Al hacer clic en "Aceptar todas las cookies", usted acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación por el sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información en
Configuración de cookies
Al hacer clic en "Aceptar todas las cookies", usted acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación por el sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información en
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.
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.
Las nuevas funciones de YOLO11 incluyen tareas como la detección de objetos 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.
Fig. 1. Comparación de cuadros delimitadores normales y cuadros delimitadores orientados.
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.
Casos de uso de YOLO11 que introducen un nuevo ángulo de detección
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.
Planificación urbana y control de infraestructuras con YOLO11
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.
Fig. 2. Uso de YOLO11 para detectar tanques de almacenamiento en imágenes aéreas.
Inspección de paneles solares con drones, YOLO11 y edge AI
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.
YOLO11 puede aportar información para la gestión de flotas
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.
Fig. 3. Uso de YOLO11 para detectar barcos y puertos en ángulo.
YOLO11 para desarrolladores de IA: Detección de cajas delimitadoras orientadas
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.
Ejecutar inferencias con YOLO11
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.
Fig. 4. Fragmento de código que muestra la ejecución de inferencias con YOLO11.
Entrenamiento de un modelo YOLO11 personalizado
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.
Fig. 5. Ejemplo de entrenamiento de YOLO11 para la detección de objetos OBB.
El camino hacia los avances de la IA en YOLO11
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.