SharkEye utiliza Ultralytics YOLOv8 para la detección de objetos

La supervisión de animales en sus hábitats naturales, ya sean vacas pastando en una granja o tiburones moviéndose cerca de la costa, siempre ha sido importante para su seguridad y bienestar. Sin embargo, observarlos manualmente no es fácil. A menudo requiere horas de paciencia y mucha concentración, ya que hay que vigilar de cerca cualquier cambio en su comportamiento o movimiento. Incluso así, es fácil pasar por alto señales sutiles, pero importantes.

Gracias a la inteligencia artificial (AI), este proceso es cada vez más rápido, inteligente y eficiente, lo que reduce la carga de trabajo de los observadores humanos y mejora la precisión. En particular, la visión artificial puede utilizarse para seguir a los animales, detectar peligros y tomar decisiones en tiempo real. Tareas que antes llevaban horas ahora pueden realizarse en minutos, lo que abre nuevas formas de comprender el comportamiento animal.

En YOLO Vision 2024 (YV24), un evento híbrido anual organizado por Ultralytics, expertos e innovadores se reunieron para explorar cómo la IA aborda los retos cotidianos. Entre los temas presentados hubo avances en la detección de objetos en tiempo real y la supervisión de animales, que demostraron cómo la IA mejora la seguridad y la eficiencia en diversos ámbitos.

Uno de los momentos más destacados del evento fue la charla de Jim Griffin, fundador de AI Master Group, en la que mostró cómo Vision AI hace que las playas sean más seguras al detectar tiburones antes de que se acerquen demasiado a la costa. Explicó cómo utilizaron Ultralytics YOLOv8, un modelo de visión artificial, para identificar tiburones con precisión y en tiempo real, incluso en condiciones difíciles, como oleaje agitado, reflejos y obstáculos submarinos.

En este artículo, analizaremos más detenidamente el proyecto SharkEye y compartiremos información interesante de la ponencia de Jim.

Descubre SharkEye: una aplicación de visión artificial#

Jim comenzó su ponencia presentando Padaro Beach, un conocido destino de surf en California donde surfistas y tiburones suelen compartir las mismas aguas. Para destacar el verdadero reto de detectar tiburones, comentó: «Por supuesto, es fácil detectar un tiburón si te muerde; lo que queríamos era identificar a los tiburones de antemano».

Fig. 1. Jim en el escenario de YOLO Vision 2024.

SharkEye se creó para abordar este problema con el apoyo de la Universidad de California en Santa Bárbara. Jim explicó cómo se utilizaron drones equipados con cámaras de IA de alta resolución, que volaban a unos 60 metros sobre el agua y escaneaban el océano en tiempo real.

Si se detecta un tiburón, se envían alertas por SMS a unas 80 personas, entre ellas socorristas, propietarios de tiendas de surf y cualquiera que se haya suscrito a las notificaciones. Jim señaló que estas notificaciones instantáneas permiten responder rápidamente y mantener más seguros a quienes están en la playa cuando hay un tiburón cerca de la costa.

Jim también mencionó que SharkEye incluye un panel en directo donde los usuarios pueden consultar estadísticas de detección de tiburones. Por ejemplo, en 12 semanas el sistema identificó dos tiburones grandes y 15 más pequeños, con una media de algo más de un tiburón por semana.

A continuación, presentó a Neil Nathan, el científico que dirigió el trabajo detrás de SharkEye. Aunque su formación era en estudios medioambientales, y no en informática, Nathan lideró el proyecto con éxito. Jim hizo hincapié en que las herramientas modernas de IA, como las utilizadas en SharkEye, están diseñadas para ser accesibles y permiten a personas sin formación técnica desarrollar soluciones de gran impacto.

Uso de Ultralytics YOLOv8 para detectar tiburones#

Al profundizar en los detalles, Jim explicó qué hay detrás de SharkEye y por qué la solución de detección de tiburones no consistía simplemente en una tarea de detección de objetos. Tenía que hacer frente a condiciones cambiantes e impredecibles, como las algas flotantes, que podían confundirse fácilmente con tiburones. A diferencia de la detección de un objeto inmóvil, identificar un tiburón exige precisión y adaptabilidad, por lo que Ultralytics YOLOv8 era una opción excelente.

Otra ventaja de Ultralytics YOLOv8 era que podía implementarse en un dron sin depender de servidores en la nube. Jim explicó que este enfoque permitía a SharkEye enviar alertas inmediatas, algo esencial para responder a tiempo en las impredecibles condiciones del océano.

Detección de objetos con solo seis líneas de código#

Tras explicar cómo funciona SharkEye y el esfuerzo colaborativo que lo hizo posible, Jim presentó una demostración en directo.

Jim Griffin empezó su demostración en directo guiando al público por un ejemplo conocido: un fragmento de código «hello world» para los modelos Ultralytics YOLO. Con solo seis líneas de código Python, mostró cómo un modelo Ultralytics YOLOv8 preentrenado podía detectar un autobús en una imagen.

Fig. 2. Demostración de Jim en YOLO Vision 2024.

En su demostración utilizó el modelo Ultralytics YOLOv8 Nano, una versión ligera para dispositivos de bajo consumo, como los drones. El mismo modelo se utilizó en SharkEye para detectar tiburones en tiempo real.

Para ofrecer más contexto, Jim mencionó que el modelo de la demostración se estaba entrenando con COCO128, un subconjunto reducido del conjunto de datos COCO, ampliamente utilizado. El conjunto de datos COCO contiene unas 330 000 imágenes, más de 200 000 de ellas etiquetadas, distribuidas en 80 categorías de objetos. Aunque COCO128 funciona bien para demostraciones rápidas, señaló que SharkEye necesitaba algo más robusto: un conjunto de datos específico para la detección de tiburones que pudiera abordar las complejidades de situaciones reales.

