¿Qué es la detección de cajas delimitadoras orientadas (OBB)?

A los seres humanos nos resulta natural reconocer objetos, independientemente de cómo estén colocados o hacia dónde miren. Ya sean coches en un cruce o barcos en un puerto, podemos identificar fácilmente qué son y hacia dónde se dirigen. Sin embargo, para los sistemas de inteligencia artificial (IA), no es tan sencillo.

Por ejemplo, la visión artificial, una rama de la IA centrada en comprender imágenes y vídeos, permite realizar tareas como la detección de objetos, que ayuda a las máquinas a identificar objetos y localizar su posición dentro de una escena. La detección de objetos tradicional se basa en cuadros delimitadores alineados con los ejes para dibujar recuadros alrededor de los objetos. Estos recuadros tienen lados rectos y ángulos rectos fijos. Este enfoque funciona bien cuando los objetos están derechos y no demasiado juntos.

Pero cuando los objetos están inclinados, girados o muy juntos, la detección de objetos tradicional suele tener dificultades para capturarlos con precisión. Para gestionar estas situaciones más complejas, se han introducido técnicas como la detección con cuadros delimitadores orientados (OBB). A diferencia de los cuadros delimitadores estándar, los OBB pueden girar para ajustarse al ángulo y la forma del objeto, lo que permite delimitarlo con mayor precisión.

Los modelos de visión artificial como Ultralytics YOLO11, compatibles con la detección OBB, permiten una amplia variedad de aplicaciones en tiempo real, especialmente en situaciones donde importa la orientación de los objetos, como la vigilancia aérea. Además, la detección OBB también se utiliza en sanidad, agricultura y análisis de documentos.

En este artículo veremos qué es la detección OBB, cómo funciona y dónde se aplica en situaciones reales.

Fig. 1. Ejemplo de demostración del uso de YOLO11 para detectar barcos con OBB.

¿Qué es un cuadro delimitador orientado?#

Un cuadro delimitador orientado es un tipo de recuadro rectangular que se utiliza en visión artificial para representar objetos detectados en una imagen. Mientras que los cuadros delimitadores estándar están alineados con los ejes horizontal y vertical de la imagen, los OBB pueden girar para ajustarse al ángulo real del objeto.

Esta capacidad de giro ofrece varias ventajas. Los OBB pueden ajustarse mejor a la orientación de un objeto, de modo que el recuadro se ciñe a su forma y dirección. Como resultado, la detección es más exacta y precisa.

Los OBB son especialmente útiles cuando los objetos no están perfectamente derechos, como un coche girando en una carretera curva en una imagen aérea, un libro inclinado sobre un escritorio o un tumor girado en una imagen médica. Al ajustarse con mayor precisión al ángulo de un objeto, los OBB mejoran el rendimiento de detección, reducen las interferencias del fondo y son especialmente adecuados para aplicaciones en las que la orientación del objeto importa tanto como su posición.

Fig. 2. Comparación de la detección de objetos y la detección OBB.

Detección OBB frente a detección de objetos#

La detección OBB y la detección de objetos tradicional pueden parecer similares a primera vista, pero se utilizan de formas distintas y en situaciones diferentes. Veamos más de cerca cómo se comparan con un ejemplo.

Los modelos de visión artificial, como YOLO11, pueden entrenarse para detectar y clasificar objetos en diversas aplicaciones del mundo real, como la inspección industrial. Imagina una cadena de montaje en una fábrica donde distintas piezas de maquinaria se desplazan por una cinta transportadora. Algunas piezas pueden estar bien colocadas, pero otras pueden estar ligeramente giradas, inclinadas o superpuestas debido a las vibraciones o a la velocidad.

La detección de objetos tradicional utiliza recuadros rectangulares derechos, alineados con los bordes horizontales y verticales de la imagen. Por tanto, si una pieza está girada, es posible que el recuadro no encaje bien: podría dejar fuera una parte del objeto o incluir demasiado fondo. Esto puede hacer que las detecciones sean menos precisas y que al sistema le resulte más difícil identificar la pieza con seguridad.

Ahora imagina que utilizas la detección OBB. En este caso, el modelo puede dibujar un recuadro que gira para ajustarse al ángulo exacto de cada pieza. Un engranaje inclinado o un componente angulado quedará delimitado con precisión por un recuadro que se ajusta a su forma y dirección. Así se consigue una mayor precisión, menos errores y resultados más fiables, especialmente en casos de uso como el control de calidad automatizado o la clasificación robótica.

