Cómo usar Ultralytics YOLO11 para detectar objetos

La visión artificial es un campo de la inteligencia artificial (AI) que ayuda a las máquinas a interpretar y comprender información visual para realizar tareas esenciales como la detección de objetos. A diferencia de la clasificación de imágenes, la detección de objetos no solo identifica qué objetos aparecen en una imagen, sino que también determina su ubicación exacta. Esto la convierte en una herramienta fundamental para las aplicaciones de IA visual, como los coches autónomos, los sistemas de seguridad en tiempo real y la automatización de almacenes.

Con el tiempo, la tecnología de detección de objetos ha avanzado y se ha vuelto más fácil de usar. Un gran avance se anunció en el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), con el lanzamiento del modelo Ultralytics YOLO11. YOLO11 mejora la precisión y el rendimiento y es compatible con las mismas tareas que YOLOv8, por lo que los usuarios de modelos anteriores pueden pasarse fácilmente a él. (Desde entonces, Ultralytics YOLO26 ha sustituido a YOLO11.)

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

En este artículo, explicaremos qué es la detección de objetos, en qué se diferencia de otras tareas de visión artificial y cuáles son sus aplicaciones en el mundo real. También te guiaremos para que aprendas a usar el modelo YOLO11 con el paquete de Python de Ultralytics y Ultralytics HUB (ahora Ultralytics Platform). ¡Empecemos!

¿Qué es la detección de objetos?#

La detección de objetos es una tarea fundamental de la visión artificial que va más allá de identificar objetos en una imagen. A diferencia de la clasificación de imágenes, que solo determina si está presente un objeto concreto, la detección de objetos reconoce varios objetos y determina su ubicación exacta mediante cuadros delimitadores.

Por ejemplo, puede identificar y localizar caras en una foto de grupo, coches en una calle concurrida o productos en una estantería. La combinación del reconocimiento y la localización de objetos lo hace especialmente útil en aplicaciones como la vigilancia, la supervisión de multitudes y la gestión automatizada del inventario.

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

Lo que distingue a la detección de objetos de otras tareas, como la segmentación semántica o la segmentación de instancias, es su enfoque y eficiencia.

La segmentación semántica asigna una etiqueta a cada píxel de una imagen, pero no distingue entre objetos individuales del mismo tipo (por ejemplo, todas las caras de una foto se agruparían como «cara»). La segmentación de instancias va un paso más allá: separa cada objeto y delinea su forma exacta, incluso cuando los objetos pertenecen a la misma clase.

En cambio, la detección de objetos ofrece un método más ágil, ya que identifica y clasifica los objetos a la vez que indica su posición. Por eso es ideal para tareas en tiempo real, como detectar rostros en grabaciones de seguridad o identificar obstáculos para los vehículos autónomos.

Aplicaciones de Ultralytics YOLO11 y la detección de objetos#

Las funciones avanzadas de detección de objetos de Ultralytics YOLO11 lo hacen útil en muchos sectores. Veamos algunos ejemplos.

Uso de Ultralytics YOLO11 para el análisis del comercio minorista#

Ultralytics YOLO11 y la detección de objetos están redefiniendo el análisis del comercio minorista al hacer más eficientes y precisos la gestión de inventario y el control de estanterías. La capacidad del modelo para detectar objetos de forma rápida y fiable ayuda a los minoristas a controlar las existencias, organizar las estanterías y reducir los errores en los recuentos de inventario.

Por ejemplo, YOLO11 puede detectar artículos concretos, como gafas de sol en una estantería. Pero ¿por qué querría un minorista supervisar una estantería? Mantener las estanterías abastecidas y ordenadas es fundamental para que los clientes encuentren lo que necesitan, lo que influye directamente en las ventas. Al supervisar las estanterías en tiempo real, los minoristas pueden detectar rápidamente cuándo quedan pocos artículos, están mal colocados o hay demasiados, y mantener una exposición ordenada y atractiva que mejore la experiencia de compra.

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

Ultralytics YOLO11 en aplicaciones de ciudades inteligentes#

Una ciudad bulliciosa necesita un tráfico fluido y calles seguras para funcionar de forma eficiente, y Ultralytics YOLO11 puede ayudar a conseguirlo. De hecho, muchas aplicaciones de ciudades inteligentes se pueden integrar con YOLO11.

Un caso interesante consiste en usar la detección de objetos para identificar matrículas de vehículos en movimiento. De este modo, Ultralytics YOLO11 puede facilitar un cobro de peajes más rápido, una mejor gestión del tráfico y una aplicación más ágil de la normativa.

