datos no vistos.
El siguiente ejemplo muestra cómo cargar un modelo y utilizarlo para predecir cuadros delimitadores orientados en una imagen. Para obtener ejemplos más detallados y consejos de uso avanzados, asegúrese de consultar la documentación oficial de Ultralytics para conocer las mejores prácticas e instrucciones adicionales.
Entrenar un modelo YOLO11 significa que puede ajustar su rendimiento en conjuntos de datos y tareas específicas, como la detección de objetos orientada a cuadros delimitadores. Aunque los modelos preentrenados como YOLO11 pueden utilizarse para la detección general de objetos, el entrenamiento de un modelo personalizado es esencial cuando se necesita que el modelo detecte objetos únicos u optimice el rendimiento en un conjunto de datos específico.
En el siguiente fragmento de código, cubrimos los pasos para entrenar un modelo YOLO11 para la detección de OBB.
En primer lugar, el modelo se inicializa utilizando pesos específicos de YOLO11 OBB 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 para ejecutar 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, puede ejecutar inferencias en nuevas imágenes para detectar objetos con OBB y visualizarlos. Además, el modelo entrenado puede convertirse a formatos como ONNX para su despliegue mediante la función de exportación.
Ultralytics YOLO11 lleva la detección de objetos al siguiente nivel gracias a su compatibilidad con cuadros delimitadores orientados. Al ser capaz de detectar objetos en diferentes ángulos, YOLO11 puede utilizarse para diversas aplicaciones en distintos sectores. Por ejemplo, es perfecto para sectores como la planificación urbana, la energía y el transporte marítimo, donde la precisión es crucial para 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 retos del mundo real.
A medida que la IA se vaya adoptando e integrando en nuestra vida cotidiana, modelos como YOLO11 configurarán el futuro de las soluciones de IA.
Para conocer el potencial de Vision AI, únase a nuestra creciente comunidad y explore nuestro repositorio de GitHub. Impulsamos la innovación reinventando sectores como la sanidad o los coches autónomos.
ES
EN
ZH
KO
JA
RU
DE
FR
PT
IT
TR
VI
AR.webp)