Modelos populares de detección OBB#

Ahora que entendemos mejor qué es la detección OBB, echemos un vistazo a algunos de los modelos de IA visual más utilizados que la admiten.

Se han desarrollado varios modelos avanzados de visión artificial específicamente para detectar objetos girados o inclinados. Entre ellos, los modelos Ultralytics YOLO destacan por sus capacidades de detección OBB fiables y eficientes.

Las primeras versiones, como Ultralytics YOLOv5, se diseñaron para la detección de objetos estándar. Iteraciones posteriores, como Ultralytics YOLOv8 y el YOLO11 más reciente —al que ya ha sucedido Ultralytics YOLO26—, incorporaron compatibilidad nativa con la detección OBB. YOLO11, en particular, ofrece una precisión de vanguardia sin renunciar a la velocidad, por lo que es una opción eficaz para aplicaciones en tiempo real.

Los modelos OBB de YOLO11 preentrenados, como YOLO11n-obb, se entrenan con conjuntos de datos como DOTAv1, que contiene imágenes aéreas anotadas con diversas clases de objetos, como aviones, barcos y pistas de tenis, representados con distintos ángulos y orientaciones.

Además, estos modelos están disponibles en cinco tamaños distintos, desde nano (n-obb) hasta extragrande (x-obb), para adaptarse a diferentes necesidades de rendimiento. Esta versatilidad permite aplicarlos en diversos sectores, desde la supervisión de infraestructuras urbanas y la inspección de maquinaria hasta la lectura de texto inclinado en documentos escaneados.

Entrenamiento personalizado de Ultralytics YOLO11 para la detección de cuadros delimitadores orientados#

En muchas situaciones del mundo real, los objetos que necesitas detectar pueden ser muy distintos de los que aparecen en los conjuntos de datos de entrenamiento estándar. Por ejemplo, herramientas en una línea de producción, paquetes de productos o componentes de una placa de circuitos pueden estar girados, colocados de forma irregular o tener formas diferentes.

Para detectar con precisión estos objetos personalizados, sobre todo cuando importa su orientación, es importante entrenar modelos como Ultralytics YOLO11 con tus propias imágenes y etiquetas. Este proceso se conoce como entrenamiento personalizado.

A continuación se detalla paso a paso el proceso para entrenar Ultralytics YOLO11 para la detección OBB:

• Recopilación de imágenes: Recopila imágenes que muestren los objetos objetivo desde distintos ángulos y posiciones, y en entornos reales diversos.
• Anotación de objetos: Etiqueta cada objeto con cuadros delimitadores girados (OBB) para registrar tanto su ubicación como su orientación, utilizando herramientas de anotación compatibles con OBB.
• Preparación del conjunto de datos: organiza las imágenes y las etiquetas con el formato de conjunto de datos YOLO OBB y crea un archivo de configuración YAML con los nombres de las clases y las rutas del conjunto de datos.
• Entrenamiento del modelo: Elige una versión del modelo Ultralytics YOLO11 que se ajuste a tus necesidades y ejecuta el proceso de entrenamiento para que el modelo aprenda a partir de las imágenes etiquetadas.
• Evaluación e implementación: Prueba el modelo entrenado con imágenes nuevas, evalúa su precisión e impleméntalo en aplicaciones prácticas como la fabricación, la vigilancia aérea o el análisis de documentos.

Aplicaciones que permite la detección OBB#

Los objetos descentrados o inclinados son bastante comunes en situaciones reales. Veamos algunos ejemplos en los que la detección OBB marca una gran diferencia al detectar estos objetos con precisión.

Análisis de imágenes de rayos X mediante detección OBB#

La detección OBB puede llevar el análisis de imágenes médicas un paso más allá al mejorar la precisión. Las imágenes médicas suelen incluir estructuras anatómicas como tumores, órganos o huesos. Estas estructuras suelen tener formas irregulares y orientaciones variadas. Como las OBB pueden girar para ajustarse al ángulo de un objeto, permiten localizarlo y medirlo con más precisión, algo esencial para el diagnóstico y la planificación del tratamiento.

Este enfoque resulta especialmente eficaz para analizar radiografías de fracturas óseas, donde la posición y la alineación de los huesos son factores clave. Por ejemplo, se ha utilizado la detección OBB para analizar radiografías pediátricas de codo. Al ajustarse a la orientación de los huesos, ayudó a mejorar la precisión de la detección.

Fig. 3. Radiografías (a, d) con detección de objetos (b, e) y detección de cajas delimitadoras orientadas (c, f).

