Cómo usar Ultralytics YOLO11 para la detección de objetos

Computer vision es un campo de la inteligencia artificial (IA) que ayuda a las máquinas a interpretar y comprender información visual para permitir tareas esenciales como la object detection. A diferencia de la image classification, la detección de objetos no solo identifica qué objetos hay en una imagen, sino que también señala sus ubicaciones exactas. Esto la convierte en una herramienta fundamental para vision AI applications like self-driving cars, security systems en tiempo real y la automatización de almacenes.

Con el tiempo, la tecnología de detección de objetos se ha vuelto más avanzada y fácil de usar. Se anunció un gran avance en el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), con el lanzamiento del Ultralytics YOLO11 model. YOLO11 mejora la precisión y el rendimiento a la vez que admite las mismas tareas que YOLOv8, lo que facilita a los usuarios de modelos anteriores realizar una transición sin problemas.

Fig 1. Un ejemplo de uso del modelo Ultralytics YOLO11 para la detección de objetos.

En este artículo, explicaremos qué es la object detection, en qué se diferencia de otras tareas de visión artificial y exploraremos sus aplicaciones en el mundo real. También te guiaremos sobre cómo usar el modelo YOLO11 con el Ultralytics Python package y la plataforma Ultralytics HUB. ¡Empecemos!

¿Qué es la detección de objetos?#

La object detection es una tarea fundamental en la visión artificial que hace algo más que simplemente identificar objetos en una imagen. A diferencia de la clasificación de imágenes, que solo determina si un objeto específico está presente, la detección de objetos reconoce múltiples objetos y señala sus ubicaciones exactas mediante cuadros delimitadores.

Por ejemplo, puede identify and locate faces in a group photo, automóviles en una calle transitada o productos en el estante de una tienda. La combinación de reconocimiento de localización y de objetos la hace especialmente útil para aplicaciones como la surveillance, la monitorización de multitudes y la gestión automatizada de inventario.

Fig. 2. Uso de Ultralytics YOLO11 para detectar caras.

Lo que diferencia a la detección de objetos de otras tareas como la segmentación semántica o la instance segmentation es su enfoque y eficiencia.

La segmentación semántica etiqueta cada píxel de una imagen, pero no diferencia entre objetos individuales del mismo tipo (por ejemplo, todas las caras de una foto se agruparían como «cara»). La instance segmentation va un paso más allá al separar cada objeto y delinear su forma exacta, incluso para objetos de la misma clase.

Sin embargo, la detección de objetos ofrece un enfoque más optimizado al identificar y clasificar objetos mientras marca sus posiciones. Esto la hace ideal para tareas en tiempo real como la detección de caras en grabaciones de seguridad o la identificación de obstáculos para autonomous vehicles.

Aplicaciones de Ultralytics YOLO11 y detección de objetos#

Las avanzadas funciones de detección de objetos de Ultralytics YOLO11 hacen que sea útil en muchas industrias. Echemos un vistazo a algunos ejemplos.

Uso de Ultralytics YOLO11 para análisis de retail#

Ultralytics YOLO11 y la detección de objetos están redefiniendo el análisis minorista al hacer que la gestión de inventario y el seguimiento de estantes sean más eficientes y precisos. La capacidad del modelo para detectar objetos de forma rápida y fiable ayuda a los minoristas a realizar un seguimiento de los niveles de stock, organizar los estantes y reducir los errores en los recuentos de inventario.

Por ejemplo, YOLO11 puede detectar elementos específicos como gafas de sol en el estante de una tienda. Pero ¿por qué querría un minorista vigilar un estante? Mantener las estanterías abastecidas y organizadas es vital para garantizar que los clientes encuentren lo que necesitan, lo que repercute directamente en las ventas. Al vigilar las estanterías en tiempo real, los minoristas pueden detectar rápidamente cuándo los artículos escasean, están mal colocados o hay saturación, lo que les ayuda a mantener una exposición organizada y atractiva que mejora la experiencia de compra.

Fig. 3. Un ejemplo de uso de Ultralytics YOLO11 para detectar productos en estanterías.

Ultralytics YOLO11 en aplicaciones de ciudades inteligentes#

Una ciudad bulliciosa depende de un flujo de tráfico fluido y de calles seguras para funcionar de manera eficiente, y Ultralytics YOLO11 puede ayudar a hacerlo posible. De hecho, muchas aplicaciones de ciudades inteligentes se pueden integrar con YOLO11.

Un caso interesante implica el uso de la detección de objetos para identificar matrículas en vehículos en movimiento. Al hacerlo, Ultralytics YOLO11 puede respaldar una recaudación de peajes más rápida, una mejor gestión del tráfico y una aplicación más rápida de las normativas.

Fig 4. Uso de la detección de objetos y Ultralytics YOLO11 para detectar matrículas.

Los datos de los sistemas de IA de visión que supervisan las carreteras pueden alertar a las autoridades sobre infracciones de tráfico o congestión antes de que se conviertan en problemas mayores. YOLO11 también puede detectar peatones y ciclistas, lo que hace que las calles sean más seguras y eficientes para todos.

De hecho, la capacidad de Ultralytics YOLO11 para procesar datos visuales lo convierte en una herramienta potente para mejorar la infraestructura urbana. Por ejemplo, puede ayudar a optimizar la sincronización de los semáforos mediante el análisis del movimiento de vehículos y peatones. También puede mejorar la seguridad en las zonas escolares al detectar niños y alertar a los conductores para que reduzcan la velocidad. Con YOLO11, las ciudades pueden tomar medidas proactivas para abordar los desafíos y crear un entorno más eficiente para todos.