Entrenamiento personalizado de Ultralytics YOLOv8 para SharkEye#

Según Jim, la parte más difícil del proyecto SharkEye no fue entrenar el modelo de IA, sino recopilar los datos adecuados. Comentó: «El trabajo principal de este proyecto no fue la IA. El trabajo principal del proyecto consistió en volar esos drones durante cinco años, extraer imágenes de esos vídeos y etiquetarlas correctamente».

Explicó que el equipo recopiló 15 000 imágenes en Padaro Beach. Hubo que etiquetar manualmente cada imagen para distinguir los tiburones, las algas y otros objetos en el agua. Aunque el proceso fue lento y exigente, sentó las bases de todo lo que vino después.

Fig. 3. Uso de drones para capturar imágenes de tiburones destinadas a la detección de objetos en tiempo real.

Una vez preparado el conjunto de datos, Ultralytics YOLOv8 se entrenó de forma personalizada con él. Jim dijo: «El entrenamiento en sí no fue la parte difícil: solo tardó 20 horas en GPU T4 [unidades de procesamiento gráfico]». También añadió que el tiempo podría haberse reducido a tan solo cinco horas con hardware más potente, como las GPU A100.

Evaluación de SharkEye: priorizar la precisión frente a la exhaustividad#

A continuación, Jim habló de cómo se evaluó el rendimiento de SharkEye. Explicó que la métrica clave era la precisión, es decir, hasta qué punto el sistema identificaba correctamente a los tiburones reales. Con una precisión del 92 %, SharkEye demostró que el modelo era muy eficaz para identificar tiburones con exactitud en el complejo entorno oceánico.

Al profundizar en la importancia de la precisión, Jim aclaró por qué, en este caso, era más importante que la exhaustividad. «A la mayoría de la gente le interesa la exhaustividad, sobre todo en ámbitos como la sanidad, donde pasar por alto un caso positivo puede ser crítico. Pero en este caso no sabíamos cuántos tiburones había, así que lo que nos importaba era la precisión», explicó. SharkEye minimizó las falsas alarmas al centrarse en la precisión, lo que facilitó que los socorristas y otros equipos de respuesta actuaran con rapidez.

Fig. 4. Jim presenta SharkEye en YOLO Vision 2024.

Concluyó su charla comparando el rendimiento de la IA con el de las personas y señaló que la precisión del 92 % de SharkEye superaba con creces el 60 % de acierto de los expertos humanos. Hizo hincapié en esta diferencia y dijo: «Es porque somos humanos. Por muy experto que seas tú o que sea yo, si tenemos que estar sentados delante de una pantalla todo el día buscando tiburones, tarde o temprano acabaremos distrayéndonos». A diferencia de las personas, los modelos de IA no se cansan ni se distraen, por lo que son una solución fiable para tareas que requieren una supervisión continua.

Ultralytics YOLO11#

Una frase de la charla de Jim Griffin que invita a la reflexión —«Seis líneas de código podrían salvarte la vida algún día»— refleja hasta qué punto la IA avanzada se ha vuelto accesible. Los modelos Ultralytics YOLO se han creado con este objetivo: poner la tecnología avanzada de visión artificial al alcance de desarrolladores y empresas de todos los tamaños. Ultralytics YOLO11 mejora esta propuesta con inferencias más rápidas y mayor precisión, y desde entonces ha sido sucedido por Ultralytics YOLO26.

Estas son algunas de las características que distinguen a Ultralytics YOLO11:

• Arquitectura rediseñada: La arquitectura mejorada de su backbone y neck permite extraer mejor las características y aumentar la precisión.
• Facilidad de uso: Puedes acceder a él mediante código Python o con herramientas sin código como Ultralytics Platform.
• Flexibilidad para distintas tareas: Ultralytics YOLO11 admite tareas de visión artificial como la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de poses, los cuadros delimitadores orientados (OBB) y el seguimiento.
• Mayor precisión: Ultralytics YOLO11m alcanza una precisión media promedio (mAP) superior a YOLOv8m en el conjunto de datos COCO, con un 22 % menos de parámetros.

Estas características hacen que Ultralytics YOLO11 sea ideal para el seguimiento del comportamiento animal en entornos dinámicos, tanto en una granja como en plena naturaleza.

Conclusiones clave#

Los avances en IA de visión facilitan la resolución de problemas del mundo real al proporcionar herramientas prácticas para distintos ámbitos. Por ejemplo, los modelos de visión artificial como Ultralytics YOLO11 pueden utilizarse para supervisar y seguir animales en tiempo real, incluso en condiciones difíciles.

La ponencia principal de Jim Griffin en YV24 mostró cómo Ultralytics YOLOv8 puede resolver problemas complejos con una codificación mínima. El proyecto SharkEye, que combina drones con IA para detectar tiburones en tiempo real, demostró cómo la tecnología puede mejorar la seguridad en las playas.

Fue un caso práctico convincente de cómo una IA accesible ayuda a personas de distintos ámbitos a crear soluciones eficaces.

Forma parte de nuestra comunidad y explora nuestro repositorio de GitHub para profundizar en la IA. Desde la visión artificial en la agricultura hasta la IA en los coches autónomos, descubre cómo estas tecnologías impulsan la innovación. Consulta nuestras opciones de licencia para empezar hoy mismo tus proyectos de IA.