La evolución de la detección de objetos y los modelos YOLO de Ultralytics

La visión por ordenador es un subcampo de la inteligencia artificial (AI) que se centra en enseñar a las máquinas a ver y comprender imágenes y vídeos, de forma similar a cómo los seres humanos perciben el mundo real. Aunque reconocer objetos o identificar acciones es algo natural para las personas, estas tareas requieren técnicas específicas y especializadas de visión por ordenador cuando se trata de máquinas. Por ejemplo, una tarea clave de la visión por ordenador es la detección de objetos, que consiste en identificar y localizar objetos dentro de imágenes o vídeos.

Desde la década de 1960, los investigadores han trabajado para mejorar la capacidad de los ordenadores para detectar objetos. Los primeros métodos, como la coincidencia de plantillas, consistían en deslizar una plantilla predefinida por una imagen para encontrar coincidencias. Aunque eran innovadores, estos enfoques tenían dificultades con los cambios en el tamaño y la orientación de los objetos, así como con la iluminación. Hoy contamos con modelos avanzados, como Ultralytics YOLO11, capaces de detectar incluso objetos pequeños y parcialmente ocultos, conocidos como objetos ocluidos, con una precisión impresionante.

A medida que la visión por ordenador sigue evolucionando, es importante echar la vista atrás para entender cómo se han desarrollado estas tecnologías. En este artículo, exploraremos la evolución de la detección de objetos y analizaremos la transformación de los modelos YOLO (You Only Look Once). ¡Empecemos!

Los orígenes de la visión por ordenador#

Antes de profundizar en la detección de objetos, veamos cómo comenzó la visión por ordenador. Los orígenes de la visión por ordenador se remontan a finales de la década de 1950 y principios de la de 1960, cuando los científicos empezaron a investigar cómo procesa el cerebro la información visual. En experimentos con gatos, los investigadores David Hubel y Torsten Wiesel descubrieron que el cerebro reacciona a patrones simples, como bordes y líneas. Esto sentó las bases de la idea de la extracción de características: los sistemas visuales detectan y reconocen características básicas de las imágenes, como bordes, antes de pasar a patrones más complejos.

Fig. 1. Comprender cómo reacciona el cerebro de un gato ante barras luminosas ayudó a desarrollar la extracción de características en la visión por ordenador.

Por aquella época también surgió una nueva tecnología capaz de convertir imágenes físicas a formatos digitales, lo que despertó el interés por cómo las máquinas podían procesar información visual. En 1966, el Proyecto de Visión de Verano del Instituto de Tecnología de Massachusetts (MIT) impulsó aún más este campo. Aunque el proyecto no tuvo un éxito completo, su objetivo era crear un sistema capaz de separar el primer plano del fondo en imágenes. Para muchos miembros de la comunidad de IA aplicada a la visión, este proyecto marca el inicio oficial de la visión por ordenador como disciplina científica.

Comprender la historia de la detección de objetos#

A medida que la visión por ordenador avanzaba a finales de la década de 1990 y principios de la de 2000, los métodos de detección de objetos evolucionaron desde técnicas básicas, como la coincidencia de plantillas, hacia enfoques más avanzados. Un método popular fue Haar Cascade, que se utilizó ampliamente en tareas como la detección de rostros. Funcionaba explorando las imágenes con una ventana deslizante, buscando características específicas, como bordes o texturas, en cada sección de la imagen y combinándolas después para detectar objetos como rostros. Haar Cascade era mucho más rápido que los métodos anteriores.

Fig. 2. Uso de Haar Cascade para la detección de rostros.

Junto con estos métodos, también se introdujeron técnicas como el Histograma de Gradientes Orientados (HOG) y las Máquinas de Vectores de Soporte (SVMs). HOG utilizaba la técnica de la ventana deslizante para analizar cómo cambiaban la luz y las sombras en pequeñas secciones de una imagen, lo que ayudaba a identificar objetos según su forma. Después, las SVMs clasificaban estas características para determinar la identidad del objeto. Estos métodos mejoraron la precisión, pero seguían teniendo dificultades en entornos reales y eran más lentos que las técnicas actuales.

La necesidad de detectar objetos en tiempo real#

En la década de 2010, el auge del aprendizaje profundo y de las redes neuronales convolucionales (CNNs) provocó un cambio importante en la detección de objetos. Las CNNs hicieron posible que los ordenadores aprendieran automáticamente características importantes a partir de grandes cantidades de datos, lo que aumentó considerablemente la precisión de la detección.

Los primeros modelos, como R-CNN (redes neuronales convolucionales basadas en regiones), supusieron una gran mejora en la precisión y ayudaron a identificar objetos de forma más precisa que los métodos anteriores.

Sin embargo, estos modelos eran lentos porque procesaban las imágenes en varias etapas, lo que los hacía poco prácticos para aplicaciones en tiempo real, como los coches autónomos o la videovigilancia.

Para acelerar el proceso, se desarrollaron modelos más eficientes. Modelos como Fast R-CNN y Faster R-CNN ayudaron a perfeccionar la selección de las regiones de interés y a reducir el número de pasos necesarios para la detección. Aunque esto hizo que la detección de objetos fuera más rápida, todavía no lo era suficiente para muchas aplicaciones del mundo real que necesitaban resultados instantáneos. La creciente demanda de detección en tiempo real impulsó el desarrollo de soluciones aún más rápidas y eficientes, capaces de equilibrar la velocidad y la precisión.

Fig. 3. Comparación de las velocidades de R-CNN, Fast R-CNN y Faster R-CNN.

