Cómo usar Ultralytics YOLO11 para la detección de objetos

La visión por ordenador es un campo de la inteligencia artificial (AI) que ayuda a las máquinas a interpretar y comprender la 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 hay en una imagen, sino que también señala sus ubicaciones exactas. Esto la convierte en una herramienta fundamental para aplicaciones de IA de visión, 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 se ha vuelto más avanzada y fácil de usar. Un importante 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, además de admitir las mismas tareas que YOLOv8, lo que facilita una transición fluida a los usuarios de modelos anteriores.

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 por ordenador y cuáles son sus aplicaciones en el mundo real. También te mostraremos cómo usar el modelo YOLO11 con el paquete Python de Ultralytics y la plataforma Ultralytics HUB. ¡Empecemos!

¿Qué es la detección de objetos?#

La detección de objetos es una tarea fundamental de la visión por ordenador que hace mucho más que 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 varios objetos y señala sus ubicaciones exactas mediante cuadros delimitadores.

Por ejemplo, puede identificar y localizar caras en una foto de grupo, coches en una calle concurrida o productos en la estantería de una tienda. La combinación del reconocimiento y la localización de objetos la hace especialmente útil para aplicaciones como la videovigilancia, la supervisión de multitudes y la gestión automatizada del 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 segmentación de instancias, 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 segmentación de instancias va un paso más allá al separar cada objeto y delimitar su forma exacta, incluso cuando los objetos pertenecen a la misma clase.

Sin embargo, la detección de objetos ofrece un enfoque más optimizado al identificar y clasificar objetos y marcar sus posiciones. Esto la hace ideal para tareas en tiempo real, como detectar caras en imágenes de seguridad o identificar obstáculos para vehículos autónomos.

Aplicaciones de Ultralytics YOLO11 y la detección de objetos#

Las avanzadas funciones de detección de objetos de Ultralytics YOLO11 resultan útiles en numerosos 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 que la gestión del inventario y la supervisión de estanterías sean más eficientes y precisas. La capacidad del modelo para detectar objetos de forma rápida y fiable ayuda a los comercios a controlar los niveles de 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 la estantería de una tienda. Pero ¿por qué querría un comercio supervisar una estantería? Mantener las estanterías abastecidas y ordenadas es fundamental para garantizar que los clientes encuentren lo que necesitan, lo que repercute directamente en las ventas. Al supervisar las estanterías en tiempo real, los comercios pueden detectar rápidamente cuándo quedan pocos artículos, están mal colocados o se acumulan en exceso, lo que les ayuda a mantener una exposición ordenada y atractiva que mejora 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 depende de una circulación fluida y de calles seguras para funcionar con eficiencia, y Ultralytics YOLO11 puede ayudar a hacerlo posible. De hecho, muchas aplicaciones de ciudades inteligentes pueden integrarse con YOLO11.

Un caso interesante consiste en usar la detección de objetos para identificar matrículas en vehículos en movimiento. De este modo, Ultralytics YOLO11 puede contribuir a agilizar el cobro de peajes, mejorar la gestión del tráfico y acelerar la aplicación de la normativa.

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

La información obtenida de los sistemas de IA de visión que supervisan las carreteras puede alertar a las autoridades sobre infracciones de tráfico o congestiones antes de que se conviertan en problemas mayores. YOLO11 también puede detectar peatones y ciclistas, haciendo 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 urbanas. Por ejemplo, puede ayudar a optimizar la duración 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 avisar a los conductores para que reduzcan la velocidad. Con YOLO11, las ciudades pueden adoptar medidas proactivas para afrontar los retos y crear un entorno más eficiente para todos.

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

La detección de objetos en tiempo real es 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 ofrecer 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 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 proporcionar descripciones de audio que ayuden a los usuarios a orientarse por su entorno con mayor independencia.

Imagina a una persona con discapacidad visual haciendo la compra. Elegir los artículos adecuados puede resultar difícil, pero Ultralytics YOLO11 puede ayudarla. A medida que coloca productos en el carrito, podría utilizarse 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 le permite confirmar sus elecciones y asegurarse de que lleva todo lo que necesita. Al reconocer artículos cotidianos, YOLO11 puede hacer que comprar resulte más sencillo.

Fig. 5. La detección de objetos puede ayudar a hacer el mundo más accesible para las 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, veamos cómo puedes empezar a usar el modelo Ultralytics YOLO11 para tareas como la detección de objetos.

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

Ejecución de inferencias con Ultralytics YOLO11#

La inferencia es el proceso mediante el cual un modelo de IA analiza datos nuevos que no ha visto para realizar predicciones, clasificar información u ofrecer conclusiones basadas en lo aprendido durante el entrenamiento. En el caso de la detección de objetos, esto significa identificar y localizar objetos concretos dentro de una imagen o un vídeo, dibujar cuadros delimitadores a su alrededor y etiquetarlos según el entrenamiento del modelo.

Para realizar inferencias con el modelo de detección de objetos YOLO11, primero tendrás que instalar el paquete Python de Ultralytics mediante pip, conda o Docker. Si encuentras algún problema de instalación, consulta la guía de resolución de problemas para obtener consejos que te ayuden a solucionarlo. Una vez instalado, puedes usar el siguiente código para cargar el modelo de detección de objetos YOLO11 y realizar 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 específicos. Mediante el ajuste fino del modelo, puedes adaptarlo para detectar objetos relevantes para tu proyecto. Por ejemplo, al usar visión por ordenador en el sector sanitario, un modelo YOLO11 entrenado de forma personalizada podría utilizarse para detectar anomalías concretas en imágenes médicas, como tumores en exploraciones de resonancia magnética o fracturas en radiografías, ayudando 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 empezar con un archivo de configuración YAML o con un modelo preentrenado, transferir pesos y entrenarlo con conjuntos de datos como COCO para obtener capacidades de detección de objetos más avanzadas.

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 implementarlo en distintos entornos.

Detección de objetos con YOLO11 en Ultralytics HUB#

Para quienes buscan una alternativa sin código, Ultralytics HUB ofrece una plataforma de IA de visión 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 Python con la facilidad de uso de HUB, Ultralytics YOLO11 permite a desarrolladores y empresas aprovechar fácilmente el potencial de la avanzada tecnología de detección de objetos.

Conclusiones clave#

Ultralytics YOLO11 establece un nuevo estándar en detección de objetos al combinar una alta precisión con versatilidad para satisfacer las necesidades de diversos sectores. Desde la mejora del análisis del comercio minorista hasta la gestión de infraestructuras de ciudades inteligentes, YOLO11 está diseñado para ofrecer un rendimiento fiable en tiempo real en innumerables aplicaciones.

Con opciones de entrenamiento personalizado y una interfaz fácil de usar mediante Ultralytics HUB, integrar YOLO11 en tus flujos de trabajo nunca había sido tan sencillo. Tanto si eres un desarrollador que explora la visión por ordenador como si representas a una empresa que busca innovar con IA, YOLO11 te ofrece las herramientas que necesitas para alcanzar tus objetivos.

Para obtener más información, consulta nuestro repositorio de GitHub y participa en nuestra comunidad. Explora aplicaciones de IA en coches autónomos y visión por ordenador para la agricultura en nuestras páginas de soluciones. 🚀