Vigilancia aérea impulsada por la detección OBB#

La vigilancia aérea es una herramienta esencial en sectores como la seguridad pública, la supervisión medioambiental y la planificación urbana. Las imágenes captadas por drones o satélites pueden ayudar a identificar objetos como barcos, vehículos y edificios. Sin embargo, en estas imágenes, los objetos suelen aparecer pequeños y en ángulos poco habituales, lo que dificulta su detección precisa.

La detección OBB resuelve este problema inclinando las cajas delimitadoras para que coincidan con el ángulo de cada objeto. Así se mide con más precisión el tamaño y la orientación de los objetos, lo que facilita la toma de mejores decisiones en ámbitos como la planificación urbana, la defensa, la respuesta ante catástrofes y la supervisión medioambiental.

Un ejemplo interesante de detección OBB es el seguimiento de barcos en la vigilancia marítima. Las imágenes satelitales suelen captar barcos en distintos ángulos y tamaños debido al tiempo, la iluminación o el movimiento. Las OBB pueden adaptarse a estos cambios y mejorar la detección, sobre todo en el caso de embarcaciones pequeñas o parcialmente ocultas.

Fig. 4. Ejemplo del uso de la detección OBB para la vigilancia marítima.

Uso de la detección OBB en la agricultura#

La clasificación de los cultivos después de la cosecha es un paso crucial para garantizar su calidad antes de envasarlos y enviarlos al mercado. Aunque muchos sistemas funcionan bien con frutas redondas, como manzanas y naranjas, los cultivos largos y estrechos, como las zanahorias o los brotes de zizania, pueden ser mucho más difíciles de manipular. Sus formas varían y a menudo quedan colocados en distintos ángulos, por lo que resulta complicado detectarlos y clasificarlos con precisión.

Para abordar este problema, los investigadores han desarrollado un sistema que utiliza la detección de cajas delimitadoras orientadas (OBB) para identificar y clasificar estos cultivos con mayor precisión. El sistema puede detectar varios cultivos en una imagen, aunque estén inclinados o superpuestos, y evaluar su calidad y posición en tiempo real.

Ventajas e inconvenientes de la detección OBB#

Estas son algunas de las ventajas de utilizar la detección OBB:

• Mejores entradas para tareas posteriores: Las tareas de visión artificial, como la segmentación de instancias y el seguimiento de objetos, pueden ofrecer mejores resultados si reciben detecciones de objetos más precisas.
• Mejor razonamiento espacial: Al capturar el ángulo de orientación, las OBB permiten comprender la alineación y la dirección de un objeto.
• Menos solapamiento en escenas concurridas: Las OBB reducen la ambigüedad al ajustarse mejor a los objetos, incluso en escenas con mucha actividad o abarrotadas.

Aunque ayuda a mejorar la precisión de la detección en escenas complejas, la detección OBB tiene algunas limitaciones que debes tener en cuenta:

• Mayor sensibilidad al ruido: Los pequeños errores en la predicción del ángulo pueden afectar más a la precisión de la detección, sobre todo en objetos muy juntos o alargados.
• Se necesitan herramientas especializadas: Como no todas las plataformas de anotación y entrenamiento son compatibles de forma nativa con las OBB, es posible que necesites herramientas o configuraciones adicionales para trabajar con ellas.
• Disponibilidad limitada de conjuntos de datos: En comparación con la detección de objetos estándar, actualmente hay menos conjuntos de datos disponibles públicamente con anotaciones OBB, lo que puede dificultar un poco empezar o comparar resultados.

Conclusiones clave#

La detección de cajas delimitadoras orientadas facilita que las soluciones de visión artificial reconozcan objetos que no están perfectamente rectos o alineados. Al capturar tanto la posición como la orientación de los objetos, la detección OBB mejora la precisión en aplicaciones del mundo real, como el análisis de imágenes médicas, la supervisión de tierras de cultivo o el análisis de fotografías satelitales.

Con modelos como Ultralytics YOLO11, que hacen más accesible la detección OBB, esta se está convirtiendo en una opción práctica para muchos sectores. Tanto si trabajas con objetos inclinados, superpuestos o de formas extrañas, la detección OBB añade un nivel adicional de precisión que los métodos estándar suelen pasar por alto.

¿Te interesa la IA? Explora nuestro repositorio de GitHub, conecta con nuestra comunidad y consulta nuestras opciones de licencia para poner en marcha tu proyecto de visión artificial. Descubre más innovaciones, como la IA en el comercio minorista y la visión artificial en el sector logístico, en nuestras páginas de soluciones.