Detección de vídeo en tiempo real con Ultralytics YOLO11: Aumento de la accesibilidad#

La detección de objetos en tiempo real se refiere a la capacidad de un sistema para identificar y clasificar objetos en una transmisión de vídeo en directo a medida que aparecen. Ultralytics YOLO11 está diseñado para un rendimiento superior en tiempo real y destaca en la compatibilidad con esta capacidad. Sus aplicaciones van más allá de la mera optimización de procesos; también pueden ayudar a crear un mundo más inclusivo y accesible.

Por ejemplo, YOLO11 puede ayudar a las personas con discapacidad visual identificando objetos en tiempo real. Basándose en las detecciones, se pueden proporcionar descripciones de audio, lo que ayuda a los usuarios a desplazarse por su entorno con mayor independencia.

Imagina a una persona con discapacidad visual haciendo la compra en el supermercado. Elegir los artículos correctos puede ser un reto, pero Ultralytics YOLO11 puede ayudar. A medida que colocan los artículos en su carrito, se podría usar un sistema integrado con YOLO11 para identificar cada artículo —como plátanos, aguacates o un cartón de leche— y proporcionar descripciones de audio en tiempo real. Esto les permite confirmar sus elecciones y asegurarse de que tienen todo lo que necesitan. Al reconocer artículos cotidianos, YOLO11 puede hacer que las compras sean más sencillas.

Fig 5. La detección de objetos puede ayudar a hacer el mundo más accesible para personas con discapacidad visual.

Guía paso a paso para la detección de objetos con Ultralytics YOLO11#

Ahora que hemos cubierto los conceptos básicos de la detección de objetos y sus diversas aplicaciones, profundicemos en cómo puedes empezar a usar el modelo Ultralytics YOLO11 para tareas como la detección de objetos.

Hay dos formas sencillas de usar YOLO11: a través del paquete de Python de Ultralytics o Ultralytics HUB. Exploremos ambos métodos, empezando por el paquete de Python.

Ejecución de inferencias con Ultralytics YOLO11#

La inferencia se produce cuando un modelo de IA analiza datos nuevos y no vistos para hacer predictions, clasificar información o proporcionar información basada en lo que aprendió durante el entrenamiento. Con respecto a la detección de objetos, eso significa identificar y localizar objetos específicos dentro de una imagen o vídeo, dibujar cuadros delimitadores a su alrededor y etiquetarlos según el entrenamiento del modelo.

Para realizar inferencias utilizando el modelo de detección de objetos YOLO11, primero deberás install the Ultralytics Python package mediante pip, conda o Docker. Si encuentras algún problema de instalación, consulta la troubleshooting guide para ver consejos y trucos que te ayuden a resolverlos. Una vez instalado, puedes utilizar el siguiente código para cargar el modelo de detección de objetos YOLO11 y hacer predicciones sobre una imagen.

Fig 6. Ejecución de una inferencia en una imagen usando YOLO11n.

Entrenamiento de un modelo personalizado de Ultralytics YOLO11#

Ultralytics YOLO11 también admite custom training para adaptarse mejor a tus casos de uso específicos. Al afinar el modelo, puedes adaptarlo para detectar objetos relevantes para tu proyecto. Por ejemplo, al using computer vision in healthcare, se podría utilizar un modelo de YOLO11 entrenado a medida para detectar anomalías específicas en imágenes médicas, como tumores en resonancias magnéticas o fracturas en radiografías, lo que ayuda a los médicos a realizar diagnósticos más rápidos y precisos.

El fragmento de código a continuación muestra cómo cargar y entrenar un modelo Ultralytics YOLO11 para la detección de objetos. Puedes empezar a partir de un archivo de configuración YAML o un modelo preentrenado, transferir ponderaciones y entrenar en conjuntos de datos como COCO para obtener capacidades de detección de objetos más refinadas.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Después de entrenar un modelo, también puedes exportarlo en varios formatos para su despliegue en diferentes entornos.

Detección de objetos YOLO11 en Ultralytics HUB#

Para aquellos que buscan una alternativa sin código, Ultralytics HUB ofrece una plataforma de visión artificial fácil de usar para entrenar y desplegar modelos YOLO, incluido YOLO11.

Para ejecutar la detección de objetos en imágenes, simplemente crea una cuenta, navega hasta la sección 'Modelos' y selecciona la variante del modelo de detección de objetos Ultralytics YOLO11. Sube tu imagen y la plataforma mostrará los objetos detectados en una sección de vista previa.

Fig 7. Ejecución de inferencias en Ultralytics HUB.

Al combinar la flexibilidad del paquete de Python con la facilidad de HUB, Ultralytics YOLO11 hace que sea sencillo tanto para desarrolladores como para empresas aprovechar el potencial de la tecnología avanzada de detección de objetos.

Conclusiones clave#

Ultralytics YOLO11 establece un nuevo estándar en la detección de objetos, combinando una gran precisión con versatilidad para satisfacer las necesidades de diversas industrias. Desde mejorar la analítica minorista hasta gestionar la infraestructura de ciudades inteligentes, YOLO11 está diseñado para ofrecer un rendimiento fiable en tiempo real en infinidad de aplicaciones.

Con opciones para entrenamiento personalizado y una interfaz fácil de usar a través de Ultralytics HUB, integrar YOLO11 en tus flujos de trabajo nunca ha sido tan sencillo. Tanto si eres un desarrollador que explora la visión artificial como si eres una empresa que busca innovar con IA, YOLO11 ofrece las herramientas que necesitas para tener éxito.

Para obtener más información, consulta nuestro GitHub repository e interactúa con nuestra comunidad. Explora aplicaciones de IA en self-driving cars y computer vision for agriculture en nuestras páginas de soluciones. 🚀