Modelos YOLO (You Only Look Once): un hito importante#

YOLO es un modelo de detección de objetos que redefinió la visión por ordenador al permitir detectar varios objetos en imágenes y vídeos en tiempo real, lo que lo diferencia de los métodos de detección anteriores. En lugar de analizar cada objeto detectado individualmente, la arquitectura de YOLO trata la detección de objetos como una única tarea y predice a la vez la ubicación y la clase de los objetos mediante CNNs.

El modelo funciona dividiendo una imagen en una cuadrícula, de modo que cada parte se encarga de detectar objetos en su área correspondiente. Realiza varias predicciones para cada sección y descarta los resultados menos fiables, conservando únicamente los precisos.

Fig. 4. Descripción general del funcionamiento de YOLO.

La introducción de YOLO en las aplicaciones de visión por ordenador hizo que la detección de objetos fuera mucho más rápida y eficiente que con los modelos anteriores. Gracias a su velocidad y precisión, YOLO se convirtió rápidamente en una opción popular para soluciones en tiempo real en sectores como la fabricación, la sanidad y la robótica.

Otro aspecto importante es que, como YOLO era de código abierto, los desarrolladores y los investigadores pudieron mejorarlo continuamente, lo que dio lugar a versiones aún más avanzadas.

El camino de YOLO a Ultralytics YOLO11#

Los modelos YOLO han mejorado constantemente con el tiempo, basándose en los avances de cada versión. Además de ofrecer un mejor rendimiento, estas mejoras han hecho que los modelos sean más fáciles de usar para personas con distintos niveles de experiencia técnica.

Por ejemplo, cuando se presentó Ultralytics YOLOv5, la implementación de modelos se simplificó con PyTorch, lo que permitió a un grupo más amplio de usuarios trabajar con IA avanzada. Combinó precisión y facilidad de uso, permitiendo que más personas implementaran la detección de objetos sin necesidad de ser expertas en programación.

Fig. 5. La evolución de los modelos YOLO.

Ultralytics YOLOv8 continuó este progreso al añadir compatibilidad con tareas como la segmentación de instancias y hacer que los modelos fueran más flexibles. Ahora era más fácil usar YOLO tanto en aplicaciones básicas como en otras más complejas, lo que lo hacía útil en una amplia variedad de situaciones.

Con el modelo más reciente, Ultralytics YOLO11, se han realizado nuevas optimizaciones. Al reducir el número de parámetros y mejorar al mismo tiempo la precisión, ahora es más eficiente para tareas en tiempo real. Tanto si eres un desarrollador con experiencia como si estás empezando en IA, YOLO11 ofrece un enfoque avanzado y accesible para la detección de objetos.

Conoce Ultralytics YOLO11: nuevas funciones y mejoras#

YOLO11, presentado en el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), admite las mismas tareas de visión por ordenador que YOLOv8, como la detección de objetos, la segmentación de instancias, la clasificación de imágenes y la estimación de la pose. Por tanto, los usuarios pueden cambiar fácilmente a este nuevo modelo sin tener que adaptar sus flujos de trabajo. Además, la arquitectura mejorada de YOLO11 hace que las predicciones sean aún más precisas. De hecho, YOLO11m alcanza una mayor precisión media promedio (mAP) en el conjunto de datos COCO con un 22 % menos de parámetros que YOLOv8m.

YOLO11 también está diseñado para funcionar de forma eficiente en una amplia variedad de plataformas, desde smartphones y otros dispositivos periféricos hasta sistemas en la nube más potentes. Esta flexibilidad garantiza un rendimiento fluido en distintas configuraciones de hardware para aplicaciones en tiempo real. Además, YOLO11 es más rápido y eficiente, reduce los costes computacionales y acelera los tiempos de inferencia. Tanto si utilizas el paquete de Python de Ultralytics como Ultralytics HUB sin código, integrar YOLO11 en tus flujos de trabajo actuales es muy sencillo.

El futuro de los modelos YOLO y la detección de objetos#

El impacto de la detección de objetos avanzada en las aplicaciones en tiempo real y la IA periférica ya se está percibiendo en distintos sectores. A medida que sectores como el petróleo y el gas, la sanidad y el comercio minorista dependen cada vez más de la IA, la demanda de una detección de objetos rápida y precisa sigue creciendo. Ultralytics YOLO11 pretende responder a esta demanda al permitir una detección de alto rendimiento incluso en dispositivos con una capacidad de computación limitada.

A medida que crece la IA periférica, es probable que los modelos de detección de objetos como Ultralytics YOLO11 sean aún más esenciales para la toma de decisiones en tiempo real en entornos donde la velocidad y la precisión son fundamentales. Con las mejoras continuas en diseño y adaptabilidad, el futuro de la detección de objetos parece encaminado a aportar aún más innovaciones en una gran variedad de aplicaciones.

Conclusiones clave#

La detección de objetos ha avanzado mucho, desde métodos sencillos hasta las técnicas avanzadas de aprendizaje profundo que conocemos hoy. Los modelos YOLO han sido fundamentales en este progreso, al ofrecer una detección en tiempo real más rápida y precisa en distintos sectores. Ultralytics YOLO11 se basa en este legado, mejora la eficiencia, reduce los costes computacionales y aumenta la precisión, lo que lo convierte en una opción fiable para diversas aplicaciones en tiempo real. Con los avances continuos en IA y visión por ordenador, el futuro de la detección de objetos parece prometedor y ofrece margen para seguir mejorando la velocidad, la precisión y la adaptabilidad.

¿Te interesa la IA? ¡Mantente en contacto con nuestra comunidad para seguir aprendiendo! Visita nuestro repositorio de GitHub para descubrir cómo utilizamos la IA para crear soluciones innovadoras en sectores como la fabricación y la salud. 🚀