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

La visión artificial es una subdisciplina de la inteligencia artificial (AI) que se centra en enseñar a las máquinas a ver y entender imágenes y vídeos, de forma similar a cómo las personas perciben el mundo real. Aunque reconocer objetos o identificar acciones resulta natural para las personas, estas tareas requieren técnicas especializadas de visión artificial cuando se trata de máquinas. Por ejemplo, una tarea clave de la visión artificial es la detección de objetos, que consiste en identificar y localizar objetos en imágenes o vídeos.

Desde la década de 1960, los investigadores trabajan 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, la orientación y la iluminación de los objetos. Hoy en día, 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 artificial sigue evolucionando, es importante echar la vista atrás y ver cómo se han desarrollado estas tecnologías. En este artículo exploraremos la evolución de la detección de objetos y repasaremos la transformación de los modelos YOLO (You Only Look Once).

Los orígenes de la visión artificial#

Antes de profundizar en la detección de objetos, veamos cómo surgió la visión artificial. Los orígenes de la visión artificial se remontan a finales de la década de 1950 y principios de la de 1960, cuando los científicos empezaron a estudiar 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 sencillos, como bordes y líneas. Esto sentó las bases de la extracción de características: la idea de que los sistemas visuales detectan y reconocen características básicas de las imágenes, como los bordes, antes de pasar a patrones más complejos.

Fig. 1. El estudio de la respuesta del cerebro de un gato a unas barras luminosas contribuyó al desarrollo de la extracción de características en la visión artificial.

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

La historia de la detección de objetos#

A medida que la visión artificial avanzaba a finales de la década de 1990 y principios de la de 2000, los métodos de detección de objetos pasaron de técnicas básicas, como la coincidencia de plantillas, a enfoques más avanzados. Un método popular fue Haar Cascade, que se utilizó ampliamente en tareas como la detección de caras. Funcionaba escaneando 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 caras. Haar Cascade era mucho más rápido que los métodos anteriores.

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

También se introdujeron métodos como los histogramas de gradientes orientados (HOG) y las máquinas de vectores de soporte (SVMs). HOG utilizaba la técnica de ventana deslizante para analizar cómo cambiaban la luz y las sombras en pequeñas secciones de una imagen, lo que ayudaba a identificar objetos por su forma. Después, SVMs clasificaba 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 las redes neuronales convolucionales (CNNs) provocó un gran cambio en la detección de objetos. Las CNNs permitieron que los ordenadores aprendieran automáticamente características importantes a partir de grandes cantidades de datos, lo que mejoró mucho la precisión de la detección.

Los primeros modelos, como las redes neuronales convolucionales basadas en regiones (R-CNN), supusieron una gran mejora de la precisión y permitieron identificar objetos con más exactitud 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 aceleró la detección de objetos, todavía no era suficiente para muchas aplicaciones reales 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 artificial al permitir detectar varios objetos en imágenes y vídeos en tiempo real, lo que lo distingue de los métodos de detección anteriores. En lugar de analizar cada objeto detectado por separado, la arquitectura de YOLO trata la detección de objetos como una única tarea y predice de una vez tanto la ubicación como la clase de los objetos mediante CNNs.

El modelo funciona dividiendo una imagen en una cuadrícula, donde cada parte se encarga de detectar objetos en su zona correspondiente. Realiza varias predicciones para cada sección y descarta los resultados menos fiables, conservando solo los que ofrecen mayor confianza.

Fig. 4. Descripción general del funcionamiento de YOLO.

La llegada de YOLO a las aplicaciones de visión artificial 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, al ser de código abierto, YOLO permitió a desarrolladores e investigadores mejorarlo continuamente, lo que dio lugar a versiones aún más avanzadas.

La evolución de YOLO hasta Ultralytics YOLO11#

Los modelos YOLO han mejorado de forma constante con el tiempo, partiendo de los avances de cada versión. Además de mejorar el rendimiento, estas mejoras han facilitado el uso de los modelos a personas con distintos niveles de experiencia técnica.

Por ejemplo, con la llegada de Ultralytics YOLOv5, implementar modelos resultó más sencillo gracias a PyTorch, lo que permitió que más usuarios trabajaran con IA avanzada. Combinaba precisión y facilidad de uso, y daba a más personas la posibilidad de implementar la detección de objetos sin tener que ser expertas en programación.

Fig. 5. Evolución de los modelos YOLO.

Ultralytics YOLOv8 continuó este progreso añadiendo compatibilidad con tareas como la segmentación de instancias y haciendo que los modelos fueran más flexibles. Ahora resulta más sencillo utilizar YOLO tanto en aplicaciones básicas como en otras más complejas, lo que lo hace útil en diversos escenarios.

Con Ultralytics YOLO11 (que posteriormente fue sustituido por Ultralytics YOLO26), se han realizado más optimizaciones. Al reducir el número de parámetros y mejorar 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 de la detección de objetos al que puedes acceder fácilmente.

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 artificial que YOLOv8, como la detección de objetos, la segmentación de instancias, la clasificación de imágenes y la estimación de poses. Así, puedes cambiar fácilmente a este nuevo modelo sin tener que modificar tus flujos de trabajo. Además, la arquitectura mejorada de YOLO11 hace que las predicciones sean aún más precisas. De hecho, YOLO11m alcanza una precisión media (mAP) superior 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 teléfonos inteligentes 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 de computación y acelera los tiempos de inferencia. Tanto si utilizas el paquete de Python de Ultralytics como Ultralytics HUB sin código (ahora Ultralytics Platform), 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 avanzada de objetos en las aplicaciones en tiempo real y la IA en el edge ya se nota 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, sigue creciendo la demanda de una detección de objetos rápida y precisa. Ultralytics YOLO11 busca responder a esta demanda al permitir una detección de alto rendimiento incluso en dispositivos con una capacidad de cálculo limitada.

A medida que crece la IA en el edge, es probable que los modelos de detección de objetos, como Ultralytics YOLO11, sean aún más esenciales para tomar decisiones en tiempo real en entornos donde la velocidad y la precisión son fundamentales. Gracias a las mejoras continuas en diseño y adaptabilidad, el futuro de la detección de objetos promete aún más innovaciones en una amplia variedad de aplicaciones.

Conclusiones clave#

La detección de objetos ha recorrido un largo camino: ha pasado de métodos sencillos a las técnicas avanzadas de aprendizaje profundo que vemos hoy. Los modelos YOLO han sido fundamentales en este progreso y ofrecen una detección en tiempo real más rápida y precisa en distintos sectores. Ultralytics YOLO11 continúa este legado: mejora la eficiencia, reduce los costes computacionales y aumenta la precisión, por lo que es una opción fiable para diversas aplicaciones en tiempo real. Con los avances continuos en IA y visión artificial, el futuro de la detección de objetos es prometedor y aún puede mejorar en velocidad, precisión y adaptabilidad.

¿Te interesa la IA? Sigue aprendiendo y mantente en contacto con nuestra comunidad. Visita nuestro repositorio de GitHub para descubrir cómo utilizamos la IA para crear soluciones innovadoras en sectores como la fabricación y la sanidad.