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

La información que ofrecen los sistemas de IA visual que supervisan las carreteras puede alertar a las autoridades de infracciones de tráfico o atascos 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 las infraestructuras de las ciudades. Por ejemplo, puede ayudar a optimizar los tiempos de los semáforos mediante el análisis del movimiento de vehículos y peatones. También puede mejorar la seguridad en las zonas escolares detectando a los niños y avisando 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: mayor accesibilidad#

La detección de objetos en tiempo real es la capacidad de un sistema para identificar y clasificar objetos a medida que aparecen en una retransmisión de vídeo en directo. Ultralytics YOLO11 está diseñado para ofrecer rendimiento en tiempo real y es muy adecuado para esta tarea. Sus aplicaciones van más allá de agilizar procesos: también puede 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. A partir de las detecciones, se pueden ofrecer descripciones de audio que ayuden a los usuarios a orientarse en su entorno con mayor autonomía.

Imagina a una persona con discapacidad visual comprando alimentos. Elegir los productos adecuados puede ser complicado, pero Ultralytics YOLO11 puede ayudar. Al colocar los productos en el carrito, un sistema integrado con YOLO11 podría identificar cada artículo —como plátanos, aguacates o un cartón de leche— y proporcionar descripciones de audio en tiempo real. Así, la persona puede confirmar sus elecciones y comprobar que lleva todo lo que necesita. Al reconocer productos cotidianos, YOLO11 puede hacer que la compra sea más sencilla.

Fig. 5. La detección de objetos puede contribuir a que el mundo sea más accesible para las personas con discapacidad visual.

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

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

Hay dos formas sencillas de usar YOLO11: con el paquete Python de Ultralytics o con Ultralytics HUB. Veamos ambos métodos, empezando por el paquete Python.

Ejecución de inferencias con Ultralytics YOLO11#

La inferencia es el proceso por el que un modelo de IA analiza datos nuevos que no ha visto antes para hacer predicciones, clasificar información o aportar conclusiones basadas en lo aprendido durante el entrenamiento. En la detección de objetos, esto significa identificar y localizar objetos concretos en una imagen o un vídeo, dibujar cuadros delimitadores a su alrededor y asignarles etiquetas según el entrenamiento del modelo.

Para ejecutar inferencias con el modelo de detección de objetos YOLO11, primero tendrás que instalar el paquete de Python de Ultralytics mediante pip, conda o Docker. Si tienes problemas durante la instalación, consulta la guía de solución de problemas, donde encontrarás consejos y trucos para resolverlos. Una vez instalado, puedes usar el siguiente código para cargar el modelo de detección de objetos YOLO11n y hacer predicciones sobre una imagen.

Fig. 6. Ejecución de una inferencia sobre una imagen con YOLO11n.

Entrenamiento de un modelo Ultralytics YOLO11 personalizado#

Ultralytics YOLO11 también admite el entrenamiento personalizado para adaptarse mejor a tus casos de uso concretos. Al ajustar el modelo, puedes personalizarlo para que detecte objetos relevantes para tu proyecto. Por ejemplo, al usar visión artificial en la atención sanitaria, un modelo YOLO11 entrenado específicamente podría detectar anomalías concretas en imágenes médicas, como tumores en resonancias magnéticas o fracturas en radiografías, y ayudar a los médicos a realizar diagnósticos más rápidos y precisos.

El fragmento de código siguiente muestra cómo cargar y entrenar un modelo Ultralytics YOLO11 para la detección de objetos. Puedes partir de un archivo de configuración YAML o de un modelo preentrenado, transferir pesos y entrenar con conjuntos de datos como COCO para mejorar las capacidades de detección de objetos.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo11n.yaml")  # crear un modelo nuevo a partir de YAML
model = YOLO("yolo11n.pt")  # cargar un modelo preentrenado (recomendado para el entrenamiento)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # crear un modelo a partir de YAML y transferir los pesos

# Entrenar el modelo
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Después de entrenar un modelo, también puedes exportar el modelo entrenado en distintos formatos para implementarlo en diversos entornos.

Detección de objetos con YOLO11 en Ultralytics HUB#

Para quienes busquen una alternativa sin código, Ultralytics HUB ofrece una plataforma de IA visual fácil de usar para entrenar e implementar modelos YOLO, incluido YOLO11.

Para ejecutar la detección de objetos en imágenes, solo tienes que crear una cuenta, ir a la sección «Models» y seleccionar 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 uso de HUB, Ultralytics YOLO11 facilita a desarrolladores y empresas el uso de la detección de objetos avanzada.

Conclusiones clave#

Ultralytics YOLO11 combina una gran precisión con versatilidad para satisfacer las necesidades de distintos sectores. Desde mejorar el análisis del comercio minorista hasta gestionar infraestructuras de ciudades inteligentes, YOLO11 está diseñado para ofrecer un rendimiento fiable en tiempo real en numerosas aplicaciones.

Con opciones de entrenamiento personalizado y una interfaz fácil de usar a través de Ultralytics HUB, integrar YOLO11 en tus flujos de trabajo es sencillo. Tanto si eres desarrollador y estás explorando la visión artificial como si representas a una empresa que quiere innovar con IA, YOLO11 te ofrece las herramientas que necesitas para empezar.

Para saber más, consulta nuestro repositorio de GitHub y participa en nuestra comunidad. Descubre aplicaciones de IA en los coches autónomos y la visión artificial aplicada a la agricultura en nuestras páginas de soluciones.